无线信号衰减的分析方法、装置及计算机设备

技术领域

本发明实施例涉及通信技术领域，具体涉及一种无线信号衰减的分析方法、无线信号衰减的分析装置、计算机设备及计算机可读存储介质。

背景技术

目前，AI技术已成功的应用于诸多行业及其相关领域。成功的主要原因之一在于神经网络具有广泛的通用性，几乎可以模仿任何的函数形式，只要用正确的数据进行合理的训练就可以获得远优于传统方法的效果，如DNN，CNN和RNN网络这三类典型的神经网络以成功的应用于各行各业。电磁传播通常有以下几类路径：直射，绕射，衍射，反射和透射。传统模型是以电磁传播路径为基础。如SPM模型考虑直射和山体的衍射，三维射线模型考虑的路径信息更为全面。因此，通常三维射线模型会优于传统模型。地理环境信息形成多径信息，多径信息是地理环境的产物，只是在过去没有一种方法能够将地理信息和传播模型直接建立联系，不得不依赖经典物理学的方法进行近似等价。然而现有传播模型不能有效的用于分析地理环境对无线信号的衰落。

发明内容

鉴于上述问题，本发明实施例提供了一种无线信号衰减的分析方法、无线信号衰减的分析装置、计算机设备及计算机可读存储介质，用于解决现有技术中存在的现有传播模型不能有效的用于分析地理环境对无线信号的衰落的问题。

根据本发明实施例的一个方面，提供了一种无线信号衰减的分析方法，所述方法包括：

获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；

将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；所述目标地理特征向量为任意一个所述地理特征维度的地理特征向量；

分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；

根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果；所述目标地理特征维度对应所述目标地理特征向量。

在一种可选的方式中，所述分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率之前，所述方法还包括：

将样本地理特征向量集合输入预设的神经网络进行训练，得到所述迁移网络传播模型；所述样本地理特征向量集合包括多个样本地理特征维度的样本地理特征向量。

在一种可选的方式中，所述样本地理特征向量集合包括收发端的距离特征维度的样本距离特征向量、天线增益特征维度的样本天线增益特征向量、收发天线相对高度维度的样本收发天线相对高度特征向量、近距离地物类型维度的样本近距离地物类型特征向量、室内或户外用户维度的样本用户特征向量、近距离地物类型的遮挡维度对应的样本近距离地物类型的遮挡特征向量、收发端室内距离和室外距离维度的样本收发端室内距离和室外距离向量，及收发端欧式距离上的各类地物类型的距离长度维度的样本长度特征向量；

所述将样本地理特征向量集合输入预设的神经网络进行训练，得到迁移网络传播模型，进一步包括：

以所述样本距离特征向量、样本天线增益特征向量、样本收发天线相对高度特征向量、样本用户特征向量、样本近距离地物类型的遮挡特征向量、样本收发端室内距离和室外距离向量，及样本长度特征向量作为输入，以对应的样本场强作为输出，对预设的第一多层感知机进行训练，得到迁移网络；

以所述样本近距离地物类型特征向量及所述迁移网络的输出作为第二多层感知机的输入，以所述样本场强作为输出，对所述第二多层感知机进行训练，得到地物类型网络；

根据所述迁移网络、所述地物类型网络及功率修正量，得到所述迁移网络传播模型。

在一种可选的方式中，所述近距离地物类型维度是指收发端的欧式距离连线上距离收端最近的m个栅格地物类型；

根据按照预设的编码规则，对所述m个栅格地物类型依次进行编码，得到m个初始整形向量；

将所述m个初始地物类型特征向量由近及远按顺序排列组成所述地物类型特征向量。

在一种可选的方式中，所述根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，包括：

通过以下公式，得到所述衰减分析结果：

其中，

在一种可选的方式中，所述根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果之后，所述方法还包括：

根据各个所述地理特征维度对应的衰减分析结果，确定各个地理特征维度对网络的影响；

根据各个地理特征维度，对所述网络进行优化。

根据本发明实施例的另一方面，提供了一种无线信号衰减的分析装置，包括：

获取模块，用于获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；

处理模块，用于将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；所述目标地理特征向量为任意一个所述地理特征维度的地理特征向量；

