CN114611388B - 基于人工智能的无线信道特征筛选方法 - Google Patents

Abstract

本发明涉及一种基于人工智能的无线信道特征筛选方法，属于无线信道建模技术领域。本发明通过总结无线信道模型所涉及的特征全集，进行基于人工智能的无线信道模型特征筛选，高效的机器学习模型依赖于输入变量与问题目标的强相关性，从而在保证无线信道模型可靠性的前提下降低了计算时间复杂度。

Description

基于人工智能的无线信道特征筛选方法

技术领域

本发明属于无线信道建模技术领域，具体涉及一种基于人工智能的无线信道特征筛选方法。

背景技术

无线电波的传播过程极其复杂，传播路径上的平原、丘陵、海洋、森林、湖泊、地球自身曲率、大气衰减、建筑物密度等因素，均会导致电磁波发生复杂的透射、绕射、散射、反射、折射等情况。在无线信道建模过程中，特征工程的本质是将原始数据中转换得到能够最好表征目标问题的参数，并使得各个参数的动态范围在一个相对稳定的范围内，因此需要筛选恰当的特征子集提高建模精度。

该数据集采集地点为实验室和外场环境，具体包括多个小区的工程参数数据、地图数据以及无线信道RSRP标签数据。其中训练数据集含有多个文件，每个文件代表一个小区内的数据。文件的每一行代表小区内固定大小的测试区域的相关数据，行数不确定(根据小区大小不同，面积越大的小区行数越多，反之亦然)，列数则为固定的18列，其中前9列为站点的工程参数数据；中间8列为地图数据；最后一列是RSRP标签数据。表1是其中一行数据，作为样例展示：

表1 训练数据样例

下面每一小节介绍每部分数据的具体含义。

3.1工程参数数据

工程参数数据记录了某小区内站点的工程参数信息，共有9个字段。各字段对应含义如表2所示：

表2 工程参数数据的字段含义

字段名称	含义	单位
			Cell Index	小区唯一标识	-
Cell X	小区所属站点的栅格位置，X坐标	-
			Cell Y	小区所属站点的栅格位置，Y坐标	-
Height	小区发射机相对地面的高度	m
			Azimuth	小区发射机水平方向角	Deg
Electrical Downtilt	小区发射机垂直电下倾角	Deg
			Mechanical Downtilt	小区发射机垂直机械下倾角	Deg
Frequency Band	小区发射机中心频率	MHz
			RS Power	小区发射机发射功率	dBm

为了方便数据处理，地图进行了栅格化处理。每个栅格代表了5m×5m的区域(如下图1所示)，其中(Cell X，Cell Y)记录了站点所在栅格的左上角坐标。其他的工程参数(Height，Azimuth，Electrical Downtilt，Mechanical Downtilt)如图1所示，其中机械下倾角Mechanical Downtilt是通过调整天线面板后面的支架来实现的，是一种物理信号下倾；而电下倾角Electrical Downtilt是通过调整天线内部的线圈来实现的，是一种电信号下倾。实际的信号线下倾角是机械下倾角和电下倾角之和。

3.2地图数据说明

地图数据主要为测试地点地形、高度等信息，共分为8个字段信息。各字段对应的含义如表3所示。考虑到地图中测试地点的多样性和复杂性，城区、工业区域、农村、商务区等实际传输环境被抽象为数字。表4中可以看到地物类型名称号码所对应的实际地物类型。

表3 地图数据的字段含义

表4 地物类型名称的编号含义

与工程参数数据一样，地图数据也进行了栅格化处理，每个栅格代表了5m×5m的区域，其中(X，Y)记录了地图所在栅格的左上角坐标。

表4给出了地物类型名称的编号含义，其中地物类型是隐含大量高度信息的。虽然已有大量数据，但是数据中存在与地物类型索引描述相矛盾的内容，因此，需要进行数据清洗。例如，当地物类型索引为10时，该栅格点的建筑仍有小于60m的，例如，小区编号为2461901的坐标(411170,3395480)的观测点建筑物高度为12m，但是该地物类型索引为10，与其对应的建筑物高度高于60m矛盾。同理，当地物类型索引为13时，该栅格点的建筑物高度均需小于20m，但根据表格数据来看仍存在大于20m的建筑物，所以根据地物类型索引与实际地物高度相对应过程出现的异常数据，需要进行数据清洗。

