基于人工智能算法的无线信号传播损耗预测

刘 伟

（青岛市技师学院 山东 青岛 266229）

0 引言

在传播环境逐渐复杂化的时代背景下，发送端发出的无线信号在单波过程中，受不同媒质、路径的影响，最终到达接收端会存在一定的损耗，这种损耗即为无线信号的传播损耗[1]。在网络规划和优化需求不断提升的大环境下，对无线信号传播损耗进行准确预测成为备受关注的研究领域之一。针对此，朱金荣等[2]提出了以大数据为基础的移动信号传播损耗分析方法，通过构建模型，实现了对信号传播损耗的预测，但是预测结果呈现出了较大的波动性。朱洒等[3]结合了通信终端有限元分析（communication edge-finite element analysis，CE-FEA）的优势和小信号分析的高效性，实现了对聚磁式场调制信号传播损耗的预测，但是其在应用上表现出了一定的局限性；柏菲等[4]采用射线跟踪技术对空地毫米波的传播损耗进行预测研究，具有较高的预测精度，但是其受干扰因素的影响明显，当数据中存在缺失时，其预测效果出现明显下降。通过上述的分析不难看出，深化对无线信号传播损耗预测的研究是十分必要的[5]。需要特别注意的是，传播损耗预测方法要能够根据实际情况做出适应性调节，以此满足人们对通信的质量检测的要求[6]。在网络质量决定网络覆盖效果的技术背景下，准确的无线信号传播损耗预测也能够为信号弱覆盖区域的建设提供重要的指导价值[7]。

为此，本文提出基于人工智能算法的无线信号传播损耗预测方法，并通过仿真测试分析验证了设计方法的准确性。通过本文的研究，希望可以为现有网络的升级，或网络的新建提供帮助。

1 无线信号传播损耗预测方法

1.1 无线信号传播模型构建

为了实现对无线信号在空间中传播损耗的准确预测，本文首先构建了无线信号传播模型。在模型中，设置无线信号从发送端到接收端的平均衰减值为路径损耗，其计算方式可以表示为：

其中，Pl表示无线信号在传播过程中的路径损耗，Ef表示发射端输出的信号能量，Es表示接收端接收到的信号能量。在理想状态下，当发射器和接收器之间的距离为d时，Es的计算方式可以表示为

其中，Gf表示发射器的信号增益强度，Gs表示接收器的信号增益强度，a表示无线信号传输网络自身的损耗次数，其不受传播环境影响，取决于网络自身属性，k表示无线信号的波长。

通过式（1）和式（2）不难看出，理想状态下，无线信号在发射端和接收端之间的传播损耗主要取决于传播距离，d值越大，对应的传播损耗也就越大。但是实际上，无线信号的传播环境往往存在阻挡物，其是以非固定的形式存在的[8]，因此，本文在模型中引入了以阻挡物作用为核心的衰减因子，在此基础上，基于传播距离与信号损耗的无线信号传播模型可以表示为：

其中，λ表示无线信号传播空间内，阻挡物导向下的信号传播衰减因子。

通过这样的方式，即可得到无线信号在任意空间内的传播模型。

1.2 基于人工智能算法的无线信号传播损耗计算

由上文得到的无线信号传播模型可以看出，要实现对无线信号传播损耗的准确预测，主要是对衰减因子作出准确计算，为此，本文采用人工智能算法中的粒子群优化算法（particle swarm optimization，PSO）实现对其的计算。

首先，本文将无线信号在空间传播中的阻挡物作用强度计算看作是对粒子最优值的分析。将训练数据中以阻挡物为核心的衰减因子作为PSO算法的粒子[9-10]。本文设置任意粒子包含i个属性值，那么对于任意粒子n，则有n={n1，n2，…，ni}，其中，ni表示阻挡物的构成因素。需要注意的是，本文对阻挡物的定义是宏观的，不局限于可验证的物体。在此基础上，对粒子群进行初始化处理，该步骤的目的是将粒子的寻优范围约束在可行解空间内[11]。此时粒子的寻优函数可以表示为：

其中，h（*）表示粒子的寻优函数，λn表示在n粒子移动过程中，其对应的衰减因子λe表示训练数据实际的衰减因子。

利用式（4），将与λe最接近的λn值对应的粒子位置作为输出，得到此时n={n1，n2，…，ni}，将其与待预测环境的阻挡物参数值进行拟合计算，输出待预测环境下的衰减因子。其计算方式可以表示为：