预测模块，用于分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；

分析模块，用于根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果；所述目标地理特征维度对应所述目标地理特征向量。

在一种可选的方式中，所述装置进一步包括：

确定模块，用于根据各个所述地理特征维度对应的衰减分析结果，确定各个地理特征维度对网络的影响；

优化模块，用于根据各个地理特征维度，对所述网络进行优化。

根据本发明实施例的另一方面，提供了一种计算机设备，包括：

处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行所述的无线信号衰减的分析方法的操作。

根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算机设备上运行时，使得计算机设备执行所述的无线信号衰减的分析方法的操作。

本发明实施例通过获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，能够有效利用传播模型分析地理环境对无线信号的衰落的影响。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的无线信号衰减的分析方法的流程示意图；

图2示出了本发明实施例提供的无线信号衰减的分析方法中收发端的距离特征维度的示意图；

图3示出了本发明实施例提供的无线信号衰减的分析方法中天线增益特征维度的示意图；

图4示出了本发明实施例提供的无线信号衰减的分析方法中收发天线相对高度维度的示意图；

图5示出了本发明实施例提供的无线信号衰减的分析方法中近距离地物类型维度的示意图；

图6示出了本发明实施例提供的无线信号衰减的分析方法中近距离地物类型的遮挡维度的示意图；

图7示出了本发明实施例提供的无线信号衰减的分析方法中室内或户外用户维度的示意图；

图8示出了本发明实施例提供的无线信号衰减的分析方法中收发端欧式距离上的各类地物类型的距离长度维度的示意图；

图9示出了本发明实施例提供的无线信号衰减的分析方法中迁移网络传播模型的训练示意图；

图10示出了本发明实施例提供的无线信号衰减的分析装置的结构示意图；

图11示出了本发明实施例提供的计算机设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。

图1示出了本发明实施例提供的无线信号衰减的分析方法的流程图，该方法由计算机设备执行。该计算机设备可以为个人计算机、平板电脑、智能终端、云计算设备、分布式设备等，本发明实施例不做具体限制。如图1所示，该方法包括以下步骤：

步骤110：获取待分析的原始地理特征向量集合。

其中，所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量。本发明实施例中，该多个地理特征维度具体可以包括收发端的距离特征维度、天线增益特征维度、收发天线相对高度维度、近距离地物类型维度、室内或户外用户维度、近距离地物类型的遮挡维度、收发端室内距离和室外距离维度，及收发端欧式距离上的各类地物类型的距离长度维度。

具体地，如图2所示，收发端的距离特征维度通过计算收发两端的欧式距离d，并取对数得到。其中，该收发端的距离特征维度的距离特征向量可以表示为：log(1+d)。如图3所示，示出了天线增益维度的天线增益图。其中，可以基于收发两端的水平角度和垂直角度来读取天线文件增益，通过水平和垂直夹角读取天线方向图对应的增益G(θ,β)，从而得到天线增益特征向量。对于收发位置相对高度维度，如图4所示，在数字地图中标识高度的信息有三类：海平面、地势高度和建筑物高度(含天线挂高)，收发位置的相对高度是这些高度的差。其中，发射端绝对高度H

近距离栅格根据地物类型编码表完成编码后，以收端为起点，由近及远的向量组按顺序作为神经网络的输入。在地图精度5米条件下，m可以为5个近距离栅格，即输入5个，长度为20的one-hot向量，考虑收端25米范围内的地理信息。当收发两端不足25米时，用0向量补齐。

本发明实施例中，对于室内或户外用户维度，可通过通过0表示室外用户，1表示室内用户，从而得到室内或户外用户特征向量。如图6所示，对于近距离地物类型的遮挡维度，在近距离地物类型中，对信号的传播影响较大，因此，对于近距离地物类型特征向量，若收端和发端存在遮挡，该特征1，否则为0。对于收发端室内距离和室外距离维度，由于建筑物遮挡会有造成信号的衰落，因此如图7所示，d0表示没有遮挡的距离，d1表示建筑物遮挡的距离，将d0和d1分别累加，形成收发端总的遮挡距离和总的无遮挡距离，并取对数形式D0和D1，得到1X2维的收发端室内距离和室外距离特征向量，如：(D0＝log(1+∑d0)，D1＝log(1+log(1+∑d1))。对于收发端欧式距离上的各类地物类型的距离长度维度，如图8所示，收发端欧式距离上会经过多种地物类型，统计每个地物类型的长度，Ci表示第i中地物类型，统计每种Ci的欧式距离长度D

