大尺度衰落的建模及估计方法、系统、设备和存储介质

技术领域

本申请实施例涉及通信技术领域，特别涉及一种大尺度衰落的建模及估计方法、系统、设备和存储介质。

背景技术

基于无线信道的大尺度衰落进行建模，对研究信道特征和性能以优化无线通信系统具有重要意义，其中，大尺度衰落包括路径损耗和阴影衰落两方面，路径损耗反映的是长距离上接收功率的变化，而阴影衰落反映的是障碍物尺度上功率的变化。传统建模方式中，对于路径损耗，一般通过经验公式进行建模，但是经验公式内包含较多的非确定性计算参数，参数取值与场景关联性强，模型鲁棒性和泛化性差，实用性不强；而对于阴影衰落，由于其服从高斯分布，一般在高斯分布的基础上对相关性系数进行修正得到模型，但是该方式中相关性系数的初值在设置时具有较大随机性，相关性系数计算的准确性也较低，无法准确地反映实际的相关性大小，因而整体计算误差难以控制。因此，随着人工智能算法的兴起，出现了各种基于历史数据驱动型的建模方法，其中常见的思路是：在建模过程中，忽略阴影衰落，将大尺度衰落当作路径损耗处理；或者，在获取路径损耗的历史数据和阴影衰落的历史数据后，利用路径损耗的历史数据和阴影衰落的历史数据分别进行模型训练，得到路径损耗预测模型和阴影衰落预测模型。

然而，实际过程中，阴影衰落的影响较大，忽略阴影衰落会导致模型的预测出来的大尺度衰落存在较大误差，并且还会导致模型泛化效果差，无法得到可靠的大尺度衰落模型；实际测量时，损耗和阴影衰落无法完全区分，难以独立测量，从而无法分别获取路径损耗和阴影衰落的历史数据进行训练，可实现性低。

发明内容

本申请实施例的主要目的在于提出一种大尺度衰落的建模及估计方法、系统、设备和存储介质，实现在不需要独立测量路径损耗和阴影衰落的情况下，从路径损耗和阴影衰落两方面对大尺度衰落进行建模，使得能够得到准确可靠、可实现性强的大尺度衰落预测模型，进而能够准确地对信道地大尺度衰落进行估计。

为实现上述目的，本申请实施例提供了一种信道大尺度衰落的建模方法，包括：获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型；根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。

为实现上述目的，本申请实施例还提出了一种信道大尺度衰落的估计方法，包括：获取待测信道的路径损耗参数；将所述路径损耗参数分别输入路径损耗预测模型和阴影衰落预测模型，得到所述路径损耗预测模型输出的路径损耗预测值和所述阴影衰落预测模型输出的阴影衰落预测值，其中，所述路径损耗预测模型和所述阴影衰落预测模型是通过如上所述的信道大尺度衰落的建模方法得到的；将所述路径损耗预测值和所述阴影衰落预测值之和作为所述待测信道的大尺度衰落估计值。

为实现上述目的，本申请实施例还提出了一种信道大尺度衰落的建模系统，包括：第一获取模块，用于获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；第一训练模块，用于将所述路径损耗参数和所述大尺度衰落数据作为训练数据进行集成学习，得到路径损耗预测模型；解耦模块，用于根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；处理模块，用于对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；第二训练模块，用于根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。

为实现上述目的，本申请实施例还提出了一种信道大尺度衰落的估计系统，包括：第二获取模块，用于获取待测信道的路径损耗参数；预测模块，用于将所述路径损耗参数分别输入路径损耗预测模型和阴影衰落预测模型，得到所述路径损耗预测模型输出的路径损耗预测值和所述阴影衰落预测模型输出的阴影衰落预测值，其中，所述路径损耗预测模型和所述阴影衰落预测模型是通过如上所述的信道大尺度衰落的建模方法得到的；结果生成模块，用于将所述路径损耗预测值和所述阴影衰落预测值之和作为所述待测信道的大尺度衰落估计值。

为实现上述目的，本申请实施例还提出了一种电子设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的信道大尺度衰落的建模方法，或者，执行如上所述的信道大尺度衰落的估计方法。

为实现上述目的，本申请实施例还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的信道大尺度衰落的建模方法，或者，实现如上所述的信道大尺度衰落的估计方法。

