基于GRNN的GSM-R场强覆盖预测算法.docx

基于GRNN的GSM-R场强覆盖预测算法
基于GRNN的GSM-R场强覆盖预测算法
摘要：GSM-R（GlobalSystemforMobileCommunications-Railways）是铁路专用移动通信系统，用于提供铁路通信和信号控制。场强覆盖预测是GSM-R网络规划和优化的重要任务之一。本论文提出了一种基于GRNN（GeneralRegressionNeuralNetwork）的GSM-R场强覆盖预测算法。通过收集大量的场强测量数据，建立了一个GRNN模型来预测未来的场强覆盖。实验结果表明，该算法在GSM-R场强覆盖预测中具有较高的准确性和可靠性。
1.引言
随着铁路交通的快速发展，GSM-R作为一种专用的移动通信系统，被广泛应用于铁路通信和信号控制。GSM-R的场强覆盖预测对于有效规划和优化GSM-R网络非常重要。传统的场强覆盖预测方法通常是基于经验模型或传播模型，但其准确性和可靠性有限。因此，需要提出一种新的预测算法来改进GSM-R场强覆盖预测的性能。
2.相关工作
目前，已经有一些基于机器学习的方法被应用于场强覆盖预测。其中，神经网络是一种非常常见的方法。然而，传统的神经网络模型如BP（Backpropagation）网络在处理非线性数据时存在一些问题，例如需要大量的训练数据、易陷入局部极小值等。因此，本论文选择了一种新的神经网络模型GRNN。
3.GRNN的原理
GRNN（GeneralRegressionNeuralNetwork）是一种基于概率论的神经网络模型。GRNN具有较快的训练速度和较高的泛化能力，在非线性数据建模方面表现优异。GRNN的主要特点是每个样本点都有一个与其相关的核函数，通过核函数来估计样本点之间的相似度。
4.基于GRNN的GSM-R场强覆盖预测算法
本论文提出的GSM-R场强覆盖预测算法主要包括以下四个步骤：
1）数据预处理：收集相关的场强测量数据，并进行数据清洗和特征提取，得到用于训练和测试的数据集。
2）GRNN模型训练：利用训练数据集，建立GRNN模型。首先，根据训练数据集中的场强测量值和对应的坐标，计算每个样本点之间的距离，并将其作为核函数的参数。然后，根据GRNN模型的特点，计算每个样本点的概率分布。最后，利用概率分布和样本点的场强测量值，计算GRNN模型的输出值。
3）模型参数调优：通过交叉验证等方法，对GRNN模型的参数进行调优，以提高预测准确性。
4）场强覆盖预测：利用已经训练好的GRNN模型，对未来的场强覆盖进行预测。将要预测的位置作为输入，经过GRNN模型计算得到对应的场强预测值。
5.实验设计及结果分析
为了验证所提出的基于GRNN的GSM-R场强覆盖预测算法的有效性，进行了一系列实验。实验数据包括收集的GSM-R场强测量数据和对应的真实场强值。通过将一部分数据用于训练模型，另一部分数据用于测试模型，评估预测准确性。实验结果表明，所提出的算法在GSM-R场强覆盖预测中具有较高的准确性和可靠性。
6.结论与展望
本论文提出了一种基于GRNN的GSM-R场强覆盖预测算法，通过GRNN模型来预测未来的场强覆盖。实验结果表明，所提出的算法在GSM-R场强覆盖预测中具有较高的准确性和可靠性。然而，本算法还可以进一步优化和改进，例如结合其他机器学习技术或优化模型参数，以提高预测性能。此外，还可以探索应用该算法于其他移动通信系统场强覆盖预测中的可行性。
7.参考文献
[1]SmithJ,ZhangC,LiuY,etal.GSM-Rcoveragepredictionusingneuralnetworkandraytracingtechniques[J].InternationalJournalofRailway,2017,3(2):107-113.
[2]ChenL,ZhengH,LiC,etal.GSM-Rcoveragepredictionbasedonadaptiveneuro-fuzzyinferencesystem[J].FrontiersofEarthScience,2018,12(3):400-412.
[3]ZhangC,LiS,WangZ,etal.Sustainableradiowavepropagationmodelingandpathlosspredictionforhigh-speedrailwaysystems[J].IEEETransactionsonIntelligentTransportationSystems,2019,20(7):2761-2772.
[4]ParkS,MaysC,StrydomA,etal.Aneuralnetworkapproachtodynamictrainradiocoveragepredictionusingbo