这8种地理特征维度的地理特征向量构成本发明实施例的原始地理特征向量集合(f

步骤120：将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合。

本发明实施例中，将其中一个地理特征向量置为预设向量，从而可以得到新的地理特征向量集合，也即目标地理特征向量集合

步骤130：分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率。

本发明实施例中，在分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率之前，还将样本地理特征向量集合输入预设的神经网络进行训练，得到所述迁移网络传播模型；所述样本地理特征向量集合包括多个样本地理特征维度的样本地理特征向量。所述样本地理特征向量集合包括收发端的距离特征维度的样本距离特征向量、天线增益特征维度的样本天线增益特征向量、收发天线相对高度维度的样本收发天线相对高度特征向量、近距离地物类型维度的样本近距离地物类型特征向量、室内或户外用户维度的样本用户特征向量、近距离地物类型的遮挡维度对应的样本近距离地物类型的遮挡特征向量、收发端室内距离和室外距离维度的样本收发端室内距离和室外距离向量，及收发端欧式距离上的各类地物类型的距离长度维度的样本长度特征向量。具体地，如图9所示，本发明实施例中进行两次训练，以所述样本距离特征向量、样本天线增益特征向量、样本收发天线相对高度特征向量、样本用户特征向量、样本近距离地物类型的遮挡特征向量、样本收发端室内距离和室外距离向量，及样本长度特征向量作为输入，以对应的样本场强作为输出，对预设的第一多层感知机进行训练，得到迁移网络。然后，以所述样本近距离地物类型特征向量及所述迁移网络的输出作为第二多层感知机的输入，以所述样本场强作为输出，对所述第二多层感知机进行训练，得到地物类型网络。其中，两次训练的训练样本的样本数据不同。最后，根据所述迁移网络、所述地物类型网络及功率修正量，得到所述迁移网络传播模型。其中，第一次训练以场强(也即输入功率)为训练目标，训练参数包括7类，除近距离地物类型外，都参与训练，得到迁移网络。然后，将迁移网络的训练场强结果和近距离地物类型作为地物类型网络训练的输入，同样与场强作为训练目标，得到地物类型网络。其中，近距离地物类型维度near_vector的数据维度为1*(m*n)，采用one-hot-vector编码，这种编码方式是一种稀疏形式，导致网络规模较大，放入第二次训练的好处是极大的减少网络参数和复杂度，且物理意义比较清晰，近距离的地物类型是一种传播场强的修正量，进一步提升模型的合理性和准确性。在整体训练完成后，预测时需要加入功率修正量。由于发射功率未作为神经网络的输入，而功率的影响是线性变化，因此，在实际预测接收功率时，需要叠加一个修正量。也即，训练完成的迁移网络传播模型包括迁移网络、所述地物类型网络及功率修正量。

在得到该迁移网络传播模型后，分别将原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率r

步骤140：根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果。其中，所述目标地理特征维度对应所述目标地理特征向量。

本发明实施例中，通过以下公式，得到所述衰减分析结果：

其中，

f

f

f

f

f

本发明实施例中，根据各个所述地理特征维度对应的衰减分析结果，确定各个地理特征维度对网络的影响，根据各个地理特征维度，对所述网络进行优化或建设。

本发明实施例通过获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，能够有效利用传播模型分析地理环境对无线信号的衰落的影响。

图10示出了本发明实施例提供的无线信号衰减的分析装置的结构示意图。如图10所示，该装置300包括：

获取模块310，用于获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；

处理模块320，用于将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；所述目标地理特征向量为任意一个所述地理特征维度的地理特征向量；

预测模块330，用于分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；

分析模块340，用于根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果；所述目标地理特征维度对应所述目标地理特征向量。

