CC BY
23======================================Известия вузов России. Радиоэлектроника. 2003. Вып. 3
УДК 621.396.2
С. Р. Ли
Военный университет связи
Нейросетевой подход для прогноза зоны радиопокрытия при планировании современных сетей связи с подвижными объектами
Основная функциональная задача сети радиосвязи -предоставление услуг абонентам в заданной зоне радиопокрытия, поэтому важными и необходимыми элементами проектирования сетей радиосвязи являются предварительная оценка и расчет планируемой зоны обслуживания. Основой для проектирования сетей радиосвязи служит прогноз напряженности поля. Рассмотрена нейросетевая модель для прогноза напряженности поля, базирующаяся на топографических и морфографических данных.
Прогноз напряженности поля, нейронная сеть
Этап территориального планирования является одним из основных при проектировании сетей связи с подвижными объектами (ССПО). В ходе его исполнения выбирается структура (конфигурация) сети места размещения базовых станций (БС), рассчитываются возможность обеспечения охвата (покрытия) требуемой зоны обслуживания с заданным качеством связи и емкость сети.
В качестве технических основ планирования используются характеристики стандартов ССПО, характеристики приемопередающего оборудования и антенн, условия распространения радиоволн, требуемая напряженность поля полезного сигнала, средняя нагрузка на одного абонента, допустимое значение вероятности блокирования вызовов [1].
Прогноз напряженности поля - центральное и наиболее важное требование для планирования современных систем подвижной радиосвязи - является основой для численных расчетов их характеристик. Число переменных параметров, таких как расположение базовых станций, высоты антенн, модели излучения базовой антенны и пр., могут быть изменены для удовлетворения требований потребителя по охвату, по емкости каналов и т. д. Несмотря на то, что имеющиеся на данный момент инструменты планирования вполне эффективны, повышение гибкости, точности расчетов и надежности остаются актуальными. При расчете напряженности поля в системах подвижной радиосвязи наиболее широко используются эмпирико-статистические подходы. Эмпирические графики, полученные Окамурой [2], и порядок расчетов с их помощью изложены в известных монографиях [3], [4]. Однако применение графиков для расчета связано со значительными неудобствами. Другая аналитическая модель была получена М. Хата [5] как результат прямой аппроксимации кривых Окамуры. Модель Хата не охватывает всех результатов, полученных Ока-мурой, и справедлива лишь для случая квазиплоского города при определенных ограни© С . Р. Ли, 2003 35
Известия вузов России. Радиоэлектроника. 2003. Вып. 3======================================
чениях. Сравнение результатов, полученных с использованием моделей Хата и Олсбрука-Парсона [6], показывает, что оба метода удовлетворительно передают зависимость медианного значения потерь передачи от расстояния, частоты и т. п. Наряду с этим в силу принятых упрощений ряд зависимостей определяется менее точно. Кроме эмпирических имеются статистические модели прогноза, вывод которых основывается на аналитическом подходе. Следует заметить, что статистические методы по самой своей сути не обеспечивают возможностей учета индивидуальных особенностей трасс. Наряду с эмпирико-статистическими используются и детерминированные подходы к определению напряженности поля в городских условиях [7]. Цель последних - снижение значения дисперсии прогнозируемых величин более точным учетом особенностей конкретных трасс (в том числе планировки района, рельефа местности и т. п.). Очевидно, что детерминированный метод расчета поля затруднителен не только из-за очень большого объема вычислений, но и из-за невозможности, даже в приближениях физической оптики или геометрической теории дифракции, с достаточной точностью априорно задать некоторые эквивалентные коэффициенты отражения от всех встречающихся в городской застройке типов зданий с учетом неоднородности поверхности стен и сложной конфигурации.
Для повышения точности прогноза модели распространения радиоволн должны быть адаптированы к каждому специальному случаю. Как следствие, очевидна необходимость разработки системы прогноза с высокой структурной гибкостью.
Применение эмпирического метода прогнозирования напряженности поля, основанного на использовании нейронных сетей (НС), позволяет устранить отмеченные недостатки. В этом случае НС решает задачу аппроксимации некоторой функции по имеющимся значениям напряженности поля радиосигнала в ряде точек (рис. 1), в которых осуществляются расчет или измерение данной величины.
Информация для НС, снимаемая с этих точек, является обучающим множеством.
На вход НС подается приведенная к дискретной форме информация о рельефе и подстилающей поверхности, об относительных высотах антенн, о расстоянии между БС и
Таблица 1
№ п/п hi, м h2, м hm , м Нбс , м hMC, м f МГц AS, м Rk, км Lp, дБ
1 380 390 310 30 1.5 900 200 0.2 21.5
2 380 390 310 30 1.5 900 200 0.4 21.8
3 380 390 310 30 1.5 900 200 0.6 22.0
N 380 390 310 30 1.5 900 200 10 75.3
Тестовая точка напряженности поля
======================================Известия вузов России. Радиоэлектроника. 2003. Вып. 3
мобильной станцией (МС), о рабочей частоте (см. табл. 1, содержащую исходные данные к анализу для одного направления связи) и т. д.
