阴影衰落建模方法、装置、设备及介质与流程

1.本公开涉及通信技术领域，具体涉及一种阴影衰落建模方法、装置、计算机设备和可读介质。


背景技术：

2.研究无线信道大尺度衰落建模，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。大尺度衰落包括路径损耗和阴影衰落。路径损耗是由传播距离导致的接收功率变化，而阴影衰落是收发端存在遮挡和周围反射物的变化，导致接收端信号会在一定范围内随机变化。阴影衰落存在自相关性和互相关性，且相对路径损耗服从高斯分布，目前对阴影衰落的建模方法，一般在高斯分布的基础上通过相关性系数进行插值修正，通过该方案选取的阴影衰落值具有较大随机性，而且，相关性系数较难获取且计算的准确性较低，因而整体计算误差难以控制。


技术实现要素：

3.本公开提供一种阴影衰落建模方法、装置、计算机设备和可读介质。
4.第一方面，本公开实施例提供一种阴影衰落建模方法，所述方法包括：采集基站的工参信息和终端的测量数据；
5.根据所述测量数据将所述基站覆盖的公共区域划分为多个网格，并根据所述工参信息和所述测量数据，分别计算各所述基站在各所述网格内的阴影衰落；
6.根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数；
7.根据所述基站的阴影衰落联合概率分布参数，采用马尔可夫链蒙特卡罗mcmc算法确定样本集；
8.在所述样本集中选取阴影衰落样本点。
9.在一些实施例中，采用以下方式计算第n个基站在网格t内的阴影衰落：
10.确定第n个基站在网格t内的终端，计算第n个基站的各所述终端在网格t内的大尺度衰落；
11.根据第n个基站的各所述终端在网格t内的大尺度衰落，计算第n个基站在网格t内的大尺度衰落均值；
12.计算第n个基站的各所述终端在网格t内的大尺度衰落与第n个基站在网格t内的大尺度衰落均值的差值，得到第n个基站在网格t内的阴影衰落。
13.在一些实施例中，所述联合概率分布参数为多元正态分布参数，包括概率密度函数和基站阴影衰落的条件概率分布；所述根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数,包括：
14.根据各所述基站在同一网格内多个位置的阴影衰落，计算各基站的多维均值向量和样本协方差矩阵；
15.根据所述多维均值向量和样本协方差矩阵计算多元正态分布的概率密度函数；
16.根据所述多元正态分布的概率密度函数确定基站阴影衰落的条件概率分布。
17.在一些实施例中，在分别计算各所述基站在各所述网格内的阴影衰落之后，根据所述基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集之前，所述方法还包括：
18.计算各所述基站的阴影衰落的正态分布参数。
19.在一些实施例中，所述根据所述基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集，包括：
20.根据各所述基站的阴影衰落的正态分布参数，随机生成各基站的阴影衰落初始值；
21.根据所述各基站的阴影衰落初始值、所述概率密度函数、条件概率分布、预设的状态转移次数和预设的样本数量循环采样，根据采样结果生成样本集。
22.在一些实施例中，在计算各所述基站的阴影衰落的正态分布参数之后，所述方法还包括：
23.响应于根据各所述基站的阴影衰落的正态分布参数确定出各基站的阴影衰落不符合正态分布，重新划分所述网格。
24.在一些实施例中，所述在所述样本集中选取阴影衰落样本点，包括：
25.根据先验数据和预设的先验规则在所述样本集中选取阴影衰落样本点，所述先验数据为各所述基站在各所述网格内的阴影衰落。
26.在一些实施例中，所述根据先验数据和预设的先验规则在所述样本集中选取阴影衰落样本点，包括：
27.根据先验数据和先验规则确定样本点选择条件；
28.根据所述样本集中样本点的排序选择待选样本点，响应于当前待选样本点满足所述样本点选择条件，确定所述待选样本点为阴影衰落样本点。
29.在一些实施例中，所述mcmc算法包括：gibbs多维采样算法或m-h采样算法。