3.3 RSRP标签数据

RSRP(Reference Signal Receiving Power，参考信号接收功率)标签数据。RSRP是蜂窝网络中可以代表无线信号强度的关键参数以及物理层测量需求之一，参考信号承载的所有RE(Resource Element)上接收到的信号功率的平均值。利用测量得到接收的功率与已知的发射功率进行比较，就可以得到无线电波传输路径对无线电波信号的衰减。

参考信号接收功率(RSRP)标签数据作为实际测量结果，在监督学习中用于与机器学习模型预测的结果做比较。该数据共有1个字段，对应含义如表5所示。

表5 RSRP标签数据表格的字段含义

字段名称	含义	单位
			RSRP	栅格(X，Y)的参考信号接收功率，标签列	dBm

由于无线信号多为mW级别，通过对其进行极化，转化为dBm。dBm为表示功率绝对值的单位，转换公式为：

0dBm＝10lg(1mW) (1)

上述公式也可以理解为1mW＝0dBm，小于1mW的无线信号就是dBm为负数。在实际无线信号传输过程中，信号接收方是很难达到接收功率1mW的，所以无线信号dBm都是负数，最大值为0。dBm只有在理想状态下即接收方把发射方发射的所有信号都接收到时为0。一般而言，dBm值越大，信号强度越高，接收效果越好，但考虑到实际应用中的经济成本，当一个区域接收到的dBm值介于0-50dBm之间，或者介于0-70dBm之间时，认为该区域信号值良好。当接收到的无线信号小于-70dBm则会出现传输不稳定，速度缓慢的现象，此时无线网络就无法正常使用。在本次研究中，评价指标弱覆盖判决门限P的值定为-103dBm，即当一个区域接收到的dBm值介于0-103dBm之间时，认为该区域信号值良好。

根据无线电波传播过程，如果想要设计无线信道模型，首先需要设计无线电波传输的特征全集。该特征全集主要包括：基于空间位置的特征、基于信号偏转角特征、基于传输环境阻挡物特征等三类无线信道模型特征。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何进行无线信道模型特征筛选，在保证无线信道模型可靠性的前提下降低计算时间复杂度。

(二)技术方案

为了解决上述技术问题，本发明提供了一种基于人工智能的无线信道特征筛选方法，该方法中，包括以下步骤：

步骤一、依据无线电波传播特性，建立无线信道模型的特征全集；

步骤二、利用人工智能相关算法筛选可用于建立无线信道模型的特征子集，该特征子集即为无线信道模型中的变量。

(三)有益效果

在本发明中，通过总结无线信道模型所涉及的特征全集，进行基于人工智能的无线信道模型特征筛选，高效的机器学习模型依赖于输入变量与问题目标的强相关性，从而在保证无线信道模型可靠性的前提下降低了计算时间复杂度。

附图说明

图1为栅格化地物的坐标示意；

图2为工程参数数据含义示意；

图3为本发明的特征设计流程图；

图4为本发明的特征筛选与评价流程图；

图5为信号发射机与接收机信号传输的三维场景图示。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

无线信道建模以预测无线电波传播特性是构建无线通信系统的基础，随着第五代移动通讯技术的快速发展普及，高精度低时延的无线信道模型建立是目前研究热点问题。在无线信道模型建立过程中，模型参数可以看作是无线信道特征参量，本发明提出的基于人工智能的无线信道模型特征筛选方法，提高了无线信道预测准确率，并降低了时间复杂度。其中，无线电波传播路径复杂，无线信道模型参数动态可变，确定模型参数是重点工作。

本发明的总体方案设计思路为：在保证无线信道可靠性的前提下建立无线信道模型的特征全集，利用深度学习中特征工程从原始数据中提炼较优结果，然后做到最优预测，从而提高无线信道建模精度的同时计算复杂度，为后续无线信道模型建立提供参考。目前在无线信道建模过程中，因实测数据量较小，之前的研究人员都是通过经验得出无线信道模型中的变量，然后再拟合模型公式。

本发明是基于大量的工程实测参数数据，利用机器学习和深度学习深度挖掘无线电波传播特性，筛选与目标标签相关性较大的特征。在保证无线信道模型可靠度的基础上降低计算量，从而为移动运营商的基站部署提供理论支持和技术参考。