本申请实施例提出的信道大尺度衰落的建模方法，在利用大尺度衰落数据和路径损耗参数训练得到路径损耗预测模型之后，通过路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据，并利用阴影衰落数据训练阴影衰落预测模型，从而能够综合路径损耗预测模型和阴影衰落预测模型得到完整的大尺度衰落预测模型。通过利用路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，避免直接测量阴影衰落数据，降低了获取阴影衰落数据的难度，提高了阴影衰落建模的可实现性，并且由于训练阴影衰落预测模型的阴影衰落数据是根据路径损耗预测模型得到的，因此，即使路径损耗预测模型存在一定误差，但是这个误差会通过阴影衰落数据累计到阴影衰落部分进行建模处理，当阴影衰落的模型构建精确时，将使得路径损耗和阴影衰落的叠加计算结果无限逼近真实的大尺度衰落，保证了在大尺度衰落整体上的准确性，即利用上述得到的路径损耗预测模型和阴影衰落预测模型就能够准确地估计出信道的真实大尺度衰落值。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。

图1是本申请的实施例提供的信道大尺度衰落的建模方法的流程图；

图2是本申请的另一实施例提供的信道大尺度衰落的估计方法的流程图；

图3是本申请的另一实施例提供的信道大尺度衰落的建模系统的结构示意图；

图4是本申请的另一实施例提供的信道大尺度衰落的估计系统的结构示意图；

图5是本申请的另一实施例提供的电子设备的结构示意图。

具体实施方式

由背景技术可知，大尺度衰落包括路径损耗和阴影衰落两方面，目前对大尺度衰落的建模方式要么是将大尺度衰落等同于路径损耗进行处理，得到不准确的模型，要么是仅针对阴影衰落进行建模还未提供如何获取难以直接测量得到的阴影衰落数据的方法，可实现性低。

为解决上述问题，本申请实施例提供了一种信道大尺度衰落的建模方法，包括：获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型；根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。

本申请实施例提出的信道大尺度衰落的建模方法，在利用大尺度衰落数据和路径损耗参数训练得到路径损耗预测模型之后，通过路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据，并利用阴影衰落数据训练阴影衰落预测模型，从而能够综合路径损耗预测模型和阴影衰落预测模型得到完整的大尺度衰落预测模型。通过利用路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，避免直接测量阴影衰落数据，降低了获取阴影衰落数据的难度，提高了阴影衰落建模的可实现性，并且由于训练阴影衰落预测模型的阴影衰落数据是根据路径损耗预测模型得到的，因此，即使路径损耗预测模型存在一定误差，但是这个误差会通过阴影衰落数据累计到阴影衰落部分进行建模处理，当阴影衰落的模型构建精确时，将使得路径损耗和阴影衰落的叠加计算结果无限逼近真实的大尺度衰落，保证了在大尺度衰落整体上的准确性，即利用上述得到的路径损耗预测模型和阴影衰落预测模型就能够准确地估计出信道的真实大尺度衰落值。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

下面将结合具体的实施例的对本申请记载的分布式系统控制方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

本申请的实施例第一方面提供了一种信道大尺度衰落的建模方法，信道大尺度衰落的建模方法的流程参考图1，包括以下步骤：

步骤101，获取目标区域内的路径损耗参数和大尺度衰落数据，目标区域为若干基站共同覆盖的区域。

具体地说，根据实际需求选取若干基站共同覆盖的区域作为目标区域，如需要对基站A、基站B和基站C的大尺度衰落进行建模时，可以选取基站A、基站B和基站C共同覆盖的区域作为目标区域，也可以在基站A、基站B和基站C共同覆盖的区域中选取一个规则的区域作为目标区域，如矩形区域等，然后对目标区域对应的各个基站以及这些基站在该目标区域内的用户终端(User Equipment，UE)等进行采集，利用采集到的数据得到路径损耗参数和大尺度衰落数据。

更具体地说，选取被多个基站共同覆盖的某块矩形区域作为目标区域，采集该多个基站的基站工参信息和目标区域中的UE测量数据，其中，基站工参信息包括：基站名称eNB

需要说明的是，基站工参信息和UE测量数据可以通过专业设备采集得到，也可以通过基站侧收集用户MR测量报告及UE位置分布等信息得到，本实施例不对其获取方式进行限定。

在一个例子中，选取外场5个基站共同覆盖的矩形区域作为目标区域，采集5个基站的工参信息和5个基站所分别覆盖的UE的测量报告(Measurement Report，MR)报告作为UE测量数据。则获取的数据包括：基站名称eNB