30.又一方面，本公开实施例还提供一种阴影衰落建模装置，包括数据采集模块、基站阴影衰落计算模块、联合概率分布参数估计模块、样本集确定模块、样本点确定模块，所述数据采集模块用于，采集基站的工参信息和终端的测量数据；
31.所述基站阴影衰落计算模块用于，根据所述测量数据将所述基站覆盖的公共区域划分为多个网格，并根据所述工参信息和所述测量数据，分别计算各所述基站在各所述网格内的阴影衰落；
32.所述联合概率分布参数估计模块用于，根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数；
33.所述样本集确定模块用于，根据所述基站的阴影衰落联合概率分布参数，采用马尔可夫链蒙特卡罗mcmc算法确定样本集；
34.所述样本点确定模块用于，在所述样本集中选取阴影衰落样本点。
35.又一方面，本公开实施例还提供一种计算机设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前所述的阴影衰落建模方法。
36.又一方面，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，其
中，所述程序被执行时实现如前所述的阴影衰落建模方法。
37.本公开实施例提供的阴影衰落建模方法，所述方法包括：采集基站的工参信息和终端的测量数据；根据测量数据将基站覆盖的公共区域划分为多个网格，并根据工参信息和测量数据，分别计算各基站在各网格内的阴影衰落；根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数；根据基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集；在样本集中选取阴影衰落样本点。发公开实施例基于联合概率分布的采样并确定样本，体现了阴影衰落的自相关性和互相关性，复杂度低，精度高且实现简单。
附图说明
38.图1为本公开实施例提供的阴影衰落建模方法的流程示意图一；
39.图2为本公开实施例提供的计算第n个基站在网格t内的阴影衰落的流程示意图；
40.图3为本公开实施例提供的计算基站的阴影衰落联合概率分布参数的流程示意图；
41.图4为本公开实施例提供的阴影衰落建模方法的流程示意图二；
42.图5为本公开实施例提供的采用mcmc算法确定样本集的流程示意图；
43.图6为本公开实施例提供的选取阴影衰落样本点的流程示意图；
44.图7为本公开实施例提供的阴影衰落建模装置的结构示意图。
具体实施方式
45.在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
46.如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
47.本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由
……
制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。
48.本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。
49.除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
50.本公开实施例提供一种阴影衰落建模方法，如图1所示，所述阴影衰落建模方法包括以下步骤：
51.步骤11，采集基站的工参信息和终端的测量数据。
52.基站的工参信息包括：基站名称enbn(基站编号n＝1，2，...n，下文说明中下标为n均指基站编号)、基站的经度lonn和纬度latn，基站的发射功率txn。终端的测量数据包括：基站enbn覆盖的终端的经度lon
nm
和纬度lat
nm
、(终端编号m＝1，2，...mn，mn为第n个基站覆盖的终端的数量)、终端的接收功率rsrp
nm
。
53.步骤12，根据测量数据将基站覆盖的公共区域划分为多个网格，并根据工参信息和测量数据，分别计算各基站在各网格内的阴影衰落。
54.在本步骤中，根据终端的经度lon
nm
和纬度lat
nm
，确定多个基站覆盖的公共区域，并以该公共区域的左下角为坐标原点，按网格长度l划分正方形网格并对网格进行编号，即将公共区域划分为t(网格编号t＝1,2,3...t)个网格grid