参考图3、图4，本发明的方案包括以下步骤：

步骤一、依据无线电波传播特性，建立无线信道模型的特征全集

其中，采用以下基于无线电波传播的无线信道模型特征构建方法：

步骤11、数据处理

本次所使用的数据共含有4000个小区，且每个小区测试点均不相同，共计有12011832个测试单元，没有缺失值。

为便于后续构建出可解释特征，设计了考虑信号基站与接收点三维空间位置信息无线信号传输模型，然后通过场景构造特征。同时，利用数据可视化分析直观验证构造特征的有效性,信号发射机与接收点信号传输的场景模型如图5所示。

基于图5的一般情况下目标点和基站点的信号传输场景模型，假设海平面所在平面为H＝{(x,y,z)|z＝0}，具体表示如下：

图5中，θ为信号线的实际发射角度，数学表示上为机械下倾角(MechanicalDowntilt)与电子下倾角(Electrical Downtilt)之和，即θ_D＝θ_MD+θ_ED；

小区站点所在栅格(Cell X，Cell Y)海拔高度Cell Altitude表示为h_ca；

小区站点所在栅格(Cell X，Cell Y)建筑物高度Cell Building Height表示为h_cb；

小区站点所在栅格(Cell X，Cell Y)天线有效高度即移动台有效天线高度为h_lc＝h_b-h_cb；

小区发射机相对于建筑物的高度Height表示为h_c；

小区发射机基站天线有效高度h_rc＝Cell Y+h_c；

栅格观察点与基站天线之间的高度差表示为Δh＝h_cb+h_c；

栅格观察点的海拔高度为h_a；

当前栅格单元与发射机水平距离表示为d_h；

当前栅格点B与信号天线A的3D欧式距离表示为d；

栅格(X,Y)海拔高度Altitude表示为h_b；

信号发射机的水平方向角Azimuth表示为α；

信号线与AB连线的夹角记为信号偏转角表示为β。

A的坐标为(x₀,y₀,h₀)，B的坐标为(x₁,y₁,h₁)，其中基站点水平坐标为(x₀,y₀)，h₀＝h_c+h_cb+h_ca；接收点的水平坐标为(x₁,y₁)，h₁＝h_b+h_a。

以上完成了数据处理步骤，下面执行特征建立的步骤。

步骤12、设计基于无线电波传输空间位置的特征

根据无线电波传输背景知识，无线电信号的强弱与传输距离存在直接关系。结合无线电信号到A、B的距离d是由相对高度差Δh以及A和B的水平距离d_h共同决定的，因此，将d、Δh、d_h作为基于空间位置的一维特征。

A、B的水平距离d_h为：

A、B距离d为：

步骤13、设计基于信号偏转角的特征

考虑到未给出接收天线相对地面的高度，假设平均接收信号强度均在测试点所在格栅的地面测得。

(1)基站总下倾角为θ_D：

θ_D＝θ_MD+θ_ED (4)

式中，θ_MD为垂直机械下倾角，θ_ED为垂直电下倾角。

式中，栅格测试点所在的坐标位置为(x,y)；

基站天线发射的信号具有一定的集中度，比如天线背面的信号通常要比天线正面相同角度相同距离的信号弱，即信号强度与信号线和AB连线的夹角有关。当其他条件相同时，AB连线与信号线夹角β越小，B点的信号越强。以基站为圆心做圆，在圆周上的点与基站连线和信号线夹角越小，则信号越强。

由于数据中给定了发射机水平方向角Azimuth，即该角α是从Y轴正方向开始顺时针不断增大的，首先将其变为二维平面上常用的从X轴正方向逆时针开始增大的α′：

α′＝(2π-α)+π/2 (5)

则信号线向量

AB连线之间的向量为

信号线

与A-B点连线对应的

在3D环境里夹角β可以通过余弦表示：

此时，

与

在水平面上的夹角可以通过两向量的x,y分量用上述相同方法算式计算。将3D传输环境下的夹角cosα与水平面夹角cosβ都记为基于信号的水平偏转角特征，该部分特征为训练模型的重要特征。

步骤14、设计基于无线电波传输环境阻挡物的特征集

通过对Cost231-Hata模型的分析可以看出，无线信号的传输不仅与收发端的空间位置关系有关，还与信号传输环境有关。无线电波传输环境通常是复杂多变的，传输路径上山体高度、建筑物密度、湖泊反射面积等多方面不确定性因素都会导致电波不再以单一路径传输。这也是传统传输模型无法在更细粒度上对信号传输做出精确描述的重要因素。因此，设计传输环境特征，对传输环境实现合理表征，是建立特征工程的重点和难点。数据集中给出有关环境的地图数据有建筑高度(Height)、海拔(Altitude)、地物类型(ClutterIndex)。因此，应该从建筑分布及高度、小区地形、地物类型三方面实现对传输环境特征的鲁棒抽取。

