基于深度神经网络信道预测的基站位置规划方法

本发明涉及一种基站位置规划方法，属于通信。

背景技术：

1、随着下一代移动通信技术在蜂窝网络架构方面的发展，越来越多的小型蜂窝将作为移动通信网络的重要组成部分。那么基站的部署方式将极大的影响网络覆盖，服务质量，以及硬件成本。国际标准化组织3gpp提出的最小路测技术通过实场测量的方法获取指定区域的信道衰落数据，并利用获取的信道衰落数据进行基站位置规划。但最小路测技术需要对指定区域进行逐点测试，效率相对较低，无法满足未来针对物联网、端到端通信、海量机器通信等新兴领域对于基站位置规划实时性方面的需求。

2、信道环境的复杂多变为基站位置规划带来了诸多挑战。基站规划方式与信道模型密切相关，因为基站位置规划需要在固定发射功率以及接收门限情况下结合指定区域的信道衰落来判断该区域内的网络覆盖是否符合要求。常见的信道模型包括经验模型，确定模型，以及半确定模型。经验模型将统计特性与测量值结合描述信道，确定性模型则假设信道衰落随发射机与接收机之间的距离成比例衰减，半确定性模型则将信道统计特性与环境中特定散射体引起的散射结合。但上述常见的信道模型均不具备普适性，而是要同特定的环境进行结合。同时上述模型也无法适应基站位置规划问题中发射机与接收机位置同时变化的情况。另外，基站位置规划作为一种非凸优化问题其最优解很难通过传统算法求解，并且在整个优化过程中需要对指定收发位置处的衰落值进行预测，若预测算法或信道建模方式过于复杂，那么基站位置规划算法速率将受到很大影响甚至无法给出满足各种限制条件的可行解。

技术实现思路

1、本发明为解决复杂环境下无线通信基站对指定区域的覆盖率较低的问题，进而提出一种基于深度神经网络信道预测的基站位置规划方法。

2、本发明为解决上述问题采取的技术方案是：本发明的步骤包括：

3、步骤一、初始化参数；

4、步骤二、将指定覆盖区域根据采样点间隔g进行离散化，将离散化后指定覆盖区域内采样点的坐标记作

5、步骤三、利用确定性信道衰落计算方法计算当天线半功率波束角为天线俯仰角为α，中心频率为fc，天线高度为h时，任意基站位置以及接收位置之间的信道衰落li,m,n；

6、步骤四、利用步骤三中取得的衰落数据训练深度神经网络，该深度神经网络可对指定区域内任意位置处的信道衰落数值进行预测；

7、步骤五、对基站位置规划问题进行建模并初始化遗传算法中的染色体以及基因，令遗传算法迭代索引h＝1，最大迭代次数为h；

8、步骤六、结合步骤四训练的深度神经网络计算全部染色体适应度，选择父辈染色体并根据父辈染色体进行交叉操作生成子代染色体，然后对子代染色体执行变异操作，并令h＝h+1；

9、步骤七、若算法迭代次数索引满足h＞h，则算法结束，输出基站部署最优位置集合否则重复步骤六。

10、进一步的，步骤一中初始的参数包括发射基站数量nb，天线半功率波束角天线俯仰角α，中心频率fc，基站发射功率pt，用户接收门限s，天线高度h，指定覆盖区域x轴方向范围指定覆盖区域y轴方向范围指定覆盖区域中相邻两个采样点的距离间隔g，基站可选点位集合其中，与分别基站可选点位集合中第i个位置的x轴坐标以及y轴坐标，n为基站可选点位的数量。

11、进一步的，所述步骤二中对指定覆盖区域根据采样点间隔g进行离散化；具体过程为：

12、若指定覆盖区域x轴方向范围为指定覆盖区域y轴方向范围为那么x轴方向第j个采样点的坐标为：

13、

14、由于需要保证采样点坐标在指定覆盖区域范围内，那么m需要满足1≤m≤m，其中：

15、

16、类似地，y轴方向第j个采样点的坐标为：

17、

18、并且

19、

20、最终可以得到指定区域内任意采样点的坐标

21、进一步的，步骤四中利用步骤三中获得的衰落数据对深度神经网络进行训练同时实现信道衰落预测的具体过程为：

22、深度神经网络输入层包括4路输入，分别是基站的x轴坐标y轴坐标，以及接收机的x轴坐标y轴坐标，输出层为单路输出表示信道衰落；深度神经网络采用标准的relu函数

23、relu(x)＝max(x,0)  (5)，

24、对于正输入，relu的梯度为1；对于负输入，梯度为0；

25、采用前向传播算法计算深度神经网络输出，反向传播算法对神经网络进行训练；在进行网络训练时，训练数据为任意基站位置与指定区域中任意采样点的组合，即

26、

27、训练数据对应的标签为步骤三中在上述基站位置以及指定区域内采样点位置利用确定性信道衰落计算方法计算得到的衰落值li,m,n，最终在反向传播算法收敛之后，深度神经网络即可对指定区域内的任意位置进行信道预测。

28、进一步的，所述步骤五中对基站位置规划问题进行建模并初始化遗传算法中的染色体以及基因的具体过程为：

29、采用步骤二中的采样方法对指定区域以间隔g′进行采样，此时g′＜g，将采样后的结果记作：

30、

31、将基站位置优化变量记作当下列条件满足时，认为指定区域内的点可以被基站覆盖

32、

33、否则，点无法被处的基站覆盖；其中，为步骤四中训练后的深度神经网络对发射位置为接收位置为信道衰落的预测结果；基站位置规划问题可以描述为如下数学模型：

34、

35、公式(9)中，rm′,n′用于表征(xrm′,yrn′)采样点是否被任意基站覆盖，同时基站优化变量需要在集合φ中的x轴子集以及y轴坐标子集进行选择；通过最大化完成对指定区域的覆盖需求。

36、进一步的，步骤六中结合步骤四训练的深度神经网络计算全部染色体适应度，选择父辈染色体并根据父辈染色体进行交叉操作生成子代染色体，然后对子代染色体执行变异操作；具体过程为：

37、在对每个染色体初始化完成之后，根据公式(9)计算目标函数的数值并将其作为该染色体的适应度，目标函数的数值越大代表覆盖的采样点数量越多；其中，基站与指定区域内采样点之间的衰落通过步骤四训练的深度神经网络计算得到；然后将种群中前np/2个染色体与后np/2个染色体配对，每对染色体内的基因进行交叉操作。

38、本发明的有益效果是：

39、1、本发明提出了基于深度神经网络信道预测的基站位置规划方法；首先，本发明将基站天线的各项参数输入确定性信道衰落计算方法，结合基站与指定覆盖区域的位置信息计算衰落数据；其次，本发明将确定性信道衰落计算方法计算得到的衰落数据作为训练数据输入深度神经网络之中，该深度神经网络可实现对指定区域内任意位置处衰落的预测；最后，本发明基于遗传算法并结合深度神经网络信道预测数据对基站位置进行规划；

40、2、本发明可以大幅降低传统基站位置规划算法对实测数据繁琐的采集需求，并通过智能优化算法进一步提升基站对于指定区域的覆盖率；

41、3、本发明的意义在于基于深度神经网络信道预测方法并结合遗传算法提升基站对指定区域的覆盖率，并极大降低传统基站位置规划方法的复杂度。