t
。根据终端的经度lon
nm
和纬度lat
nm
将各个终端在网格上的落点归类到不同网格grid
t
内。
55.计算各基站在各网格内的阴影衰落的过程后续结合图2详细说明。
56.需要说明的是，各个基站在网格t内的阴影衰落均服从均值μ
nt
约为0、标准差为σ
nt
的正态分布。
57.步骤13，根据各基站在同一网格内多个位置的阴影衰落，计算基站的阴影衰落联合概率分布参数。
58.单个基站在网格内的阴影衰落服从独立的正态分布，不同基站在同一个网格内生成的阴影衰落存在相关性，因此将n个基站在同一个网格内多个位置生成的阴影衰落作为n维随机变量[x
p1
，x
p2
，...，x
pn
]，其中p为位置点(p＝1,2,...p)，n为基站编号，p为在该网格内的终端数量，x
pn
为第n个基站在位置p的阴影衰落。
[0059]
步骤14，根据基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集。
[0060]
在本步骤中，在获得网格内n维随机变量的联合概率分布参数后，通过mcmc采样算法，获得服从该联合概率分布的样本作为网格内的阴影衰落样本。采用mcmc采样算法从联合概率分布采样得到的样本，本质上即体现了多基站阴影衰落的相关性。
[0061]
步骤15，在样本集中选取阴影衰落样本点。
[0062]
本公开实施例提供的阴影衰落建模方法，所述方法包括：采集基站的工参信息和终端的测量数据；根据测量数据将基站覆盖的公共区域划分为多个网格，并根据工参信息和测量数据，分别计算各基站在各网格内的阴影衰落；根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数；根据基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集；在样本集中选取阴影衰落样本点。发公开实施例基于联合概率分布的采样并确定样本，体现了阴影衰落的自相关性和互相关性，复杂度低，精度高且实现简单。
[0063]
在一些实施例中，如图2所示，采用以下方式计算第n个基站在网格t内的阴影衰落：
[0064]
步骤121，确定第n个基站在网格t内的终端，计算第n个基站的各终端在网格t内的大尺度衰落。
[0065]
在本步骤中，确定各基站落入各网格内的终端，分别计算这些终端的大尺度衰落。第n个基站在网格t内第q
t
个终端的大尺度衰落为(q
t
＝1,2,...q
t
，q
t
为落在网格t内的
终端总数)，可以根据以下公式(1)计算：
[0066]
其中，txn为第n个基站的发射功率，为第n个基站在网格t内第qt个终端的接收功率。
[0067]
步骤122，根据第n个基站的各终端在网格t内的大尺度衰落，计算第n个基站在网格t内的大尺度衰落均值。
[0068]
在本步骤中，对各终端在网格t内的大尺度衰落求平均，计算得到各基站在每个网格内的大尺度衰落的均值p
nt
，作为该基站在该网格内的路损基准值。
[0069]
步骤123，计算第n个基站的各终端在网格t内的大尺度衰落与第n个基站在网格t内的大尺度衰落均值的差值，得到第n个基站在网格t内的阴影衰落。
[0070]
在本步骤中，第n个基站在网格t内的阴影衰落的近似值p
n，t
可以通过以下公式(2)计算得到：
[0071]
其中，p
n，t
为第n个基站在网格t内的阴影衰落,为第n个基站在网格t内第qt个终端的大尺度衰落，为第n个基站在网格t内的大尺度衰落的均值。
[0072]
在一些实施例中，所述联合概率分布参数为多元正态分布参数，包括概率密度函数和基站阴影衰落的条件概率分布。也就是说，将n维阴影衰落随机变量[x
p1
，x
p2
，...，x
pn
]视作服从多元正态分布nn(μ，∑)，其中多元正态分布参数的均值μ为n维均值向量，方差∑为样本协方差矩阵。
[0073]
如图3所示，所述根据各基站在同一网格内多个位置的阴影衰落，计算基站的阴影衰落联合概率分布参数(即步骤13),包括以下步骤：
[0074]
步骤131，根据各基站在同一网格内多个位置的阴影衰落，计算各基站的多维均值向量和样本协方差矩阵。