(1)建筑物分布及高度特征M_b：

式中，A_b、B_b、C_b分别为建筑物点云地图中表示X、Y、Z(不同测量点建筑物高度)轴方向的坐标值。由协方差矩阵性质可知，建筑物点云的协方差矩阵为对称矩阵，因此Cov(A_b,B_b)＝Cov(B_b,A_b),Cov(A_b,C_b)＝Cov(C_b,A_b),Cov(B_b,C_b)＝Cov(C_b,B_b)。因此地图点云的协方差矩阵M_b共有6个有效的元素参数：Cov(A_b,B_b)、Cov(A_b,C_b)、Cov(B_b,C_b)以及各自的方差，对于坐标列向量A和B来说，协方差Cov(A_b,B_b)用下式计算:

式中，A_bi表示列向量A_b的第i个元素值，B_bi表示列向量B_b的第i个元素值，

是列向量A_b的均值，

是列向量B_b的均值。

利用传输环境中小区坐标、建筑物高度数据、RSRP标签数据，可以得到小区建筑的三维点云。对小区建筑进行特征提取，就转化成了对三维刚性体目标进行特征提取的问题从而实现对目标点云特征的鲁棒抽取，小区建筑点云协方差矩阵反映了小区建筑的分布及高度特征，所以在本步骤中，设定的特征为观察点-基站点连线上的阻挡物数量(Obstacle_num)，计算不同观测点密度、传输路径上建筑度密度受到的传输损耗。

步骤15：总结已经建立的所有特征

通过对Cost231-Hata模型等传统无线信道路径损耗模型进行分析，传统无线信道路径损耗模型使用的距离信息都以10为底取对数，几何上的角度可以使用三角函数表示。原始数据集中的特征与标签列和本发明构建的新特征如表5所示：

表5 数据集中给定的所有特征与标签列以及构造的新特征

步骤二、利用人工智能相关算法筛选可用于建立无线信道模型的特征子集，该特征子集是特征全集中与目标标签相关性较大的特征集合，该特征子集即为无线信道模型中的变量。

步骤21、利用基于机器学习的特征筛选方法进行特征筛选，其中采用两种方法进行筛选，提高特征可信度

方法1：过滤式的特征筛选方法

过滤式的特征筛选原则为，首先根据约定好的规则，再根据特征发散性或相关性进行评分，设定阈值对数据集进行特征选择，然后再训练学习器。特征选择过程与后续学习器没有关系，因此计算速度很快。也就是说，首先利用特征选择器对特征进行“过滤”，然后再用过滤后的特征训练神经网络模型。过滤式的特征筛选可以用统计方式对特征进行打分排名，排名越靠前的特征价值越大。常见的过滤式方法有T-检验(T-test)，卡方检验(χ²-test)，皮尔森相关系数(Pearson Correlation Coefficient，PCC)，最大信息系数(Maximal Information Coefficient，MIC)。

本发明按不同指标评价特征得分使用皮尔森相关系数和最大信息系数两种过滤式方法。

方法2：基于嵌入式的特征筛选方法

嵌入式特征筛选主要思想是在已经训练完成的模型中挑选能够提高准确率最佳特征再学习。在确定模型的过程中，挑选出对训练模型有意义的特征，将模型训练过程与特征筛选过程融为一体。

两种嵌入式特征评价方法为随机森林(Random Forest，RF)和XGBoost提升树模型。随机森林是有监督学习方法，基于bagging方法训练。所谓bagging方法，也就是bootstrap aggregating，采用的方法是随机选择且有放回训练数据然后在构造分类器，建立多个互不关联的决策树模型，最后将学习完成模型合并到一起以获得更加准确稳定的预测效果。

XGBoost提升树是利用所有特征每棵树中分裂次数的和去计算特征得分。比如这个特征在第一棵树分裂一次，第二棵树两次，第n棵树n次……，那么这个特征的得分就是(1+2+...+n)。XGBoost的参数选择过程非常重要，因此可进行参数shuffle的操作。最后可以基于以上不同参数组合的XGBoost所得到的feature和socre，再进行score平均操作，筛选出高得分的特征。

