一种基于BAS-BP神经网络的无线信道预测方法
文献发布时间：2023-06-19 19:30:30
技术领域
本发明属于无线通信领域，具体涉及一种基于BAS-BP神经网络的无线信道预测方法。
背景技术
无线信道建模与仿真中，实现一种高效率、高准确性的无线信道预测方法是具有非常重要意义的。无线信道预测对无线通信的规划、运行与优化具有重要作用。在电磁波、几何光学以及一致性绕射等理论的支撑下，射线跟踪（Ray Tracing--RT）算法是一种充分考虑电磁波和周围环境相互作用的确定性预测模型，是电磁波传播预测的重要方法。
RT算法通过模拟射线的传播方式，预测电磁波在传播中的有效路径，结合不同的传播机制，该算法通过计算每条有效路径的特征参数，对接收节点处所有有效传播路径进行矢量和处理。为了保证RT算法的精确性，需要保证必要的射线发射数量、最大反射次数与最大绕射次数，这带来了巨大的计算量。
神经网络已成为无线通信领域的研究热点，国内外学者已经在此方面有了许多改进。如朱军,蒋一鸣,李凯等人提出一种基于反向传播（Back Propagation--BP）神经网络的三维无线信道特征预测模型。通过对比传统融合信道模型与BP神经网络模型，表明BP能快速预测无线信道特性，但其没有涉及BP结构在训练优化时有可能会陷入局部最优解的问题。Navabi、Bursaliog等人基于神经网络，利用基站特征和用户特征的相关性，对基站特征进行训练，以预测用户侧的特征参数。杨晋生,李亚洲等人提出一种模块化神经网络的场强预测模型，基于射线跟踪软件计算的理论值训练神经网络，通过神经网络模块化以及预测数据模块化的方式进行无线信道参数的预测。
虽然射线跟踪算法的加速方法层出不穷，但对算法效率的提升仍为有限。通过将射线跟踪算法跟各种神经网络模型相结合，能很好地解决其效率低的问题，但是神经网络模型中神经元的连接权值和阈值采用随机取值方法，存在收敛慢、易陷入局部极小值的问题。
天牛须搜索（Beetle Antennae Search-BAS）算法是2017年提出的一种元启发式算法，其算法来源于对长角天牛搜索食物行为的研究。长角天牛虫以自己的位置作为变量，食物的气味浓度作为目标函数，每一次飞行前，天牛虫会通过左右两个触角接收到的气味大小不断更迭自身的位置，从而找寻到最优解。本发明基于天牛须搜索算法提出一种基于BAS-BP神经网络的无线信道预测方法，得到很好地优化结果。
发明内容
本发明针对现有技术的不足，提出一种基于BAS-BP神经网络的无线信道预测方法，有效提升算法的预测效率和准确性。
为达到上述目的，本发明采用以下技术方案：
步骤S1：利用传统射线跟踪算法进行目标场景中多位置的无线信道参数预测，将预测值分成训练数据集和测试数据集；
步骤S2：依据传统射线跟踪算法进行预测的无线信道特征参数，建立BP神经网络无线信道预测模型；
步骤S3：基于天牛须搜索算法，优化BP神经网络无线信道预测模型；
步骤S4：将训练数据集输入到BAS-BP神经网络中进行训练；
步骤S5：将目标场景中的收发节点位置信息输入到BAS-BP神经网络中进行无线信道特征参数预测。
进一步的，所述步骤S1进行预测的无线信道参数包括：接收场强、接收功率、路径损失和时延扩展。
进一步的，所述步骤S2包括，将归一化的收发节点三维坐标值，组成六元组
其中
进一步的，所述步骤S2建立的BP神经网络无线信道预测模型是包含一个输入层、三个隐含层和一个输出层的五层神经网络模型，其中，输入层的节点数为6，隐含层的每层节点数为11，输出层的节点数为1。
进一步的，所述步骤S3是在构建的BP神经网络模型中的权值和阈值区间内，采用BAS优化BP神经网络中的权值和阈值，即通过BAS算法得到使BP神经网络输出的无线信道参数预测值与仿真值误差最小，精确度最高的权值和阈值。
进一步的，所述采用BAS算法寻求BP神经网络的最佳权值和阈值的具体过程如下：
步骤S31、初始化算法参数。定义k为空间维度，x为质心，x
步骤S32、生成初始随机搜索方向：
其中