На рис. 2 показан профиль трассы между БС и МС. Относительные высоты профиля отсчитываются на расстоянии определенного и равномерного шага.
И
БС
Профиль трассы
ЭППР
И
Рис. 2
В качестве элементарной площадки пространственного разрешения (ЭППР) выбран квадрат со стороной 200 м.
Использование цифровых карт местности (ЦКМ) позволяет полностью автоматизировать получение для НС информации, в которой содержатся данные о рельефе и местных предметах.
На выходе моделируемой нейросети формируются либо величина потерь Ьр, полученная в результате предварительно проведенных измерений значений напряженности поля в заданной точке ЭППР зоны обслуживания, либо результаты аналитического расчета основных потерь передачи в ССПО на основе известных математических моделей Оку-муры-Хаты, Олсбрука-Парсона и др.
Среднее значение напряженности поля еср, измеренной в конце профиля трассы
рассчитывается по формуле [8]:
еср = е0 ,г) + Е^ф)/Етах + /тп (ИЬ Ит; С Як )
(1)
где ео (Р,г) - напряженность поля в свободном пространстве; Е (6, ф) - напряженность поля сигнала антенны в выбранном направлении (9, ф - углы в вертикальной и в горизонтальной плоскостях соответственно, отсчитанные в направлении максимума излучения [9]); /тп (И1, ..., Ит; С1, ..., с; Як) - некоторая функция, зависящая от дискретно представленных топографических и морфографических данных; И1, ..., Ит, т = к +1 - топографические высоты; С1, ..., сп - числовые коды исследуемой ЭППР по данным цифровой карты, соответствующие профилю трассы до этой ЭППР.
Первые два слагаемых в выражении (1) рассчитываются достаточно просто, поэтому модель нейронной сети может быть хорошо обучена "черным" ящиком, генерирующим
Известия вузов России. Радиоэлектроника. 2003. Вып. 3======================================
параметр fmn (hi, ..., hm; ..., с; Rk). Из точек, где производится измерение параметров среды распространения в (n + m +i) -мерном пространстве, можно получить выборки
для обучения модели нейронной сети.
Диапазон средних значений напряженности поля во многом определяется распространением радиоволн в свободном пространстве е0 (р, r). Для повышения точности аппроксимации вклад е0 (Pt, r) вычисляется аналитически и исключается из процесса обучения.
При расчете зоны покрытия (ЗП) для каждого профиля трассы определяется уровень электромагнитного поля в точках на трассе, взятых с шагом 200 м (рис. 3). Все точки, для которых рассчитанное значение напряженности поля превышает минимально допустимую напряженность поля полезного сигнала Emjn, объединяются в единый картографический объект (регион) ЗП.
Параметры НС настраиваются таким образом, чтобы для любой входной комбинации погрешность значения формируемого на выходе НС была минимальна.
Важнейшее свойство НС - способность к обучению и обобщению накопленных знаний. НС обладает чертами искусственного интеллекта [10]. Натренированная на ограни-
Максимальный радиус зоны обслуживания
Точка ЭППР, в которой измерена значение затухания радиоволны
Рис. 3
======================================Известия вузов России. Радиоэлектроника. 2003. Вып. 3
ченном множестве данных сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся в процессе обучения. Географическая информационная система используется как система представления информации для НС. В итоге решается такая задача, как повышение оперативности и обоснованности решений, принимаемых при выборе мест размещения радиоизлучающих средств, за счет интеллектуального анализа влияния земной поверхности и местных предметов на распространение УКВ-радиосигналов. В частности, такая НС может применяться для оптимального планирования систем подвижной радиосвязи и организационно-технического управления ими.
Представленная в дискретном виде информация о частоте, о высотах антенн, о топографии и поверхности участка земли, нормализуется и передается в НС как входные значения. Для проведения эксперимента по доказательству способности НС аппроксимировать входную функцию будем использовать блоки входных данных, соответствующих параметрам Иq = ..., Ыт}, Як . На рис. 4 представлена структурная схема модели НС.
Профиль трассы
Й1
Ы
Ы
Ы
ы
ы
Интерполяция, дискретизация
* Н л я ■ I
Нормализация
Переменные профиля трассы (высоты) из базы данных ЦКМ
Предобработка т входных данных в (т -1) входов
Нейроны (блоки)
Веса
Веса ы,, у ^- Скрытый слой
Выходной слой
Пост-обработка выходных данных
Денормализация
Рис. 4
Результаты использования НС для прогнозирования напряженности поля можно рассмотреть на следующем примере. Обучающая выборка для НС была создана из данных профиля рельефа одного направления связи. Использовалась хорошо известная формула Хата [5], отражающая эмпирическую аппроксимацию потерь при распространении Ьр в
условиях городской застройки:
+
Известия вузов России. Радиоэлектроника. 2003. Вып. 3======================================
Lp = 69.55 + 6.16lg (f ) -13.82 lg (h бс )-[l.llg (f ) - 0.7 ] h uc +[l.56lg ( f ) - 0.8] +
~ 44.9 - 6.55 lg (h бс )] lg (Rk ), (2)
где Lp измеряется в децибелах; f - в мегагерцах; hEC и hMC - в метрах; Rk - в километрах.
