本發(fā)明涉及無線網(wǎng)，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的基站定位方法及系統(tǒng)。

背景技術(shù)：

1、為滿足無線網(wǎng)設(shè)計不斷提高的分析與規(guī)劃需求，能夠精準定位競對站點位置變的尤為重要。而基站定位作為競對站點位置定位的核心能力之一，在無線網(wǎng)規(guī)劃設(shè)計中也占據(jù)舉足輕重的地位。

2、當前競對站點定位方法，多利用rsrp(reference?signal?received?power，參考信號接收功率)覆蓋情況進行站點位置定位，首先將柵格級rsrp數(shù)據(jù)轉(zhuǎn)化為圖像，rsrp值越高，柵格亮度越高，將圖片亮度最高即rsrp覆蓋最強區(qū)域中心作為基站位置。該方法僅考慮單一rsrp覆蓋情況，但是基站往往可能存在遮擋或采樣不均勻等情況，此時會導致預測結(jié)果存在一定偏差，但是現(xiàn)有技術(shù)中沒有相關(guān)問題的解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種卷積神經(jīng)網(wǎng)絡(luò)的訓練方法及基站定位方法，用以解決現(xiàn)有技術(shù)中對基站位置的預測結(jié)果準確性偏低的缺陷。

2、本發(fā)明提供一種卷積神經(jīng)網(wǎng)絡(luò)的訓練方法，包括：

3、獲取基站覆蓋采樣的第一結(jié)構(gòu)化數(shù)據(jù)，所述第一結(jié)構(gòu)化數(shù)據(jù)包括多種基站覆蓋類型；

4、根據(jù)所述第一結(jié)構(gòu)化數(shù)據(jù)構(gòu)建訓練集；

5、根據(jù)所述訓練集對預先構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)進行訓練，得到訓練后的卷積神經(jīng)網(wǎng)絡(luò)；所述卷積神經(jīng)網(wǎng)絡(luò)包括一個分類模型和多個定位模型；所述分類模型用于對輸入數(shù)據(jù)的基站覆蓋類型進行分類，每一種所述基站覆蓋類型對應(yīng)一個定位模型，所述定位模型用于對基站進行定位，所述定位模型的數(shù)量與所述基站覆蓋類型的種類數(shù)量相同。

6、可選地，根據(jù)所述第一結(jié)構(gòu)化數(shù)據(jù)構(gòu)建訓練集，包括：

7、根據(jù)所述第一結(jié)構(gòu)化數(shù)據(jù)確定基站覆蓋柵格所在區(qū)域，并將所述區(qū)域進行柵格圖像化，得到第一柵格圖像；

8、對所述柵格圖像中的每個柵格根據(jù)平均rsrp值填充顏色，得到第二柵格圖像；

9、根據(jù)所述基站覆蓋類型對所述第二柵格圖像添加標簽，得到訓練集。

10、可選地，在根據(jù)所述訓練集對預先構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)進行訓練之前，還包括：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，得到所述預先構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)。

11、可選地，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，包括：

12、構(gòu)建基礎(chǔ)網(wǎng)絡(luò)，所述基礎(chǔ)網(wǎng)絡(luò)包括卷積層、池化層和全連接層；

13、根據(jù)所述基礎(chǔ)網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)種群；

14、確定所述網(wǎng)絡(luò)種群中每個基礎(chǔ)網(wǎng)絡(luò)的個體適應(yīng)度；

15、根據(jù)所述個體適應(yīng)度對所述網(wǎng)絡(luò)種群進行循環(huán)迭代計算，直至滿足預設(shè)條件，輸出迭代結(jié)果，得到所述卷積神經(jīng)網(wǎng)絡(luò)；所述循環(huán)迭代計算執(zhí)行循環(huán)體，所述循環(huán)體包括選擇、交叉和變異。

16、本發(fā)明還提供一種基站定位方法，包括：

17、獲取待預測的第二結(jié)構(gòu)化數(shù)據(jù)，所述第二結(jié)構(gòu)化數(shù)據(jù)為基站覆蓋采樣的結(jié)構(gòu)化數(shù)據(jù)；

18、將所述第二結(jié)構(gòu)化數(shù)據(jù)進行柵格圖像化并根據(jù)平均rsrp值填充顏色，得到目標輸入圖像；

19、將所述目標輸入圖像輸入所述訓練后的卷積神經(jīng)網(wǎng)絡(luò)，得到基站的位置坐標。

20、本發(fā)明還提供一種卷積神經(jīng)網(wǎng)絡(luò)的訓練系統(tǒng)，包括：

21、第一數(shù)據(jù)獲取模塊，用于獲取基站覆蓋采樣的第一結(jié)構(gòu)化數(shù)據(jù)，所述第一結(jié)構(gòu)化數(shù)據(jù)包括多種基站覆蓋類型；

22、訓練集構(gòu)建模塊，用于根據(jù)所述第一結(jié)構(gòu)化數(shù)據(jù)構(gòu)建訓練集；

23、訓練模塊，用于根據(jù)所述訓練集對預先構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)進行訓練，得到訓練后的卷積神經(jīng)網(wǎng)絡(luò)；所述卷積神經(jīng)網(wǎng)絡(luò)包括一個分類模型和多個定位模型；所述分類模型用于對輸入數(shù)據(jù)的基站覆蓋類型進行分類，每一種所述基站覆蓋類型對應(yīng)一個定位模型，所述定位模型用于對基站進行定位，所述定位模型的數(shù)量與所述基站覆蓋類型的種類數(shù)量相同。