其中，sim表示拟合函数，m表示待预测环境的阻挡物参数值。需要注意的是，当m的属性构成中存在n中不含有的因素时，需要更新粒子的寻优结果。

通过这样的方式，得到以实际传播环境为基础的无线信号传播模型，实现对无线信号传播损耗的预测。

2 仿真分析

为了进一步分析验证本文提出的无线信号传播损耗预测方法的效果，进行了仿真测试，为了确保测试结果具有分析价值，分别采用朱金荣等[2]、朱洒等[3]以及柏菲等[4]提出的方法同时进行测试。在此基础上，对比4种方法预测结果与实际结果之间的关系，对本文方法做出客观评价。

2.1 测试数据准备

本文进行仿真测试的数据通过阿里云获取，数据总量为1.5亿条，涵盖3 200个小区。在进行测试前，为了避免损坏的数据对测试结果的干扰，对数据进行清洗。在测试阶段，本文采用随机抽取的方式，选择了覆盖300个小区的数据信息，共计约160万条。在此基础上，对于测试数据集的设置，本文每个小区中分别随机抽取500条数据，其余数据作为本文测试的训练数据集。考虑到数据特征本身相互之间存在相关性，为此，本文共计选取了12项特征作为预测的指标参量，具体分别为无线信号接收点与发射点之间的距离以及相对高度、无线信号发射机与水平方向和垂直方向的夹角、无线信号发射机的输出频率和输出功率、无线信号发射点和接收点的地物类型、无线信号发射点和接收点之间阻挡物的数量以及对应的高度信息、最差阻挡物与无线信号发射点之间的水平距离，最后是参考信号接收功率。

在此基础上，分别采用3种方法对无线信号传播损耗情况进行预测分析。

2.2 评价标准设置

为了便于分析比较3种方法的预测结果，本文共构建了4个评价标准，指标的具体计算方式分别可以表示为：

其中，RMSE表示预测结果与实际值的均方根误差，MAPE表示预测结果与实际值平均绝对误差比值，MAE表示预测结果与实际值的平均绝对误差，MSE表示预测结果与实际值的均方误差，N表示测试数据总量，xi表示测试数据信息，表示测试数据信息参数均值。

2.3 仿真结果与分析

在上述测试环境的基础上，4种预测方法的输出结果见表1。

表1 不同方法预测结果对比表

从表1中可以看出，对比4种预测方法，朱金荣等[2]方法的预测结果误差最为明显，朱洒等[3]和柏菲等[4]方法与之相比有所提升，但本文方法的预测结果整体均优于3种对比方法，具体的RMSE、MAPE、MAE和MSE值分别为1.97、5.44、2.11和3.8809，均处于较低水平，与朱金荣等、朱洒等以及柏菲等方法相比，有明显优势。

为了更加细化地对无线信号传播损耗预测结果的具体情况进行分析，本文结合相关信号传播检测要求，按照对参考信号接收功率（reference signal receiving power，RSRP）的划分标准，对预测结果进行分析，得到的数据结果见表2。

表2 不同预测误差样本分布情况统计表

根据无线信号传播测试要求，当预测结果与真实值相差在±5 dBm范围内时，表明预测结果的准确性能够满足基础应用需求，对应基本不会造成对无线网络规划的错误指导。从表2可以看出，预测结果与真实值相差值越小，其可以应用的信号传播损耗检测范围越广。在表2中，朱金荣等方法预测结果与真实值相差在±5 dBm范围内的比例为95.54%，其中包含预测结果与真实值相差在±1dBm和±3 dBm范围内的比例分别为12.14%和28.20%，朱洒等和柏菲等方法预测结果与真实值相差在±5 dBm范围的比例相近，分别为97.09%和97.39%。相比之下，本文方法的预测结果中，98.24%的预测样本相对误差均为±5 dBm范围内，且预测结果与真实值相差在±1 dBm和±3 dBm范围内的比例分别为20.44%和36.73%。测试结果表明，本文提出的损耗预测方法可以为无线通信建设提供可靠的指导价值。

3 结语

信号传播损耗决定了由发送端发出信号可到达的最远距离，以此为基础的网络覆盖设计具有更高的合理性和可靠性，因此，对信号传播损耗进行准确预测是网络建设发展的重要基础。本文提出人工智能算法的无线信号传播损耗预测方法，实现了对信号传播损耗的高精度预测，以RSRP的划分标准对预测结果误差进行分析，其可以满足无线信号传播测试要求。