过滤式的特征筛选方式的优点是可以使用传统统计学度量方式来快速判断特征的重要性，但是在这过程仍需中独立考察每一个特征与目标变量的相关性，而忽略了不同特征之间的关联信息和组合效果。包裹式和嵌入式的特征评价方法可以考虑到不同特征组合产生的效果来更好地评价特征的重要性，但是计算时间开销较大。

表6 不同特征在各个评价指标下的评分

步骤22、得到基于机器学习的单一特征筛选结果，并进行仿真分析

针对特征与目标相关性，采用两种过滤式评价和CV进行评分。关于特征与目标之间的相关性，定义为3种评价指标打分的加权评价(权重总和为1)，通过整合不同评价方式得出的特征结果来对特征给出一个综合性的目标相关评分,权重平均分配，则目标相关性评分公式为：

Score＝ω₁S_PCC+ω₂S_MIC+ω₃S_XGBoost (9)

使用上述3种评价指标，对所构造的单一特征进行打分结果如表6所示。其中受收集数据条件影响，已对得分进行适当缩放以便观察。每个评价指标的绝对值总分为100分，将总分分配到各个特征上来完成评分。特征获得的评分数越高，相关性就越大。

表7 不同特征在各个评价指标下的相关性分数及排名

步骤23：采用基于深度学习的特征筛选方法进行特征筛选

利用人工智能相关算法组合无线信道模型的特征子集前文基于无线电波传输过程共构造单一特征36个，但是在实际建立无线电波预测模型和无线信道的过程中，如果想要高效训练神经网络，还需要对特征进行进一步数据挖掘。通过利用机器学习中不同的特征筛选方法，结合无线电波传输过程所构造的特征的尺度也是不尽相同的。因此，为融合多尺度特征合并成更具判别的能力，而且还可从现有特征中创建新特征，本方法采用深度特征综合(Deep Feature Synthesis,DFS)自动完成该项工作。

深度特征综合是一种可以快速创建具有不同深度的特征组合方法，通过将复杂的海量数据分解为数字分量，构造新的、更深层次的特征。深度特征综合过程为可视化过程，其构造的新特征都能得到现实意义的解释。本方法深度特征综合使用了Featuretools.Featuretools是一个用于执行自动特征工程的开源库，通过将不同关系数据集转换可用于机器学习的特征矩阵，从而可以快速推进深度特征综合，从而有更多时间专注于机器学习模型构建的其他方面。

Featuretools主要涉及到三个基本概念：实体(entity)、关系(relationship)和算子(primitive)，其实际上就是提供一个从单表的转换和多表跨连的框架。使用Featuretools进行深度特征综合之后，将会生成若干新特征。新特征均基于易理解的特征基元，由子表向父表，通过Primary key(Cell Index)聚合生成。

表8 Featuretools生成部分新特征

可以看出，本方法所使用工程数据集为实测通信数据集，并一一介绍各标签对应的现实含义。根据传统无线信道路径损耗模型以及所提供的数据信息选择合适、可以更好描述无线信道传输损耗的特征，并通过计算在目标标签上的得分，评估所构造特征的科学性和现实工程意义。在实际建立无线电波预测模型和无线信道的过程中，如果想要高效训练神经网络，还需要对特征进行进一步数据挖掘。因此，为融合多尺度特征合并成更具判别的能力，还从现有特征中创建新特征，采用深度特征综合自动完成无线信道中特征选择工作。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种基于人工智能的无线信道特征筛选方法，其特征在于，该方法中，包括以下步骤：