步骤102，根据路径损耗参数和大尺度衰落数据进行集成学习，得到路径损耗预测模型。

具体地说，将路径损耗参数及其对应的大尺度衰落数据作为一条训练数据，得到含有若干训练数据的训练集，然后利用训练集对预设的集成模型进行训练，得到的训练好的集成模型就是路径损耗预测模型，其中，大尺度衰落数据是训练目标，可以作为训练过程中的监督信号。

更具体地说，将Lon

本实施例不对集成模型的类型进行限定，可以是以树模型为基模型组成的随机森林模型，或者是以神经网络为基模型且基于套袋(bagging)算法、提升(boosting)算法等集成算法构成的集成模型等，此处就不再一一赘述了。

值得一提的是，本实施例可以基于多样化的模型类型实现建模，从而达到对建模方法进行扩展的目的，使得本实施例提供的建模方法能够适用于各种情况，从而增强了建模方法的适应性和实用性。

需要说明的是，为了提高路径损耗预测模型的准确性，在进行训练之前，还可以对训练集进行预处理，其中，预处理的方式可以是在检测到存在异常数据、数据缺失、奇异数据等情况下删除整条训练数据、平滑奇异数据、修正异常数据、填充缺失数据。当然，以上仅为对训练集预处理方式的具体举例说明，还可以是其他能够提高训练集的数据的处理方式，此处就不再一一赘述了。

为了便于本领域技术人员更好地理解上述步骤102，以下将以路径损耗预测模型为以分类回归树(Classification and Regression Tree，CRAT)为基模型组成的随机森林模型为例进行说明。

此时，步骤102可以包括：根据路径损耗参数和大尺度衰落数据生成包含有若干个训练数据组成的初始路径损耗训练集，其中，大尺度衰落数据为训练数据中的训练目标；从初始路径损耗训练集中有放回地抽取训练数据，直到抽取出的训练数据组成预设数量的路径损耗训练集，路径损耗训练集的容量与初始路径损耗训练集的容量相同；利用路径损耗训练集分别训练预设数量的CRAT，得到第一随机森林模型作为路径损耗预测模型。

特别地，对于基模型为树模型而言，不需要进行数据标准化，但是对于其他类型的基模型，需对数据进行标准化，标准化方式可选择Min-Max标准化等。

更具体地说，根据路径损耗参数和大尺度衰落数据生成包含有若干个训练数据组成的初始路径损耗训练集可以包括：将Lon

从初始路径损耗训练集中有放回地抽取训练数据，直到抽取出的训练数据组成预设数量的路径损耗训练集包括：在训练随机森林模型时，无需事先划分训练集和验证集，而是在数据量大小为

利用路径损耗训练集分别训练预设数量的CRAT，得到第一随机森林模型作为路径损耗预测模型包括：将均方差(Mean-Square Error,MSE)函数作为目标函数，利用K个路径损耗训练集分别训练K棵CRAT，在一次训练完成后将相应的验证集Y

在一个例子中，在得到500万条训练数据后，对其进行预处理，去除不满足要求的训练数据，得到含有480万条训练数据的初始路径损耗训练集，然后，在初始训练集中每次有放回的随机抽样，共抽取同等的480万条训练数据构成一个路径损耗训练集S

Min

其中，y1为根据划分点s划分至左子树的所有训练数据点，c1为划分至左子树的所有训练数据点的大尺度衰落平均值，y2为根据划分点s划分至右子树的所有训练数据点，c2为划分至右子树的所有训练数据点的大尺度衰落平均值。Loss表示均方误差MSE函数，可以为：

其中，X为y1的所有训练数据点个数，y1

由上表可知，20个误差结果的平均值为6.6％。若是直接基于神经网络进行大尺度衰落建模，在310万条训练数据构成训练集，170万条训练数据构成验证集的情况下，得出的误差结果为18.4％。显然，本实施例提供的方法相对于现有建模方式，误差更小。

此外，为防止模型蕴含的随机性造成结果的偶然性，进行模型鲁棒性测验，重复上述步骤进行30次测验，得到的总体平均绝对百分比误差均在6.8％左右，误差分布区间为[7.1％，6.5％]，也可以看出建立的随机森林模型具有很好的鲁棒性。