步骤S33、确定天牛左、右须的坐标：
左须坐标：
右须坐标：
采用随机函数进行方向的选择，所以每次迭代后都需要生成新的搜索方向。
步骤S34、根据适应度函数，计算适应度值。本文将预测输出和期望输出之间的误差平方值的平均值作为个体的适应度值Loss，计算方式如下：
其中m表示神经网络输出节点总数，y
步骤S35、比较适应度值，确定搜索方向，并更新质心坐标，计算方式如下：
其中
步骤S36、更新距离和步长，计算方式如下：
其中eta_d表示距离衰减系数，
步骤S37、判断是否达到预设精度或者达到设定迭代次数，若是，则进入步骤S38，若不是，则返回步骤S32。
步骤S38、搜索结束，搜索得到的最佳质心坐标即为神经网络中神经元的权值和阈值，将其赋予BP神经网络，得到BAS-BP神经网络无线信道预测模型。
进一步的，所述步骤S34所得到的最佳质心坐标，作为BP神经网络中的初始权值和阈值进行训练。训练过程中，BP神经网络根据训练数据集不断调整权值和阈值，寻找最佳权值和阈值。
由于采用上述技术方案，本发明的有益效果为：本发明将射线跟踪算法与神经网络相结合，将算法仿真复杂度较高的部分替换为神经网络，能够有效的降低射线跟踪算法的复杂度，同时利用天牛须搜索算法对初始权值和阈值进行优化，尽可能的保证了算法预测的精确度。
附图说明
图1为本发明中基于BAS-BP神经网络的无线信道预测算法的流程图；
图2为本发明中天牛须搜索算法流程图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式所述的基于BAS-BP神经网络的无线信道预测方法，所述方法包括以下内容：
步骤S1：利用传统射线跟踪算法进行目标场景中多位置的无线信道参数预测，将预测值分成训练数据集和测试数据集；
步骤S2：依据传统射线跟踪算法进行预测的无线信道特征参数，建立BP神经网络无线信道预测模型；
步骤S3：基于天牛须搜索算法，优化BP神经网络无线信道预测模型；
步骤S4：将训练数据集输入到BAS-BP神经网络中进行训练；
步骤S5：将目标场景中的收发节点位置信息输入到BAS-BP神经网络中进行无线信道特征参数预测。
步骤S1过程解释为：进行预测的无线信道参数包括：接收场强、接收功率、路径损失和时延扩展。
步骤S2过程解释为：将归一化的收发节点三维坐标值，组成六元组
其中
建立的BP神经网络无线信道预测模型是包含一个输入层、三个隐含层和一个输出层的五层神经网络模型，其中，输入层的节点数为6，隐含层的每层节点数为11，输出层的节点数为1。
步骤S3过程解释为：在构建的BP神经网络模型中的权值和阈值区间内，采用BAS优化BP神经网络中的权值和阈值，即通过BAS算法得到使BP神经网络输出的无线信道参数预测值与仿真值误差最小，精确度最高的权值和阈值。
具体实施方式二：结合图2说明本实施方式，本实施方式是对具体实施方式一所述的基于BAS-BP神经网络的无线信道预测方法，步骤S3中，利用BAS对BP神经网络中的神经元权值和阈值进行优化，得到优化后的BP神经网络无线信道预测方法，具体过程为：
步骤S31、初始化算法参数。定义k为空间维度，x为质心，x
步骤S32、生成初始随机搜索方向：
其中
步骤S33、确定天牛左、右须的坐标：
左须坐标：
右须坐标：
采用随机函数进行方向的选择，所以每次迭代后都需要生成新的搜索方向。
步骤S34、根据适应度函数，计算适应度值。本发明将预测输出和期望输出之间的误差平方值的平均值作为个体的适应度值Loss，计算方式如下：
其中m表示神经网络输出节点总数，y
步骤S35、比较适应度值，确定搜索方向，并更新质心坐标，计算方式如下：
其中
步骤S36、更新距离和步长，计算方式如下：
其中eta_d表示距离衰减系数，
步骤S37、判断是否达到预设精度或者达到设定迭代次数，若是，则进入步骤S38，若不是，则返回步骤S32。
步骤S38、搜索结束，搜索得到的最佳质心坐标即为神经网络中神经元的权值和阈值，将其赋予BP神经网络，得到BAS-BP神经网络无线信道预测模型。