[0075]
根据以下公式(3)计算样本均值向量根据以下公式(3)计算样本均值向量
[0076]
因此，根据各样本均值向量得到各基站的多维均值向量μ，
[0077]
样本离差矩阵a为n
×
n的矩阵，矩阵a内的各矩阵元素α
ij
为：
[0078][0079]
各基站的多维样本协方差阵的估计σ通过以下公式(4)计算：
[0080]
其中，a为样本离差矩阵。
[0081]
步骤132，根据多维均值向量和样本协方差矩阵计算多元正态分布的概率密度函数。
[0082]
多元正态分布的概率密度函数为：
[0083][0084]
步骤133，根据多元正态分布的概率密度函数确定基站阴影衰落的条件概率分布。
[0085]
由该多元正态分布参数，获得任一随机变量的条件概率分布：
[0086]
f(xi|x1,
…
x
i-1
,
…
,x
i+1
,
…
,xn),i＝1,2,...,n
[0087]
在一些实施例中，在分别计算各基站在各网格内的阴影衰落(即步骤12)之后，根据基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集(即步骤14)之前，如图4所示，所述阴影衰落建模方法还包括以下步骤：
[0088]
步骤13’，计算各基站的阴影衰落的正态分布参数。
[0089]
各基站的阴影衰落的正态分布参数包括均值μ
nt
和标准差σ
nt
，均值μ
nt
为各基站在各网格内的阴影衰落的均值，标准差σ
nt
为
[0090]
在一些实施例中，在计算各述基站的阴影衰落的正态分布参数(即步骤13’)之后，所述阴影衰落建模方法还可以包括以下步骤：响应于根据各基站的阴影衰落的正态分布参数确定出各基站的阴影衰落不符合正态分布，重新划分网格。在本步骤中，若均值μ
nt
不约等于0，说明基站的阴影衰落不符合正态分布，则需要重新划分网格，即执行步骤12。
[0091]
在一些实施例中，如图5所示，所述根据基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集(即步骤14)，包括以下步骤：
[0092]
步骤141，根据各基站的阴影衰落的正态分布参数，随机生成各基站的阴影衰落初始值。
[0093]
在本步骤中，根据各基站的阴影衰落的均值μ
nt
和标准差σ
nt
，随机生成各基站的阴影衰落初始值
[0094]
步骤142，根据各基站的阴影衰落初始值、概率密度函数、条件概率分布、预设的状态转移次数和预设的样本数量循环采样，根据采样结果生成样本集。
[0095]
获得网格内n维随机变量的联合概率分布的概率密度函数，以及任一随机变量的条件概率分布后，通过mcmc的多维gibbs采样算法，获得服从该联合概率分布的样本作为网格内的阴影衰落样本。
[0096]
在一些实施例中，mcmc算法可以包括：gibbs多维采样算法或m-h采样算法。以下以gibbs多维采样算法为例，对生成样本集的过程进行说明。
[0097]
采用多维gibbs采样算法进行采样获取样本，采样过程如下：
[0098]
根据多元正态分布的概率密度函数f(x1,x2,
…
,xn)、对应的所有条件概率分布f(xi|x1,
…
x
i-1
,
…
,x
i+1
,
…
,xn)、预设的状态转移次数z1和预设的样本数量z2，按照以下方式循环采样：
[0099]
for t＝0to(z1+z
2-1)：
[0100]
step 1：从条件概率中采样得到
[0101]
step 2：从条件概率中采样得到
[0102]
...
[0103]
step j：从条件概率中采样得到
[0104]
...
[0105]
step n：从条件概率中采样得到
[0106]
得到样本集该样本集即为服从联合概率分布的样本集。
[0107]
采用mcmc的gibbs多维采样算法从联合概率分布采样得到的样本，本质上即体现了多基站阴影衰落的相关性。
[0108]
在一些实施例中，所述在样本集中选取阴影衰落样本点(即步骤15)，包括以下步骤：根据先验数据和预设的先验规则在样本集中选取阴影衰落样本点，先验数据为各基站在各网格内的阴影衰落。
[0109]