24、本發(fā)明還提供一種基站定位系統(tǒng)，包括：

25、第二數(shù)據(jù)獲取模塊，用于獲取待預測的第二結(jié)構(gòu)化數(shù)據(jù)，所述第二結(jié)構(gòu)化數(shù)據(jù)為基站覆蓋采樣的結(jié)構(gòu)化數(shù)據(jù)；

26、圖像化模塊，用于將所述第二結(jié)構(gòu)化數(shù)據(jù)進行柵格圖像化，并根據(jù)平均rsrp值填充顏色，得到目標輸入圖像；

27、位置檢測模塊，用于將所述目標輸入圖像輸入所述訓練后的卷積神經(jīng)網(wǎng)絡(luò)，得到基站的位置坐標。

28、本發(fā)明還提供一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)所述卷積神經(jīng)網(wǎng)絡(luò)的訓練方法或所述基站定位方法。

29、本發(fā)明還提供一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述卷積神經(jīng)網(wǎng)絡(luò)的訓練方法或所述基站定位方法。

30、本發(fā)明還提供一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述卷積神經(jīng)網(wǎng)絡(luò)的訓練方法或所述基站定位方法。

31、本發(fā)明提供的一種卷積神經(jīng)網(wǎng)絡(luò)的訓練方法及基站定位方法，通過獲取基站覆蓋采樣的第一結(jié)構(gòu)化數(shù)據(jù)，所述第一結(jié)構(gòu)化數(shù)據(jù)包括多種基站覆蓋類型；根據(jù)所述第一結(jié)構(gòu)化數(shù)據(jù)構(gòu)建訓練集；根據(jù)所述訓練集對預先構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)進行訓練，得到訓練后的卷積神經(jīng)網(wǎng)絡(luò)；所述卷積神經(jīng)網(wǎng)絡(luò)包括一個分類模型和多個定位模型；所述分類模型用于對輸入數(shù)據(jù)的基站覆蓋類型進行分類，每一種所述基站覆蓋類型對應(yīng)一個定位模型，所述定位模型用于對基站進行定位，所述定位模型的數(shù)量與所述基站覆蓋類型的種類數(shù)量相同。即本發(fā)明通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)中每一種所述基站覆蓋類型對應(yīng)一個定位模型，能夠根據(jù)不同基站的覆蓋類型均給出最精確的定位結(jié)果，提高了基站定位的準確度。

技術(shù)特征：

1.一種卷積神經(jīng)網(wǎng)絡(luò)的訓練方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的卷積神經(jīng)網(wǎng)絡(luò)的訓練方法，其特征在于，根據(jù)所述第一結(jié)構(gòu)化數(shù)據(jù)構(gòu)建訓練集，包括：

3.根據(jù)權(quán)利要求1或2所述的卷積神經(jīng)網(wǎng)絡(luò)的訓練方法，其特征在于，在根據(jù)所述訓練集對預先構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)進行訓練之前，還包括：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，得到所述預先構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求3所述的卷積神經(jīng)網(wǎng)絡(luò)的訓練方法，其特征在于，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，包括：

5.一種基站定位方法，其特征在于，包括：

6.一種卷積神經(jīng)網(wǎng)絡(luò)的訓練系統(tǒng)，其特征在于，包括：

7.一種基站定位系統(tǒng)，其特征在于，包括：

8.一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1至4任一項所述卷積神經(jīng)網(wǎng)絡(luò)的訓練方法或權(quán)利要求5所述基站定位方法。

9.一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至4任一項所述卷積神經(jīng)網(wǎng)絡(luò)的訓練方法或權(quán)利要求5所述基站定位方法。

10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至4任一項所述卷積神經(jīng)網(wǎng)絡(luò)的訓練方法或權(quán)利要求5所述基站定位方法。

技術(shù)總結(jié)
本發(fā)明提供一種卷積神經(jīng)網(wǎng)絡(luò)的訓練方法及基站定位方法，涉及無線網(wǎng)技術(shù)領(lǐng)域，該訓練方法包括：獲取基站覆蓋采樣的第一結(jié)構(gòu)化數(shù)據(jù)，第一結(jié)構(gòu)化數(shù)據(jù)包括多種基站覆蓋類型；根據(jù)第一結(jié)構(gòu)化數(shù)據(jù)構(gòu)建訓練集；根據(jù)訓練集對預先構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)進行訓練，得到訓練后的卷積神經(jīng)網(wǎng)絡(luò)；卷積神經(jīng)網(wǎng)絡(luò)包括一個分類模型和多個定位模型；分類模型用于對輸入數(shù)據(jù)的基站覆蓋類型進行分類，每一種基站覆蓋類型對應(yīng)一個定位模型，定位模型用于對基站進行定位，定位模型的數(shù)量與基站覆蓋類型的種類數(shù)量相同。本發(fā)明構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)中每一種基站覆蓋類型對應(yīng)一個定位模型，所以能夠根據(jù)不同基站的覆蓋類型均給出最精確的定位結(jié)果，提高了基站定位的準確度。

技術(shù)研發(fā)人員：張世哲,孟繁麗,程日濤,王申,江楓,孟江濤,李夢宇,劉詠荷,賈敏,趙偉
受保護的技術(shù)使用者：中國移動通信集團設(shè)計院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21