基于人工智能算法的無線信號傳播損耗預測

劉 偉

（青島市技師學院 山東 青島 266229）

0 引言

在傳播環境逐漸復雜化的時代背景下，發送端發出的無線信號在單波過程中，受不同媒質、路徑的影響，最終到達接收端會存在一定的損耗，這種損耗即為無線信號的傳播損耗[1]。在網絡規劃和優化需求不斷提升的大環境下，對無線信號傳播損耗進行準確預測成為備受關注的研究領域之一。針對此，朱金榮等[2]提出了以大數據為基礎的移動信號傳播損耗分析方法，通過構建模型，實現了對信號傳播損耗的預測，但是預測結果呈現出了較大的波動性。朱灑等[3]結合了通信終端有限元分析（communication edge-finite element analysis，CE-FEA）的優勢和小信號分析的高效性，實現了對聚磁式場調制信號傳播損耗的預測，但是其在應用上表現出了一定的局限性；柏菲等[4]采用射線跟蹤技術對空地毫米波的傳播損耗進行預測研究，具有較高的預測精度，但是其受干擾因素的影響明顯，當數據中存在缺失時，其預測效果出現明顯下降。通過上述的分析不難看出，深化對無線信號傳播損耗預測的研究是十分必要的[5]。需要特別注意的是，傳播損耗預測方法要能夠根據實際情況做出適應性調節，以此滿足人們對通信的質量檢測的要求[6]。在網絡質量決定網絡覆蓋效果的技術背景下，準確的無線信號傳播損耗預測也能夠為信號弱覆蓋區域的建設提供重要的指導價值[7]。

為此，本文提出基于人工智能算法的無線信號傳播損耗預測方法，并通過仿真測試分析驗證了設計方法的準確性。通過本文的研究，希望可以為現有網絡的升級，或網絡的新建提供幫助。

1 無線信號傳播損耗預測方法

1.1 無線信號傳播模型構建

為了實現對無線信號在空間中傳播損耗的準確預測，本文首先構建了無線信號傳播模型。在模型中，設置無線信號從發送端到接收端的平均衰減值為路徑損耗，其計算方式可以表示為：

其中，Pl表示無線信號在傳播過程中的路徑損耗，Ef表示發射端輸出的信號能量，Es表示接收端接收到的信號能量。在理想狀態下，當發射器和接收器之間的距離為d時，Es的計算方式可以表示為

其中，Gf表示發射器的信號增益強度，Gs表示接收器的信號增益強度，a表示無線信號傳輸網絡自身的損耗次數，其不受傳播環境影響，取決于網絡自身屬性，k表示無線信號的波長。

通過式（1）和式（2）不難看出，理想狀態下，無線信號在發射端和接收端之間的傳播損耗主要取決于傳播距離，d值越大，對應的傳播損耗也就越大。但是實際上，無線信號的傳播環境往往存在阻擋物，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擋物作用為核心的衰減因子，在此基礎上，基于傳播距離與信號損耗的無線信號傳播模型可以表示為：

其中，λ表示無線信號傳播空間內，阻擋物導向下的信號傳播衰減因子。

通過這樣的方式，即可得到無線信號在任意空間內的傳播模型。

1.2 基于人工智能算法的無線信號傳播損耗計算

由上文得到的無線信號傳播模型可以看出，要實現對無線信號傳播損耗的準確預測，主要是對衰減因子作出準確計算，為此，本文采用人工智能算法中的粒子群優化算法（particle swarm optimization，PSO）實現對其的計算。

首先，本文將無線信號在空間傳播中的阻擋物作用強度計算看作是對粒子最優值的分析。將訓練數據中以阻擋物為核心的衰減因子作為PSO算法的粒子[9-10]。本文設置任意粒子包含i個屬性值，那么對于任意粒子n，則有n={n1，n2，…，ni}，其中，ni表示阻擋物的構成因素。需要注意的是，本文對阻擋物的定義是宏觀的，不局限于可驗證的物體。在此基礎上，對粒子群進行初始化處理，該步驟的目的是將粒子的尋優范圍約束在可行解空間內[11]。此時粒子的尋優函數可以表示為：

其中，h（*）表示粒子的尋優函數，λn表示在n粒子移動過程中，其對應的衰減因子λe表示訓練數據實際的衰減因子。

利用式（4），將與λe最接近的λn值對應的粒子位置作為輸出，得到此時n={n1，n2，…，ni}，將其與待預測環境的阻擋物參數值進行擬合計算，輸出待預測環境下的衰減因子。其計算方式可以表示為：