为了提高阴影衰落的准确性，在步骤14生成的样本集中，基于先验数据确定阴影衰落样本点，也就是说，不能在获得的抽样样本中随机选取样本点作为某一位置的阴影衰落，而是需将已有的阴影衰落数据(即步骤12得到的各基站在各网格内的阴影衰落)作为先验数据。采用合理的先验规则选取样本点，先验规则可自定义设置，作为生成阴影衰落引入的随机性，在一定程度上可提高阴影衰落建模方法的泛化性能，提高精度。
[0110]
在一些实施例中，所述先验规则可以包括以下至少之一：先验数据的位置、先验数据的均值、先验数据的位置加权。
[0111]
在一些实施例中，如图6所示，所述根据先验数据和预设的先验规则在样本集中选取阴影衰落样本点(即步骤15)，包括以下步骤：
[0112]
步骤151，根据先验数据和先验规则确定样本点选择条件。
[0113]
步骤152，根据样本集中样本点的排序选择待选样本点，响应于当前待选样本点满足样本点选择条件，确定待选样本点为阴影衰落样本点。
[0114]
以先验数据的位置作为先验规则为例，在已知的阴影衰落数据的两个位置如p1和p2，第n个基站对应的阴影衰落数据为[x
p11
，x
p12
，...，x
p1n
]和[x
p21
，x
p22
，...，x
p2n
]，在p1和p2两个位置连线之间的位置，确定使用联合概率分布采样生成的样本点。也就是说，生成的样本点的各维阴影衰落值x
pn
需在p1和p2的各维数据的两点值之间，即采样生成的值存在于两点之间即样本选择条件可以是已知的阴影衰落的误差范围，按照样本集中样本点的排序选择待选样本点，如果待选样本点在上述已知的阴影衰落的误差范围内，且满足则确定该待选样本点为阴影衰落样本点，该待选样本点还可以作为下一次接受采样的先验数据。如果待选样本点不在上述已知的阴影衰落的误差范围内，或者不满足则继续遍历样本集，直到找到阴影衰落样本点为止。
[0115]
为清楚说明本公开实施例的方案，以下结合一具体实例，对阴影衰落建模过程进行详细说明。
[0116]
第一步：采集基站的工参信息和终端的测量数据。
[0117]
以某外场3个基站覆盖的公共区域作为应用场景进行说明，采集基站工参信息包括：基站名称enbn、基站经度lonn和纬度latn、基站发射功率txn，其中基站编号n＝1,2,3。每个基站采集10000条终端的测量数据，包括基站enbn覆盖的终端的经度lon
nm
和纬度lat
nm
、终
端的接收功率rsrp
nm
，其中，m＝1,2,...10000。
[0118]
第二步：根据终端的测量数据划分网格并获取阴影衰落的正态分布参数。
[0119]
根据终端的经、纬度范围确定3个基站覆盖的矩形公共区域，并以该公共区域的左下角为坐标原点，按正方形网格长度l＝30m划分矩形网格并进行编号，共分为t个网格grid
t
(网格编号t＝1,2,3...t)。按终端的经纬度在网格上的落点，将各终端归类到不同网格grid
t
内。
[0120]
分别计算3个基站所有终端的大尺度衰落p
nm
＝tx
n-rsrp
nm
(n＝1～3,m＝1～10000)，然后计算各基站在每个网格内的大尺度衰落均值p
nt
，作为该基站在该网格内的路损基准值。
[0121]
以第一个基站第一个网格的计算为例，第一网格内终端落点有200个，分别计算3个基站的大尺度衰落均值p
11
、p
21
、p
31
，然后分别将各基站的大尺度衰落与均值的差值作为第一个网格内终端的阴影衰落值(其中，t＝1)。根据网格内的阴影衰落值计算出均值μ
nt
和标准差σ
nt
，即为正态分布参数。同理，可求得其它基站在任一网格的阴影衰落正态分布参数。在本实施例中，各基站在各网格内的阴影衰落均值μ
nt
基本小于0.1db，约为0。
[0122]
第三步：估计阴影衰落联合概率分布参数。
[0123]
将3个基站在同一个网格内多个位置生成的阴影衰落作为三维随机变量[x
p1
，x
p2
，x
p3
]。同样以第一个网格为例，其中p为位置点(p＝1～200)，将三维阴影衰落随机变量视作服从多元正态分布nn(μ，∑)，其中多元正态分布参数的均值μ(即μ
nt
)为三维均值向量，方差∑为样本协方差矩阵。联合概率分布参数估计过程为：
[0124]
样本均值向量为：
[0125][0126]
样本均值向量作为总体均值向量的估计：
[0127][0128]
样本离差矩阵a为3