值得一提的是，大尺度衰落可以看作阴影衰落叠加在路径损耗之上，相对路径损耗，阴影衰落的统计规律服从均值为0的高斯分布，因而，可以将大尺度衰落当作带高斯噪声的路径损耗，其中，高斯噪声即为阴影衰落。而随机森林模型由于在训练过程引入了特征随机性、训练数据随机性，因此，可以有很好的抗噪声干扰能力。随机森林一方面不是采用的梯度下降法进行迭代，另一方面由于引入了训练数据选取的随机性和训练数据中特征选取的随机性，能大大减少训练集中此类训练数据的产生。另外，基于集成学习思想构建的模型，可以很好的防止过拟和。此时，可将大尺度衰落数据中的阴影衰落部分作为高斯噪声进行处理，从而较好的拟合出路径损耗特征量和真实路径损耗的对应关系，即得到准确的路径损耗预测模型。

需要说明的是，常用的路径损耗经验计算模型中的变量包括UE到基站的三维(3-dimension，3D)距离、中心频率等，经验模型内包含较多需要根据实际数据进行校正计算的参数，因而难以辨识出准确的经验模型参数，因此，本实施例挑选与路径损耗相关的参数作为路径损耗参数，包括：基站的经度Lon

还需要说明的是，将验证集放入模型中进行验证发现误差仍然存在，但远低于神经网络等抗噪声能力差的模型。其中，误差包含路径损耗的预测误差以及阴影衰落值。鲁棒性验证完成后，将所有数据集S

步骤103，根据路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据。

具体地说，将路径损耗参数输入到路径损耗预测模型中，以利用路径损耗预测模型根据路径损耗参数进行路径损耗预测，然后路径损耗预测模型输出的路径损耗值与大尺度衰落数据作差，将结果作为阴影衰落值，从而实现对大尺度衰落数据中的路径损耗和阴影衰落进行解耦。

步骤104，对目标区域进行网格化，得到若干个网格并将阴影衰落数据划分到相应的网格中。

具体地说，按照预设的网格形状对目标区域进行划分，得到若干个网格，确定阴影衰落数据对应的用户终端在目标区域中的位置，将该位置所属的网格确定为阴影衰落数据所属的网格。本实施例不对预设的网格形状进行限定，可以是矩形、正方形、正六边形等，此处就不再一一赘述了。

在一个例子中，从矩形的目标区域的左下顶点出发，依次将目标区域按边长为50米的正方形网格进行划分并编号，共分为T个网格，每个网格表示为gridt，其中，网格编号t＝1，2，3，…，T。将第三步计算的阴影衰落数据，按UE测量数据所属的UE在网格区域的落点进行归类，将网格gridt的各基站阴影衰落数据表示为Dt

需要说明的是，根据阴影衰落数据服从正态分布的特性，可以利用阴影衰落数据对路径损耗预测模型进行检验：计算各个网格内的阴影衰落数据平均值，检测是否存在至少一个网格的平均值超过预设阈值，若是，重新训练路径损耗预测模型。具体地说，就是求各网格gridt内的各基站阴影衰落Dt

值得一提的是，根据阴影衰落服从正态分布的特性，对模型的准确性进行检测，提高了路径损耗预测模型的准确性。

步骤105，根据各个网格内的阴影衰落数据进行集成学习，得到各个网格的阴影衰落预测模型。

具体地说，将位于同一网格内的各个基站的阴影衰落值作为一条训练数据，得到含有若干训练数据的训练集，然后利用训练集对预设的集成模型进行训练，得到的训练好的集成模型就是阴影衰落预测模型，其中，依次选取一个基站的阴影衰落值作为训练目标并作为训练过程中的监督信号。

更具体地说，对于某个网格内N个基站的阴影衰落数据，分别衍生出N份多基站阴影衰落特征输入对单基站阴影衰落特征输出的数据集。以网格gridt内预测目标基站编号N的阴影衰落Dt

为了便于本领域技术人员更好地理解上述步骤105，以下将以阴影衰落预测模型为以CRAT为基模型组成的随机森林模型为例进行说明。此时步骤105包括：依次选取一个基站作为目标基站，将各个网格中目标基站的阴影衰落数据作为训练目标，为每个网格生成一个基于目标基站的阴影衰落训练集，利用对应于同一个网格的阴影衰落训练集分别训练第二预设数量的CRAT，得到第二随机森林模型作为相应网格的阴影衰落预测模型，第二预设数量为基站的总数量。

在一个例子中，对于网格内5个基站的阴影衰落，分别衍生出5份多基站阴影衰落特征输入对单基站阴影衰落特征输出的数据集。以网格gridt内预测编号为1的基站作为目标基站为例具体说明，其对应的阴影衰落训练集中的特征输入为：基站编号n＝2～4的基站在网格gridt内的阴影衰落[Dt2，Dt3，Dt4，Dt5]，监督信号为目标基站的阴影衰落Dt1，因此，阴影衰落训练集中的训练数据为[Dt2，Dt3，Dt4，Dt5，Dt1]，前4维为输入，第5维为输出。