在一种可选的方式中，所述装置进一步包括：

确定模块，用于根据各个所述地理特征维度对应的衰减分析结果，确定各个地理特征维度对网络的影响；

优化模块，用于根据各个地理特征维度，对所述网络进行优化。

在一种可选的方式中，所述分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率之前，所述方法还包括：

将样本地理特征向量集合输入预设的神经网络进行训练，得到所述迁移网络传播模型；所述样本地理特征向量集合包括多个样本地理特征维度的样本地理特征向量。

在一种可选的方式中，所述样本地理特征向量集合包括收发端的距离特征维度的样本距离特征向量、天线增益特征维度的样本天线增益特征向量、收发天线相对高度维度的样本收发天线相对高度特征向量、近距离地物类型维度的样本近距离地物类型特征向量、室内或户外用户维度的样本用户特征向量、近距离地物类型的遮挡维度对应的样本近距离地物类型的遮挡特征向量、收发端室内距离和室外距离维度的样本收发端室内距离和室外距离向量，及收发端欧式距离上的各类地物类型的距离长度维度的样本长度特征向量；

所述将样本地理特征向量集合输入预设的神经网络进行训练，得到迁移网络传播模型，进一步包括：

以所述样本距离特征向量、样本天线增益特征向量、样本收发天线相对高度特征向量、样本用户特征向量、样本近距离地物类型的遮挡特征向量、样本收发端室内距离和室外距离向量，及样本长度特征向量作为输入，以对应的样本场强作为输出，对预设的第一多层感知机进行训练，得到迁移网络；

以所述样本近距离地物类型特征向量及所述迁移网络的输出作为第二多层感知机的输入，以所述样本场强作为输出，对所述第二多层感知机进行训练，得到地物类型网络；

根据所述迁移网络、所述地物类型网络及功率修正量，得到所述迁移网络传播模型。

在一种可选的方式中，所述近距离地物类型维度是指收发端的欧式距离连线上距离收端最近的m个栅格地物类型；

根据按照预设的编码规则，对所述m个栅格地物类型依次进行编码，得到m个初始整形向量；

将所述m个初始地物类型特征向量由近及远按顺序排列组成所述地物类型特征向量。

在一种可选的方式中，所述根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，包括：

通过以下公式，得到所述衰减分析结果：

其中，

本发明实施例的无线信号衰减的分析装置的工作过程与上述方法实施例的具体方法步骤大体一致，此处不再赘述。

本发明实施例通过获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，能够有效利用传播模型分析地理环境对无线信号的衰落的影响。

图11示出了本发明实施例提供的计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。

如图11所示，该计算机设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。

其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于无线信号衰减的分析方法实施例中的相关步骤。

具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指令。

处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序410具体可以被处理器402调用使计算机设备执行以下操作：

获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；

将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；所述目标地理特征向量为任意一个所述地理特征维度的地理特征向量；

分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；

根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果；所述目标地理特征维度对应所述目标地理特征向量。

在一种可选的方式中，所述分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率之前，所述方法还包括：

将样本地理特征向量集合输入预设的神经网络进行训练，得到所述迁移网络传播模型；所述样本地理特征向量集合包括多个样本地理特征维度的样本地理特征向量。

在一种可选的方式中，所述样本地理特征向量集合包括收发端的距离特征维度的样本距离特征向量、天线增益特征维度的样本天线增益特征向量、收发天线相对高度维度的样本收发天线相对高度特征向量、近距离地物类型维度的样本近距离地物类型特征向量、室内或户外用户维度的样本用户特征向量、近距离地物类型的遮挡维度对应的样本近距离地物类型的遮挡特征向量、收发端室内距离和室外距离维度的样本收发端室内距离和室外距离向量，及收发端欧式距离上的各类地物类型的距离长度维度的样本长度特征向量；

所述将样本地理特征向量集合输入预设的神经网络进行训练，得到迁移网络传播模型，进一步包括：

以所述样本距离特征向量、样本天线增益特征向量、样本收发天线相对高度特征向量、样本用户特征向量、样本近距离地物类型的遮挡特征向量、样本收发端室内距离和室外距离向量，及样本长度特征向量作为输入，以对应的样本场强作为输出，对预设的第一多层感知机进行训练，得到迁移网络；