×
3的矩阵，矩阵元素为：
[0129][0130]
单个基站的样本协方差矩阵s为：
[0131]
3个基站的多维样本总体协方差矩阵的估计为：
[0132]
因此，多元正态分布的概率密度函数为：
[0133][0134]
由该多元正态分布参数，获得任一随机变量xn的条件概率分布，即获得：
[0135]
f(xi|x1，x2，x3)，i＝1，2，3
[0136]
第四步：采用mcmc算法对阴影衰落联合概率分布采样。
[0137]
同样，以第一个网格为例，获得网格内三维随机变量的多元正态分布的概率密度函数，以及任一随机变量的条件概率分布后，通过mcmc的多维gibbs采样算法，获得服从该联合概率分布的样本作为网格内的阴影衰落样本。采用多维gibbs采样算法进行采样获取样本，采样步骤如下：
[0138]
(1)采用各基站独立的正态分布参数随机生成初始状态值
[0139]
(2)根据多元正态分布的概率密度函数f(x1,x2,x3)，以及对应的所有条件概率分布f(xi|x1,x2,x3)，i＝1,2,3，设定状态转移次数阈值z1＝500，设定需要的样本个数z2＝100，按照以下方式循环采样：
[0140]
for t＝0to(z1+z
2-1)：
[0141]
step 1：从条件概率中采样得到
[0142]
step 2：从条件概率中采样得到
[0143]
step 3：从条件概率中采样得到
[0144]
得到样本集该样本集即为服从多元正态分布的样本集。
[0145]
第五步：基于先验数据确定生成的样本作为阴影衰落。
[0146]
同样，以第一个网格为例，为了提高阴影衰落的准确性，在生成的样本集中，基于先验数据确定样本点。在已知阴影衰落数据的两个位置如p1和p2，对应的先验阴影衰落数据为[x
p11
，x
p12
，x
p13
]和[x
p21
，x
p22
，x
p23
]，在两个位置连线之间的位置，确定使用联合概率分布采样生成的样本点，样本点的各维阴影衰落值x
pn
需在p1和p2的各维数据的两点值之间。如果待选样本点各维阴影衰落值位于两点之间，即且各维阴影衰落值的值满足在阴影衰落的误差范围内，则将该待选样本点作为阴影衰落样本点，并作为下一次接受采样的先验数据，否则继续选择下一个待选样本点直到找到阴影衰落样本点为止。
[0147]
本公开实施例适用于无线通信系统，包括4g lte或5g nr无线通信系统，可用于计算无线信道传输过程的阴影衰落。
[0148]
本公开实施例根据获取的历史测量数据，采用多元正态分布模型建模多基站的阴影衰落，使用mcmc算法采样获得阴影衰落样本点，基于先验阴影衰落数据确定最终阴影衰落值。本公开实施例中使用的是mcmc的gibbs多维采样算法，但不限于其它相似性或者改进型的采样算法，使用的联合概率分布函数包括但不限于多元正态分布以及其它更复杂的联合概率分布函数。本公开实施例从联合概率分布中采样，本质上体现了多基站阴影衰落的相关性，然后基于先验数据确定样本点，本质上体现了阴影衰落的自相关性且限制了样本点的随机性，提高了结果的可靠性。该建模方法简单、精度高且操作简单适用性强。
[0149]
基于相同的技术构思，本公开实施例还提供一种阴影衰落建模装置，如图7所示，
所述阴影衰落建模装置包括数据采集模块101、基站阴影衰落计算模块102、联合概率分布参数估计模块103、样本集确定模块104、样本点确定模块105，数据采集模块101用于，采集基站的工参信息和终端的测量数据。
[0150]
基站阴影衰落计算模块102用于，根据所述测量数据将所述基站覆盖的公共区域划分为多个网格，并根据所述工参信息和所述测量数据，分别计算各所述基站在各所述网格内的阴影衰落。
[0151]
联合概率分布参数估计模块103用于，根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数。
[0152]
样本集确定模块104用于，根据所述基站的阴影衰落联合概率分布参数，采用马尔可夫链蒙特卡罗mcmc算法确定样本集。
[0153]
样本点确定模块105用于，在所述样本集中选取阴影衰落样本点。
[0154]