需要说明的是，由于训练数据不够等原因，可能存在训练失败的情况，此时，需要通过对训练成功的阴影衰落预测模型进行泛化，得到训练失败的阴影衰落预测模型。具体地说，在执行步骤105之后，还需要对检测是否存在集成学习失败的网格，若存在，对集成学习成功的网格的阴影衰落预测模型按照预设方式进行泛化，得到集成学习失败的网格的阴影衰落预测模型，其中，预设方式包括：筛选阴影衰落数据的分布最接近高斯分布的网格的阴影衰落预测模型，或者，对与集成学习失败的网格相邻的集成学习成功的网格的阴影衰落预测模型进行加权组合。具体地说，通过泛化实现：若UE连接的基站与其它基站互相独立，不具有相关性，则按独立高斯分布生成该基站的阴影衰落随机值；若UE连接的基站与其它基站相关，其它基站已有UE测量数据，且已有建立的阴影衰落随机森林模型，则将其他基站的UE测量数据，通过路径损耗随机森林模型将大尺度衰落解耦出路径损耗和阴影衰落，然后将解耦得到的阴影衰落输入阴影衰落随机森林模型中，求解待预测UE的阴影衰落；若UE连接的基站与其它基站相关，未有足够的阴影衰落训练集训练阴影衰落随机森林模型，但有部分UE的测量数据：按第7步的泛化方式选择其它网格内适用的随机森林模型求解；若UE连接的基站与其它基站相关，但缺失较多UE的测量数据导致没有阴影衰落随机森林模型、也没有阴影衰落初始值而无法求解：首先如上所述的泛化方式选择其它网格内已有的阴影衰落随机森林模型，然后对缺失测量数据的UE进行随机赋值初始阴影衰落，循环使用阴影衰落随机森林模型依次更新迭代阴影衰落，设定迭代次数或与上一次计算结果的误差作为收敛条件，直至迭代计算完成。

其中，在UE连接的基站与其它基站相关，其它基站已有UE测量数据，且已有建立的阴影衰落随机森林模型的情况下，假设选取某个处于该情形的网格进行验证且待预测的10个UE解耦得到的阴影衰落值和模型预测结果，则得到如下表格：

由上表可知，预测值和解耦得到的目标值比较接近，预测的阴影衰落的平均绝对误差为4.5dB。

在UE连接的基站与其它基站相关，未有足够的阴影衰落训练集训练阴影衰落随机森林模型，但有部分UE的测量数据，假设选取某个处于该情形的网格进行验证且待预测的10个UE解耦得到的阴影衰落值和模型预测结果，则得到如下表格：

由上表可知，预测的阴影衰落的平均绝对误差的均值为5.4dB。

而在与其它基站相关，但缺失较多UE的测量数据导致没有阴影衰落随机森林模型、也没有阴影衰落初始值而无法求解的情况下，选择某数据充分的网格，假设网格内丢失较多数据，然后模拟数据的生成再进行对比查看误差。此时首先要解决模型的选择问题，由于缺失数据无法得到阴影衰落的统计分布，所以选择第7步中的第二种泛化方式，即选取相邻网格的随机森林模型进行预测。然后需解决模型数据的输入问题，通过随机赋初值然后迭代计算直至结果收敛。

在本实施例中，假设编号eNB

由上表可知，3个基站预测的阴影衰落的平均绝对误差的均值分别为6.8dB、7.1dB、6.2dB。

值得一提的是，在部分网格对应的阴影衰落数据不充分或者不完整导致无法成功训练出阴影衰落预测模型的情况下，仍然能够为每个网格生成相对准确可靠的阴影衰落预测模型。

此外，根据以上表格的数据可以看出，在各种情况下，基于本实施例的建模方法都可以计算预测出精度较高的阴影衰落。并且由于路径损耗的模型误差都累积到阴影衰落处，所以以上计算的阴影衰落绝对误差即为总体的大尺度衰落误差，平均绝对百分比误差低于3％，精度较高。

