一种射线追踪信道建模方法与流程

本发明属于信道建模方法，尤其涉及一种射线追踪信道建模方法。

背景技术：

1、基于射线追踪法的信道模型可以较为准确地模拟出真实环境下任意频点、任意位置的信道特性，预测多径的幅度、时延、到达角和离开角等，为无线通信的系统设计、理论分析、性能评估、优化及部署奠定基础。

2、使用射线追踪法进行信道建模时，场景中的材料参数会影响电磁波的损耗与传播路径，从而影响模型精度。利用遗传算法可以很好地对射线追踪模型进行电参数校正，获取建模场景下的最优电参数集，进而提高射线追踪模型预测精度。但是，遗传算法求解过程中会生成大量电参数集合，并对这些电参数集合进行更新优化，会产生大量计算过程，从而导致求解时间成本较高。

技术实现思路

1、本发明的目的是提供一种射线追踪信道建模方法，通过优化求解过程中的初始电参数集来提高搜索效率和搜索质量，以减少电参数集的求解时间。

2、本发明采用以下技术方案：一种射线追踪信道建模方法，包括以下步骤：

3、生成信道模型的第一电参数集；

4、根据第一电参数集中每种电参数的最大值和最小值，采用反向学习方法扩充第一电参数集中的电参数组的数量，得到第二电参数集；

5、计算第二电参数集中电参数组的适应度值，根据适应度值选择对应的电参数组，得到第三电参数集；其中，电参数组由信道模型中材料的粗糙度、相对介电常数和电导率组成；适应度值根据仿真路径损耗和实际路径损耗的误差计算得到；

6、将第三电参数集作为遗传算法的初始种群，利用遗传算法筛选出最优电参数组；

7、基于最优参数组建立信道模型。

8、进一步地，采用反向学习方法扩充第一电参数集中的电参数组的数量包括：

9、对于电参数组中的每个电参数值xi,j，通过xi,j,inverse＝xi,j,max+xi,j,min-xi,j计算其反向电参数值xi,j,inverse；其中，xi,j,max表示第一电参数集中电参数的最大值，xi,j,min表示第一电参数集中电参数的最小值；

10、将电参数组中每个电参数值对应的反向电参数值组合为新的电参数组。

11、进一步地，生成信道模型的第一电参数集包括：

12、基于一维logistic混沌映射模型生成混沌序列；

13、根据电参数的最大值、最小值，以及混沌序列生成第一电参数集中每组电参数组内的电参数值。

14、进一步地，遗传算法中的自适应交叉概率计算方法为：

15、

16、其中，pc,i表示第i组电参数组的自适应交叉概率，k1和k2均为常数，且k2＞k1，fmax表示当代种群中的最大适应度值，favg表示种群中的平均适应度值，f表示要进行交叉操作的两个电参数组的适应度值的较大值。

17、进一步地，遗传算法中的自适应变异概率计算方法为：

18、

19、其中，pm,i表示第i组电参数组的自适应变异概率，k3和k4均为常数，f′表示要进行变异操作的电参数组的适应度值。

20、进一步地，计算第二电参数集中电参数组的适应度值包括：

21、以电参数组进行仿真，并测得不同测量点的仿真路径损耗；基于信道模型的真实场景进行实验，测得不同测量点的实际路径损耗；

22、计算仿真路径损耗和实际路径损耗之间的误差值；

23、计算误差值的均方根误差，并将均方根误差的倒数作为适应度值。

24、进一步地，根据适应度值选择对应的电参数组包括：

25、按照适应度值由大到小的顺序选择电参数组；其中，选择的电参数组的数量与第一电参数集中电参数组的数量相等。

26、进一步地，遗传算法包括：

27、计算第三电参数集中每组电参数组的适应度值；

28、根据适应度值计算每组电参数组被遗传到下一代电参数集中的概率；

29、根据每组电参数组被遗传到下一代电参数集中的概率计算每组电参数组的累计概率；

30、在[0,1]区间内生成一个均匀分布的伪随机数，根据伪随机数和每组电参数组的累计概率选择电参数组，直至电参数组的数量与第三电参数集中电参数组的数量相等，得到第四电参数集；

31、对第四电参数集依次进行交叉和变异操作。

32、进一步地，根据伪随机数和每组电参数组的累计概率选择电参数组包括：

33、当qk-1＜r≤qk时，选择第k组电参数组；其中，r表示伪随机数，qk表示第k组电参数组的累计概率，qk-1表示第k-1组电参数组的累计概率，k表示大于等于1的正整数。

34、本发明的另一种技术方案：一种射线追踪信道建模装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的方法。

35、本发明的有益效果是：本发明通过将反向学习方法应用到遗传算法中，采用反向学习方法生成遗传算法中的初始电参数组，利用先验的适应度值来进行高效搜索，从而在初始阶段就可以找到一些优秀的解，提高了搜索效率和搜索质量，可以减少电参数集的求解时间。

技术特征：

1.一种射线追踪信道建模方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种射线追踪信道建模方法，其特征在于，采用反向学习方法扩充所述第一电参数集中的电参数组的数量包括：

3.如权利要求2所述的一种射线追踪信道建模方法，其特征在于，生成信道模型的第一电参数集包括：

4.如权利要求3所述的一种射线追踪信道建模方法，其特征在于，所述遗传算法中的自适应交叉概率计算方法为：

5.如权利要求4所述的一种射线追踪信道建模方法，其特征在于，所述遗传算法中的自适应变异概率计算方法为：

6.如权利要求4或5所述的一种射线追踪信道建模方法，其特征在于，计算所述第二电参数集中电参数组的适应度值包括：

7.如权利要求6所述的一种射线追踪信道建模方法，其特征在于，根据所述适应度值选择对应的电参数组包括：

8.如权利要求4或5所述的一种射线追踪信道建模方法，其特征在于，所述遗传算法包括：

9.如权利要求8所述的一种射线追踪信道建模方法，其特征在于，根据伪随机数和每组电参数组的累计概率选择电参数组包括：

10.一种射线追踪信道建模装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的方法。

技术总结
本发明公开了一种射线追踪信道建模方法，生成信道模型的第一电参数集；根据第一电参数集中每种电参数的最大值和最小值，采用反向学习方法扩充第一电参数集中的电参数组的数量，得到第二电参数集；计算第二电参数集中电参数组的适应度值，根据适应度值选择对应的电参数组，得到第三电参数集；将第三电参数集作为遗传算法的初始种群，利用遗传算法筛选出最优电参数组；基于最优参数组建立信道模型；本发明通过将反向学习方法应用到遗传算法中，采用反向学习方法生成遗传算法中的初始电参数组，利用先验的适应度值来进行高效搜索，从而在初始阶段就可以找到一些优秀的解，提高了搜索效率和搜索质量，可以减少电参数集的求解时间。

技术研发人员：黄小岛,郜烨帆,吴钊炯,温志勇,梁日桓
受保护的技术使用者：广州市埃特斯通讯设备有限公司
技术研发日：
技术公布日：2024/5/27