在一些实施例中，基站阴影衰落计算模块102用于，采用以下方式计算第n个基站在网格t内的阴影衰落：确定第n个基站在网格t内的终端，计算第n个基站的各所述终端在网格t内的大尺度衰落；根据第n个基站的各所述终端在网格t内的大尺度衰落，计算第n个基站在网格t内的大尺度衰落均值；计算第n个基站的各所述终端在网格t内的大尺度衰落与第n个基站在网格t内的大尺度衰落均值的差值，得到第n个基站在网格t内的阴影衰落。
[0155]
在一些实施例中，所述联合概率分布参数为多元正态分布参数，包括概率密度函数和基站阴影衰落的条件概率分布。联合概率分布参数估计模块103用于，根据各所述基站在同一网格内多个位置的阴影衰落，计算各基站的多维均值向量和样本协方差矩阵；根据所述多维均值向量和样本协方差矩阵计算多元正态分布的概率密度函数；根据所述多元正态分布的概率密度函数确定基站阴影衰落的条件概率分布。
[0156]
在一些实施例中，基站阴影衰落计算模块102还用于，在分别计算各所述基站在各所述网格内的阴影衰落之后，计算各所述基站的阴影衰落的正态分布参数。
[0157]
在一些实施例中，样本集确定模块104用于，根据各所述基站的阴影衰落的正态分布参数，随机生成各基站的阴影衰落初始值；根据所述各基站的阴影衰落初始值、所述概率密度函数、条件概率分布、预设的状态转移次数和预设的样本数量循环采样，根据采样结果生成样本集。
[0158]
在一些实施例中，基站阴影衰落计算模块102还用于，响应于根据各所述基站的阴影衰落的正态分布参数确定出各基站的阴影衰落不符合正态分布，重新划分所述网格。
[0159]
在一些实施例中，样本点确定模块105用于，根据先验数据和预设的先验规则在所述样本集中选取阴影衰落样本点，所述先验数据为各所述基站在各所述网格内的阴影衰落。
[0160]
在一些实施例中，样本点确定模块105用于，根据先验数据和先验规则确定样本点选择条件；根据所述样本集中样本点的排序选择待选样本点，响应于当前待选样本点满足所述样本点选择条件，确定所述待选样本点为阴影衰落样本点。
[0161]
在一些实施例中，所述mcmc算法包括：gibbs多维采样算法或m-h采样算法。
[0162]
本公开实施例还提供了一种计算机设备，该计算机设备包括：一个或多个处理器以及存储装置；其中，存储装置上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如前述各实施例所提供的阴影衰
落建模方法。
[0163]
本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被执行时实现如前述各实施例所提供的阴影衰落建模方法。
[0164]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0165]
本文已经公开了示例实施例，并且虽然采用了具体术语，但它们仅用于并仅应当被解释为一般说明性含义，并且不用于限制的目的。在一些实例中，对本领域技术人员显而易见的是，除非另外明确指出，否则可单独使用与特定实施例相结合描述的特征、特性和/或元素，或可与其他实施例相结合描述的特征、特性和/或元件组合使用。因此，本领域技术人员将理解，在不脱离由所附的权利要求阐明的本发明的范围的情况下，可进行各种形式和细节上的改变。

技术特征：
1.一种阴影衰落建模方法，其特征在于，所述方法包括：采集基站的工参信息和终端的测量数据；根据所述测量数据将所述基站覆盖的公共区域划分为多个网格，并根据所述工参信息和所述测量数据，分别计算各所述基站在各所述网格内的阴影衰落；根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数；根据所述基站的阴影衰落联合概率分布参数，采用马尔可夫链蒙特卡罗mcmc算法确定样本集；在所述样本集中选取阴影衰落样本点。2.如权利要求1所述的方法，其特征在于，采用以下方式计算第n个基站在网格t内的阴影衰落：确定第n个基站在网格t内的终端，计算第n个基站的各所述终端在网格t内的大尺度衰落；根据第n个基站的各所述终端在网格t内的大尺度衰落，计算第n个基站在网格t内的大尺度衰落均值；计算第n个基站的各所述终端在网格t内的大尺度衰落与第n个基站在网格t内的大尺度衰落均值的差值，得到第n个基站在网格t内的阴影衰落。