步骤一、依据无线电波传播特性，建立无线信道模型的特征全集；

步骤二、利用人工智能相关算法筛选可用于建立无线信道模型的特征子集，该特征子集即为无线信道模型中的变量；

步骤一包括数据处理步骤：步骤11、设计考虑信号基站与接收点三维空间位置信息无线信号传输模型；以及基于数据处理步骤进行的特征建立步骤；

步骤一建立的目标点和基站点的信号传输场景模型中：

假设海平面所在平面为H＝{(x,y,z)|z＝0}，θ为信号线的实际发射角度，数学表示上为机械下倾角与电子下倾角之和，即θ_D＝θ_MD+θ_ED；

式中，θ_D为基站总下倾角，θ_MD为垂直机械下倾角，θ_ED为垂直电下倾角；

小区站点所在栅格(Cell X，Cell Y)海拔高度表示为h_ca；

小区站点所在栅格(Cell X，Cell Y)建筑物高度表示为h_cb；

小区站点所在栅格(Cell X，Cell Y)天线有效高度即移动台有效天线高度为h_lc＝h_b-h_cb；

小区发射机相对于建筑物的高度Height表示为h_c；

小区发射机基站天线有效高度h_rc＝Cel Y+h_c；

栅格观察点与基站天线之间的高度差表示为Δh＝h_cb+h_c；

栅格观察点的海拔高度为h_a；

当前栅格单元与发射机水平距离表示为d_h；

当前栅格点B与信号天线A的3D欧式距离表示为d；

栅格(X,Y)海拔高度Altitude表示为h_b；

信号发射机的水平方向角Azimuth表示为α；

信号线与AB连线的夹角记为信号偏转角表示为β；

A的坐标为(x₀,y₀,h₀)，B的坐标为(x₁,y₁,h₁)，其中基站点水平坐标为(x₀,y₀)，h₀＝h_c+h_cb+h_ca；接收点的水平坐标为(x₁,y₁)，h₁＝h_b+h_a；

所述特征建立步骤具体包括：

步骤12、设计基于无线电波传输空间位置的特征；

步骤13、设计基于信号偏转角的特征；

步骤14、设计基于无线电波传输环境阻挡物的特征集；

步骤15：确定已经建立的所有特征；

步骤12具体为：

由于无线电信号到A、B的距离d是由相对高度差Δh以及A和B的水平距离d_h共同决定的，因此，将d、Δh、d_h作为基于空间位置的一维特征；

A、B的水平距离d_h为：

A、B距离d为：

步骤13具体为：

假设平均接收信号强度均在测试点所在格栅的地面测得；

(1)基站总下倾角θ_D：

θ_D＝θ_MD+θ_ED (3)

式中，栅格测试点所在的坐标位置为(x,y)；

由于给定了发射机水平方向角，即该角α是从Y轴正方向开始顺时针不断增大的，首先将其变为二维平面上常用的从X轴正方向逆时针开始增大的α′：

α′＝(2π-α)+π/2 (4)

则信号线向量

AB连线之间的向量为

信号线

与A-B点连线对应的

在3D环境里夹角β通过余弦表示：

此时，

与

在水平面上的夹角通过两向量的x,y分量计算，将3D传输环境下的夹角cosα与水平面夹角cosβ都记为基于信号的水平偏转角特征；

步骤14具体为：

从建筑分布及高度、小区地形、地物类型三方面实现对传输环境特征的鲁棒抽取；

(1)建筑物分布及高度特征M_b：

式中，A_b、B_b、C_b分别为建筑物点云地图中表示X、Y、Z轴方向的坐标值，建筑物点云的协方差矩阵为对称矩阵，因此Cov(A_b,B_b)＝Cov(B_b,A_b),Cov(A_b,C_b)＝Cov(C_b,A_b),Cov(B_b,C_b)＝Cov(C_b,B_b)，地图点云的协方差矩阵M_b共有6个有效的元素参数：Cov(A_b,B_b)、Cov(A_b,C_b)、Cov(B_b,C_b)以及各自的方差，对于坐标列向量A和B来说，协方差Cov(A_b,B_b)用下式计算:

式中，A_bi表示列向量A_b的第i个元素值，B_bi表示列向量B_b的第i个元素值，

是列向量A_b的均值，

是列向量B_b的均值；

利用传输环境中小区坐标、建筑物高度数据、RSRP标签数据，可以得到小区建筑的三维点云，对小区建筑进行特征提取，就转化成了对三维刚性体目标进行特征提取的问题从而实现对目标点云特征的鲁棒抽取，小区建筑点云协方差矩阵反映了小区建筑的分布及高度特征，所以在步骤14中，设定的特征为观察点-基站点连线上的阻挡物数量，可计算不同观测点密度、传输路径上建筑度密度受到的传输损耗。

2.如权利要求1所述的方法，其特征在于，步骤二具体包括：

步骤21、利用基于机器学习的特征筛选方法进行特征筛选；

步骤22、得到基于机器学习的单一特征筛选结果，并进行仿真分析。

3.如权利要求1所述的方法，其特征在于，步骤21中采用过滤式的特征筛选方法和基于嵌入式的特征筛选方法进行特征筛选。

4.如权利要求2所述的方法，其特征在于，步骤二还包括步骤23：采用基于深度学习的特征筛选方法进行特征筛选。

Images