其中，sim表示擬合函數，m表示待預測環境的阻擋物參數值。需要注意的是，當m的屬性構成中存在n中不含有的因素時，需要更新粒子的尋優結果。

通過這樣的方式，得到以實際傳播環境為基礎的無線信號傳播模型，實現對無線信號傳播損耗的預測。

2 仿真分析

為了進一步分析驗證本文提出的無線信號傳播損耗預測方法的效果，進行了仿真測試，為了確保測試結果具有分析價值，分別采用朱金榮等[2]、朱灑等[3]以及柏菲等[4]提出的方法同時進行測試。在此基礎上，對比4種方法預測結果與實際結果之間的關系，對本文方法做出客觀評價。

2.1 測試數據準備

本文進行仿真測試的數據通過阿里云獲取，數據總量為1.5億條，涵蓋3 200個小區。在進行測試前，為了避免損壞的數據對測試結果的干擾，對數據進行清洗。在測試階段，本文采用隨機抽取的方式，選擇了覆蓋300個小區的數據信息，共計約160萬條。在此基礎上，對于測試數據集的設置，本文每個小區中分別隨機抽取500條數據，其余數據作為本文測試的訓練數據集?？紤]到數據特征本身相互之間存在相關性，為此，本文共計選取了12項特征作為預測的指標參量，具體分別為無線信號接收點與發射點之間的距離以及相對高度、無線信號發射機與水平方向和垂直方向的夾角、無線信號發射機的輸出頻率和輸出功率、無線信號發射點和接收點的地物類型、無線信號發射點和接收點之間阻擋物的數量以及對應的高度信息、最差阻擋物與無線信號發射點之間的水平距離，最后是參考信號接收功率。

在此基礎上，分別采用3種方法對無線信號傳播損耗情況進行預測分析。

2.2 評價標準設置

為了便于分析比較3種方法的預測結果，本文共構建了4個評價標準，指標的具體計算方式分別可以表示為：

其中，RMSE表示預測結果與實際值的均方根誤差，MAPE表示預測結果與實際值平均絕對誤差比值，MAE表示預測結果與實際值的平均絕對誤差，MSE表示預測結果與實際值的均方誤差，N表示測試數據總量，xi表示測試數據信息，表示測試數據信息參數均值。

2.3 仿真結果與分析

在上述測試環境的基礎上，4種預測方法的輸出結果見表1。

表1 不同方法預測結果對比表

從表1中可以看出，對比4種預測方法，朱金榮等[2]方法的預測結果誤差最為明顯，朱灑等[3]和柏菲等[4]方法與之相比有所提升，但本文方法的預測結果整體均優于3種對比方法，具體的RMSE、MAPE、MAE和MSE值分別為1.97、5.44、2.11和3.8809，均處于較低水平，與朱金榮等、朱灑等以及柏菲等方法相比，有明顯優勢。

為了更加細化地對無線信號傳播損耗預測結果的具體情況進行分析，本文結合相關信號傳播檢測要求，按照對參考信號接收功率（reference signal receiving power，RSRP）的劃分標準，對預測結果進行分析，得到的數據結果見表2。

表2 不同預測誤差樣本分布情況統計表

根據無線信號傳播測試要求，當預測結果與真實值相差在±5 dBm范圍內時，表明預測結果的準確性能夠滿足基礎應用需求，對應基本不會造成對無線網絡規劃的錯誤指導。從表2可以看出，預測結果與真實值相差值越小，其可以應用的信號傳播損耗檢測范圍越廣。在表2中，朱金榮等方法預測結果與真實值相差在±5 dBm范圍內的比例為95.54%，其中包含預測結果與真實值相差在±1dBm和±3 dBm范圍內的比例分別為12.14%和28.20%，朱灑等和柏菲等方法預測結果與真實值相差在±5 dBm范圍的比例相近，分別為97.09%和97.39%。相比之下，本文方法的預測結果中，98.24%的預測樣本相對誤差均為±5 dBm范圍內，且預測結果與真實值相差在±1 dBm和±3 dBm范圍內的比例分別為20.44%和36.73%。測試結果表明，本文提出的損耗預測方法可以為無線通信建設提供可靠的指導價值。

3 結語

信號傳播損耗決定了由發送端發出信號可到達的最遠距離，以此為基礎的網絡覆蓋設計具有更高的合理性和可靠性，因此，對信號傳播損耗進行準確預測是網絡建設發展的重要基礎。本文提出人工智能算法的無線信號傳播損耗預測方法，實現了對信號傳播損耗的高精度預測，以RSRP的劃分標準對預測結果誤差進行分析，其可以滿足無線信號傳播測試要求。