朱金荣,李 扬,邓小颖,孙 灿
(扬州大学物理科学与技术学院,江苏 扬州225002)
随着5G网络逐步发展,随之而来的网络规划和基站铺设问题逐渐被重视。为得到城市各小区内网络干扰和通信速率等重要指标,需要采集大量的工程数据模型及实际平均信号接收功率(Reference Signal Receiving Power,RSRP)拟合出无线传播模型。传统经验模型都是基于经验数据同时结合不同的场景,修正公式中的环境因子获得特定的拟合公式,其典型代表是Cost 231-Hata模型[1]。这类模型的参数易得,模型操作难度低,但未考虑城区中的建筑物阻挡、地貌环境以及街道分布等因素的影响,因而精确度并不十分理想。
近年来,机器学习驱动的数据挖掘技术获得了长足的进步,其高实时性以及低复杂度使得其与无线通信的结合成为了可能。针对存在的问题,提出基于大数据的移动信号传播模型。数据包括基站的工程参数数据,地图数据以及真实测得的信号功率值。数据覆盖面广,因素考虑全面。对数据进行充分挖掘,研究影响标签的重要因素,模型采用16层的神经网络进行仿真计算,深度足够满足数据内在的复杂映射关系。实验结果表明,建立的模型能有效适应各种场景环境,精确度优于传统经验模型。
移动基站发射的信号是以电磁波的形式在空间中传播的,发射机发射的无线信号,经信道传输后到达接收机的天线信号功率表达式如式(1)所示[2]

(1)
其中,r(t)为接收机接收到的信号,Pr为接收端的功率(dBm)。……