基于BP神经网络的散射通信传输损耗小时中值预测

宋树田，孙泽楠

（1.中国电子科技集团公司第五十四研究所，河北石家庄050081；2.石家庄市第二医院，河北石家庄050081）

基于BP神经网络的散射通信传输损耗小时中值预测

宋树田1，孙泽楠2

（1.中国电子科技集团公司第五十四研究所，河北石家庄050081；
2.石家庄市第二医院，河北石家庄050081）

针对散射通信传输损耗短期预测问题，提出了通过大气参数对散射链路传输损耗进行短期预测。根据散射通信特点，利用BP神经网络强大的非线性数据处理能力，建立了基于气象预报（对温度、湿度和气压的预报）的散射通信传输损耗短期预测模型。通过建立典型散射通信链路，获取大量链路传输损耗及气象数据，进而对传输损耗短期预测模型进行验证并分析其预测性能，分析结果表明所建模型可依据散射链路的气象参数对其传输损耗中值进行较准确的短期预测，可用于指导战术散射通信链路的规划。

对流层散射通信；人工神经网络；短期损耗中值；预测

0 引言

对流层散射通信是利用对流层中不均匀体对超短波以上的无线电波的散射来实现的一种超视距无线通信方式［1］，在国内外超视距通信中占有重要地位［2］。目前存在多种散射通信传输损耗年中值预测方法［3］，可以对传输损耗年中值进行较准确的预测，然而却没有方法进行短期中值（月中值、日中值、小时中值等）的预测，无法满足短期链路的设计需要。针对该问题，利用BP（Back Propagation）神经网络强大的非线性数据处理能力［4］，建立了基于气象预报（对温度、湿度和气压的预报）的散射通信传输损耗短期预测模型。

1 散射通信传输损耗分析

关于对流层远距离传播的研究，有3种不同的假设，即：湍流非相干散射、不规则层非相干散射和稳定层相干反射。张明高院士综合了上述3种理论，提出了广义散射理论模型［5，6］。依据广义散射理论，对流层散射通信接收功率为：

式中，Pt为发射功率，λ为波长，G10、G20以及g1和g2分别为发、收天线的增益和方向函数，r1和r2分别为散射体到发收天线的距离，V为公共体积，σ为散射截面，其具有如下形式：

式中，A1、n和m为常数，Θ为散射角［7］，温度、湿度以及气压对其有一定的影响，εr为相对介电常数，由大气的温、湿、气压确定。对于某一固定的链路，天线增益、通信距离、频率等都是固定值，因而传输损耗仅仅是温度、湿度、气压的函数，因此可通过对这些气象参数，对相应的传输损耗进行预测。

2 BP神经网络

人工神经网络是一种自适应的信息处理系统，它由许多非常简单的、彼此之间高度连接的处理单元组成，可以从大量的离散试验数据中经过学习训练［8］，提取输入和输出的关系，并将这种关系表示为网络连接权值的大小与分布，建立反映实际规律的非线性模型。理论上，一个具有S型传递函数的三层BP神经网络可以逼近任意具有有限间断点的函数［9，10］，非常适用于传播模型的获得。

一个三层的BP神经网络拓扑结构如图1所示，x＝［x1x2…xn］为输入向量，若加入x0＝－1，可为输入层神经元引入阈值，隐层输出向量y＝［y1y2…ym］，一般m＝，其中n为输入层神经元个数，l为输出层神经元个数，a取值范围为1～10［11］，加入y0＝－1，可为隐层神经元引入阈值，o为输出向量，W＝［w1，w2，…wn］为输入层和隐层之间的权值矩阵，其中列向量wk为隐层第j个神经元对应的权向量；V＝［v1，v2，…vm］为隐层和输出层之间的权值矩阵，其中列向量vj为输出层第k个神经元对应的权向量，b1和b2分别为隐层和输出层的传输阈值向量，将b1和b2分别与W和V合并，则所得隐层和输出层的权值矩阵的大小分别为m×（n＋1）和l×（m＋1），f（·）为隐层传递函数，g（·）为输出层传递函数。

图1 BP神经网络拓扑结构

BP神经网络是通过网络训练不断更新权值向量W和V来得到输入输出关系的。对于隐层：

3 传输损耗预测的BP神经网络设计

影响对流层散射通信传输损耗的主要因素主要有：频率、天线增益、天线仰角、地形、通信距离以及气象气候因素，当链路固定时，频率、天线增益、天线仰角、地形以及通信距离也就固定下来了，此时，影响对流层散射通信传输损耗的主要因素为气象气候因素，即温度、湿度以及大气压。

对流层主要气象特征为温度T、湿度（水汽压）e、大气压p［12］，因此输入参数可设为：

式中，T、e和p在建立神经网络预测模型时均为P维行向量，P为建模时所用的测试值个数，在模型建立后实际应用时，可根据需要预测的点数调整P值的大小即可。可见，输入矩阵为3×P的矩阵，此模型的输入元素个数n＝3。