Диапазоны изменения: частоты f - 150.. .300 МГц с шагом 50 МГц, hEC - 30.. .60 м с шагом 5 м, hMC - 1.5.3 м с шагом 0.5 м, дальности Rk - 0.2.5 км с шагом 0.2 км.
НС со структурой многослойного персептрона (МСП) имеет 30 входных нейронов, скрытый слой содержит 16 нейронов и один нейрон имеется на выходе. Процедура обучения НС представляет собой решение проблемы многопространственной оптимизации. Каждую эпоху обучения можно сопоставить одному шагу оптимизации. В качестве функции активации для НС выбран гиперболический тангенс. Во время процедуры обучения в качестве критерия для определения качества используется среднеквадратическое отклонение ошибки выходного значения сети
1 N
N ^ (LP, i - LP, net, i) М = '=1
(Lp, max — Lp, min
где Lp net i - потери радиоволн при распространении, полученные на выходе НС.
После успешной процедуры обучения, свойства которой таковы, что она приближает к нулю выбранный критерий качества, рассчитывается модель сети, которая будет способна решить поставленные проблемы. Для достижения хорошей точности все пространство входных параметров должно быть охвачено выборками обучения.
Применение нейросетевого подхода по сравнению с формулой Хата [5] дает более точный результат (см. табл. 2, где представлены результаты после 10 000 эпох обучения).
Таблица 2
Параметр Выборки
обучения тестовые
Число выборок (наблюдений) N 1226 1226
Средняя ошибка потерь радиоволн при распространении ц^, дБ 0.0007 - 0.04
Стандартное отклонение потерь радиоволн при распространении ст^, дБ 0.0180 0.02
Таким образом, представленный в статье подход, включающий набор исходных данных в соответствии с табл. 1 и использование НС-модели по рис. 1 и выражению (2), позволяет решить задачу прогнозирования зоны покрытия системы связи с подвижными объектами. Приведенные результаты наглядно демонстрируют эффективность использо-
======================================Известия вузов России. Радиоэлектроника. 2003. Вып. 3
вания представленного способа для решения задачи прогноза. Погрешность прогноза во многом зависит от значимости выбранных аргументов прогноза.
Библиографический список
1. Бабков В. Ю., Михайлов П. А., Смирнов Д. А. Методы и алгоритмы частотно-территориального планирования сотовых сетей подвижной радиосвязи на основе геоинформационной базы данных // "Региональная информатика-98": Тез. докл. VI Санкт-Петербургской международной конференции, 2-4 июня 1998 г. Ч. 1. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 1998. С. 57.
2. Okumura Y. Field strength and its variability in VHF and UNF land mobile radio service // Rev. ECL. 1968. Vol. 16, № 9. 10. P. 825-873.
3. Ли У. Техника подвижных систем связи / Пер. с англ. М.: Радио и связь, 1985. 392 с.
4. Связь с подвижными объектами в диапазоне СВЧ / Под ред. У. К. Джейкса. М. : Связь. 1979. 520 с.
5. Hata M. Empirical formula for propagation loss and land mobile radio services // IEEE Trans. on Veh. Tech-nol. 1980. Vol. VT-29, № 3. P. 317-325.
6. Delise G. Y. Propagation loss prediction: A comparative study with application to the radio mobile channel // IEEE Trans. on Veh. Technol. 1985. Vol. VT-34, №2. P. 86-95.
7. Бабков В. Ю., Вознюк М. А., Михайлов П. А. Сети мобильной связи. Частотно-территориальное планирование / СПбГУТ. СПб., 2000. 196 с.
8. Stocker K. E., Landstorfer F. M. Empirical prediction of radiowave propagation by neural network simulator // Electronics letters. 1992. Vol. 28. June. P. 1177-1178.
9. Серков В. П., Слюсарев П. В. Теория электромагнитного поля и распространение радиоволн: В 2 ч.
4. 2. Распространение радиоволн / Воен. акад. связи. Л., 1973. 255 с.
10. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Пер. с англ. М.: Мир, 1992. 240 с.
5. R. Li
Military university of communication
Neural Network Approach for the Prediction of Radiocovered Zone for Planning Modern Mobile Radio Communication Systems
The basic functional problem of a network of a radio communication is granting services to subscribers in the given radiocovered zone, therefore the important and necessary element of designing of a radio communication networks is the tentative estimation and calculation of a planned zone of service. A basis at planning of a radio communication networks is a field strength prediction. Neural network approach for the prediction of field strength based on topographical and morphgraphical data are presented.
Field strength prediction, neural network
Статья поступила в редакцию 26 июня 2003 г.