3.如权利要求1所述的方法，其特征在于，所述联合概率分布参数为多元正态分布参数，包括概率密度函数和基站阴影衰落的条件概率分布；所述根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数,包括：根据各所述基站在同一网格内多个位置的阴影衰落，计算各基站的多维均值向量和样本协方差矩阵；根据所述多维均值向量和样本协方差矩阵计算多元正态分布的概率密度函数；根据所述多元正态分布的概率密度函数确定基站阴影衰落的条件概率分布。4.如权利要求1所述的方法，其特征在于，在分别计算各所述基站在各所述网格内的阴影衰落之后，根据所述基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集之前，所述方法还包括：计算各所述基站的阴影衰落的正态分布参数。5.如权利要求4所述的方法，其特征在于，所述根据所述基站的阴影衰落联合概率分布参数，采用mcmc算法确定样本集，包括：根据各所述基站的阴影衰落的正态分布参数，随机生成各基站的阴影衰落初始值；根据所述各基站的阴影衰落初始值、所述概率密度函数、条件概率分布、预设的状态转移次数和预设的样本数量循环采样，根据采样结果生成样本集。6.如权利要求4所述的方法，其特征在于，在计算各所述基站的阴影衰落的正态分布参数之后，所述方法还包括：响应于根据各所述基站的阴影衰落的正态分布参数确定出各基站的阴影衰落不符合正态分布，重新划分所述网格。7.如权利要求1所述的方法，其特征在于，所述在所述样本集中选取阴影衰落样本点，包括：
根据先验数据和预设的先验规则在所述样本集中选取阴影衰落样本点，所述先验数据为各所述基站在各所述网格内的阴影衰落。8.如权利要求7所述的方法，其特征在于，所述根据先验数据和预设的先验规则在所述样本集中选取阴影衰落样本点，包括：根据先验数据和先验规则确定样本点选择条件；根据所述样本集中样本点的排序选择待选样本点，响应于当前待选样本点满足所述样本点选择条件，确定所述待选样本点为阴影衰落样本点。9.如权利要求1-8任一项所述的方法，其特征在于，所述mcmc算法包括：gibbs多维采样算法或m-h采样算法。10.一种阴影衰落建模装置，其特征在于，包括数据采集模块、基站阴影衰落计算模块、联合概率分布参数估计模块、样本集确定模块、样本点确定模块，所述数据采集模块用于，采集基站的工参信息和终端的测量数据；所述基站阴影衰落计算模块用于，根据所述测量数据将所述基站覆盖的公共区域划分为多个网格，并根据所述工参信息和所述测量数据，分别计算各所述基站在各所述网格内的阴影衰落；所述联合概率分布参数估计模块用于，根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数；所述样本集确定模块用于，根据所述基站的阴影衰落联合概率分布参数，采用马尔可夫链蒙特卡罗mcmc算法确定样本集；所述样本点确定模块用于，在所述样本集中选取阴影衰落样本点。11.一种计算机设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9任一项所述的阴影衰落建模方法。12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被执行时实现如权利要求1-9任一项所述的阴影衰落建模方法。

技术总结
本公开提供一种阴影衰落建模方法，包括：采集基站的工参信息和终端的测量数据；根据测量数据将基站覆盖的公共区域划分为多个网格，并根据工参信息和测量数据，分别计算各基站在各网格内的阴影衰落；根据各所述基站在同一网格内多个位置的阴影衰落，计算所述基站的阴影衰落联合概率分布参数；根据基站的阴影衰落联合概率分布参数，采用MCMC算法确定样本集；在样本集中选取阴影衰落样本点。发公开实施例基于联合概率分布的采样并确定样本，体现了阴影衰落的自相关性和互相关性，复杂度低，精度高且实现简单。本公开还提供一种阴影衰落建模装置、计算机设备和可读介质。计算机设备和可读介质。计算机设备和可读介质。


技术研发人员：廖金龙 许靖 汪波 吕星哉 芮华
受保护的技术使用者：中兴通讯股份有限公司
技术研发日：2022.03.03
技术公布日：2023/9/12