输出向量为Lw，是P维行向量：

BP网络中，隐层节点的作用是从样本中提取并存储其内在规律，每个隐层节点都有若干个权值，每个权值都是网络映射的一个参数。确定隐层节点数时，可选用一种较简单的隐层节点的估算方法：

式中，m为隐层节点数，n＝3为输入元素个数，l＝1为输出元素个数，a在1～10之间选取。

一般来说，在处理非线性问题上，隐层传递函数需要用到Sigmoid函数。单极性Sigmoid函数数学表达式为：

式中，γ取1，输出层传递函数一般采用线性函数：

g（x）＝x。（11）

网络训练是得到最优权值的关键，本文主要采用改进算法之一——附加动量项的BP算法。

根据BP神经网络的结构可知，不设阈值的神经网络的输出函数可以表示为：

通过训练，可得输入层到隐层权值矩阵W和隐层到输出层的权值矩阵V，将网络的输出值经过逆运算（反归一化）就可得到相应条件下的预测值。

4 预测结果分析

通过实测数据训练得到预测模型的权值参数，利用该链路上的对流层散射通信短期传输损耗预测模型以及气象部门提供的天气预报进行短期传输损耗中值的预测，预测结果如图2与图3所示。

图2 预测值与实测对比

图3 预测误差绝对值累积分布

由图2和图3可知，除个别样本点外，大部分预测结果与实测结果是相符的，其中有87.17％的时间误差小于6 dB，BP神经网络能够较准确地预测出对流层散射通信传输损耗小时中值。

5 结束语

利用BP神经网络的短期传输损耗预测模型对实际链路进行了传输损耗预测，并对预测结果进行了分析。分析结果显示，利用BP神经网络可以比较准确地预测出对流层散射通信短期传输损耗中值，证明了利用对流层气象参数预测短期传输损耗是可行的。尤为重要的是，本文的研究迈出了对流层散射通信短期传输损耗预测的第一步，为最终建立对流层散射通信短期传输损耗的机理模型奠定了基础，对后续研究具有重要的启示意义。

［1］赵玉超，秦建存，刘丽哲.对流层散射通信传输损耗预计方法分析［J］.无线电工程，2013，43（3）：62－64.

［2］李荣海，任香凝，刘莹.数字对流层散射传输技术新动向综述［J］.无线电通信技术，2007，33（3）：8－10，13.

［3］李正伟，冯锦瑞，曾超，等.数字对流层散射通信链路传播可靠度工程计算［J］.无线通信技术，2010，19（2）：41－44.

［4］唐秋菊，徐松毅.基于神经网络的传播预测模型浅析［J］.无线电工程，2010，40（3）：21－23.

［5］张明高，对流层散射传播［M］，北京：电子工业出版社，2004.

［6］Recommendation 617－1，Propagation Prediction Techniques And Data Required For The Design Of Trans－Horizon Radio－Relay Systems［S］.Rec ITU－R，1992.

［7］赖斯P L.对流层通信电路传输损耗的预算［M］.北京：国防工业出版社，1975.

［8］施彦，韩力群，廉小亲.神经网络设计方法与实例分析［M］.北京：北京邮电大学出版社，2009.

［9］施彦，韩力群，廉小亲.神经网络设计方法与实例分析［M］.北京：北京邮电大学出版社，2009.

［10］孙鹏，韦再雪，杨大成.神经网络传播模型的设计与应用［J］.无线电工程，2005，35（2）：47－49，52.

［11］唐秋菊.典型应用环境下移动通信信道传播损耗研究［D］.石家庄：中国电子科技集团公司第五十四研究所，2010：33－39.

［12］张霭琛.现代气象观测［M］.北京：北京大学出版社，2000.

Troposcatter Communication Transm ission Loss Prediction Based on BP Neural Network

SONG Shu－tian1，SUN Ze－nan2
（1.The 54th Research Institute of CETC，Shijiazhuang Hebei050081，China；
2.The 2nd Hospital of Shijiazhuang，Shijiazhuang Hebei050081，China）

For the short－term prediction of troposcatter communication transmission loss，it is proposed that the troposcatter communication short－term transmission loss can be predicted on the basis of theweather parameters.Based on the characteristics of troposcatter communication，and by utilizing the non－linear data processing capability of BP neural network，a short－term transmission loss prediction model is setup.A greatamountof loss data and weather data obtained from real troposcatter communication links are used for analyzing themodel performance.The result shows that themodel can predict the short－term－median transmission loss correctly using the weather parameters，and the prediction can be used as a reference for tactical troposcatter communication link design.

troposcatter communication；ANN；short－term median loss；prediction

TP926

A

1003－3114（2015）04－34－3

10.3969/j.issn.1003－3114.2015.04.08

宋树田，孙泽楠.基于BP神经网络的散射通信传输损耗小时中值预测［J］.无线电通信技术，2015，41（4）：34－36.

2015－04－08

国家科技重大专项基金资助（2014ZX03006－003）

宋树田（1981—），男，工程师，主要研究方向：散射通信。孙泽楠（1987—），男，助理工程师，主要研究方向：医疗设备故障检测、系统辨识。