以所述样本近距离地物类型特征向量及所述迁移网络的输出作为第二多层感知机的输入，以所述样本场强作为输出，对所述第二多层感知机进行训练，得到地物类型网络；

根据所述迁移网络、所述地物类型网络及功率修正量，得到所述迁移网络传播模型。

在一种可选的方式中，所述近距离地物类型维度是指收发端的欧式距离连线上距离收端最近的m个栅格地物类型；

根据按照预设的编码规则，对所述m个栅格地物类型依次进行编码，得到m个初始整形向量；

将所述m个初始地物类型特征向量由近及远按顺序排列组成所述地物类型特征向量。

在一种可选的方式中，所述根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，包括：

通过以下公式，得到所述衰减分析结果：

其中，

在一种可选的方式中，所述根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果之后，所述方法还包括：

根据各个所述地理特征维度对应的衰减分析结果，确定各个地理特征维度对网络的影响；

根据各个地理特征维度，对所述网络进行优化。

本发明实施例通过获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，能够有效利用传播模型分析地理环境对无线信号的衰落的影响。

本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在计算机设备上运行时，使得所述计算机设备执行上述任意方法实施例中的无线信号衰减的分析方法。

可执行指令具体可以用于使得计算机设备执行以下操作：

获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；

将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；所述目标地理特征向量为任意一个所述地理特征维度的地理特征向量；

分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；

根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果；所述目标地理特征维度对应所述目标地理特征向量。

在一种可选的方式中，所述分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率之前，所述方法还包括：

将样本地理特征向量集合输入预设的神经网络进行训练，得到所述迁移网络传播模型；所述样本地理特征向量集合包括多个样本地理特征维度的样本地理特征向量。

在一种可选的方式中，所述样本地理特征向量集合包括收发端的距离特征维度的样本距离特征向量、天线增益特征维度的样本天线增益特征向量、收发天线相对高度维度的样本收发天线相对高度特征向量、近距离地物类型维度的样本近距离地物类型特征向量、室内或户外用户维度的样本用户特征向量、近距离地物类型的遮挡维度对应的样本近距离地物类型的遮挡特征向量、收发端室内距离和室外距离维度的样本收发端室内距离和室外距离向量，及收发端欧式距离上的各类地物类型的距离长度维度的样本长度特征向量；

所述将样本地理特征向量集合输入预设的神经网络进行训练，得到迁移网络传播模型，进一步包括：

以所述样本距离特征向量、样本天线增益特征向量、样本收发天线相对高度特征向量、样本用户特征向量、样本近距离地物类型的遮挡特征向量、样本收发端室内距离和室外距离向量，及样本长度特征向量作为输入，以对应的样本场强作为输出，对预设的第一多层感知机进行训练，得到迁移网络；

以所述样本近距离地物类型特征向量及所述迁移网络的输出作为第二多层感知机的输入，以所述样本场强作为输出，对所述第二多层感知机进行训练，得到地物类型网络；

根据所述迁移网络、所述地物类型网络及功率修正量，得到所述迁移网络传播模型。

在一种可选的方式中，所述近距离地物类型维度是指收发端的欧式距离连线上距离收端最近的m个栅格地物类型；

根据按照预设的编码规则，对所述m个栅格地物类型依次进行编码，得到m个初始整形向量；

将所述m个初始地物类型特征向量由近及远按顺序排列组成所述地物类型特征向量。

在一种可选的方式中，所述根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，包括：

通过以下公式，得到所述衰减分析结果：

其中，

在一种可选的方式中，所述根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果之后，所述方法还包括：

根据各个所述地理特征维度对应的衰减分析结果，确定各个地理特征维度对网络的影响；

根据各个地理特征维度，对所述网络进行优化。

本发明实施例通过获取待分析的原始地理特征向量集合；所述原始地理特征向量集合中包括多个地理特征维度的地理特征向量；将所述原始地理特征向量集合中的目标地理特征向量置为预设向量，得到目标地理特征向量集合；分别将所述原始地理特征向量集合及所述地理特征向量集合输入预设的迁移网络传播模型中，得到第一输入功率和第二输入功率；根据所述第一输入功率、所述第二输入功率及发射功率，计算得到目标地理特征维度对应的衰减分析结果，能够有效利用传播模型分析地理环境对无线信号的衰落的影响。

本发明实施例提供一种无线信号衰减的分析装置，用于执行上述无线信号衰减的分析方法。

本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使计算机设备执行上述任意方法实施例中的无线信号衰减的分析方法。

本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的无线信号衰减的分析方法。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。

本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。