本申请的实施例另一方面还提供了一种信道大尺度衰落的估计方法，信道大尺度衰落的估计方法的流程如图2所示，包括：

步骤201，获取待测信道的路径损耗参数。

本实施例中，路径损耗参数包括基站工参信息和目标区域中的UE测量数据。

在一个例子中，路径损耗参数可以包括：基站名称、基站经度、基站纬度、基站天线高度、基站覆盖的UE高度、UE的经度、UE的纬度和中心频点。

步骤202，将路径损耗参数分别输入路径损耗预测模型和阴影衰落预测模型，得到路径损耗预测模型输出的路径损耗预测值和阴影衰落预测模型输出的阴影衰落预测值。

需要强调的是，路径损耗预测模型和阴影衰落预测模型是通过如上实施例所述的信道大尺度衰落的建模方法得到的。

值得一提的是，由于上述信道大尺度衰落的建模方法通过利用路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，从而训练得到阴影衰落预测模型，实现对路径损耗和阴影衰落分别建模，避免单一建模导致的模型不准确的问题，同时由于训练阴影衰落预测模型的阴影衰落数据是根据路径损耗预测模型得到的，因此，即使路径损耗预测模型存在一定误差，但是这个误差会通过阴影衰落数据累计到阴影衰落部分进行建模处理，当阴影衰落的模型构建精确时，将使得路径损耗和阴影衰落的叠加计算结果无限逼近真实的大尺度衰落，保证了在大尺度衰落整体上的准确性，从而利用该路径损耗预测模型和阴影衰落预测模型能够准确地估计出信道的真实大尺度衰落值，便于后续进行分析和处理。

步骤203，将路径损耗预测值和阴影衰落预测值之和作为待测信道的大尺度衰落估计值。

需要说明的是，大尺度衰落包括路径损耗和阴影衰落，在建模过程中由于两者特性不同，如阴影衰落服从高斯分布而路径损耗并不具有这一特性，因此，为了准确地对大尺度衰落进行建模，需要从路径损耗和阴影衰落两方面分别进行，但是实际对大尺度衰落进行估计的过程中，需要将路径损耗和阴影衰落整体看待，即大尺度衰落的估计值需要同时包括路径损耗和阴影衰落。

此外，应当理解的是，上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本申请的实施例另一方面还提供了一种信道大尺度衰落的建模系统，信道大尺度衰落的建模系统的结构示意如图3所示，包括：

第一获取模块301，用于获取目标区域内的路径损耗参数和大尺度衰落数据，目标区域为若干基站共同覆盖的区域。

第一训练模块302，用于将路径损耗参数和大尺度衰落数据作为训练数据进行集成学习，得到路径损耗预测模型。

解耦模块303，用于根据路径损耗预测模型解耦大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据。

处理模块304，用于对目标区域进行网格化，得到若干个网格并将阴影衰落数据划分到相应的网格中。

第二训练模块305，用于根据各个网格内的阴影衰落数据进行集成学习，得到各个网格的阴影衰落预测模型。

不难发现，本实施例为与信道大尺度衰落的建模方法的实施例相对应的系统实施例，本实施例可与信道大尺度衰落的建模方法的实施例互相配合实施。信道大尺度衰落的建模方法的实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在信道大尺度衰落的建模方法的实施例中。

值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。

本申请的实施例另一方面还提供了一种信道大尺度衰落的估计系统，信道大尺度衰落的估计系统的结构示意如图4所示，包括：

第二获取模块401，用于获取待测信道的路径损耗参数。

预测模块402，用于将路径损耗参数分别输入路径损耗预测模型和阴影衰落预测模型，得到路径损耗预测模型输出的路径损耗预测值和阴影衰落预测模型输出的阴影衰落预测值，其中，路径损耗预测模型和阴影衰落预测模型是通过如上所述的信道大尺度衰落的建模方法得到的。

结果生成模块403，用于将路径损耗预测值和阴影衰落预测值之和作为待测信道的大尺度衰落估计值。

不难发现，本实施例为与信道大尺度衰落的估计方法的实施例相对应的系统实施例，本实施例可与信道大尺度衰落的估计方法的实施例互相配合实施。信道大尺度衰落的估计方法的实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在信道大尺度衰落的估计方法的实施例中。

值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。

本申请的实施例另一方面还提供了一种电子设备，如图5所示，包括：至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行，以使至少一个处理器501能够执行上述任一方法实施例所描述的信道大尺度衰落的建模方法。

其中，存储器502和处理器501采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器501和存储器502的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器501处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传输给处理器501。

处理器501负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器502可以被用于存储处理器501在执行操作时所使用的数据。

本发明的实施例另一方面还提供了一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。