(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211237155.8 (22)申请日 2022.10.11 (71)申请人 中国人民解 放军战略支援 部队航天 工程大学 地址 101416 北京市怀柔区八一路一 号 (72)发明人 温晓敏　方胜良　胡豪杰　范友臣　 程东航　徐照菁　马昭　王孟涛　 刘涵　吴曙光　 (74)专利代理 机构 北京天盾知识产权代理有限 公司 11421 专利代理师 姜有保 (51)Int.Cl. H04B 17/309(2015.01) H04L 41/16(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于矩阵补全的路径损耗数据增强方 法及系统 (57)摘要 本发明涉及信息与通信工程技术领域， 具体 公开了一种基于矩 阵补全的路径损耗数据增强 方法及系统， 包括基于发射基站和监测站点的特 征属性数据构建特征属性数据集， 并获取少量监 测站点的路径损耗实测值； 将特征属性数据集中 的数据输入 经验预测模型中进行计算， 从而获得 该监测站点的经验模型路径损耗预测值； 基于经 验模型路径损耗预测值和少量监测站点的路径 损耗实测值， 构建路径损耗稀疏低秩矩阵； 将路 径损耗稀 疏低秩矩阵进行补全， 以获得补全的路 径损耗矩阵； 将补全的路径损耗矩阵与特征属性 数据集中的数据进行结合， 从而形成增强数据训 练集； 基于增强数据训练集对模型进行训练； 该 方法避免了获取大量测量数据， 有效地扩充了数 据集。 权利要求书2页 说明书12页 附图8页 CN 115314133 A 2022.11.08 CN 115314133 A 1.一种基于矩阵补全的路径损耗数据增强方法， 其特 征在于， 包括以下步骤： S100： 基于发射基站和监测站点的特征属性数据构建特征属性数据集， 并获取少量监 测站点的路径损耗实测值； S200： 将所述特征属性数据集中的数据输入经验预测模型中进行计算， 从而获得该监 测站点的经验 模型路径损耗预测值； S300： 基于所述经验模型路径损耗预测值和少量监测站点的路径损耗实测值， 构建路 径损耗稀疏低秩矩阵； S400： 将路径损耗稀疏低秩矩阵进行补全， 以获得补全的路径损耗矩阵； 将补全的路径 损耗矩阵与特 征属性数据集中的数据进行 结合， 从而形成增强数据训练集； S500： 基于所述增强数据训练集对机器学习预测模型进行训练。 2.根据权利要求1所述的路径损耗数据增强方法， 其特征在于， 所述步骤S100中发射基 站的特征属性数据包括发射功率以及发射天线经度、 纬度、 高度、 主瓣方向； 监测站点的特 征属性数据包括纬度、 经度、 高度、 植被种类和楼宇高度、 密度。 3.根据权利要求1所述的路径损耗数据增强方法， 其特征在于， 所述步骤S100还包括对 所述特征属性数据集进行降维预处 理。 4.根据权利要求3所述的路径损耗数据增强方法， 其特征在于， 所述降维预处理包括以 下子步骤： （1） 对所述特 征属性数据集中各个维度的特 征属性进行 标准化预处理； （2） 计算协方差矩阵以分析 各特征属性数据之间的相关性； （3） 基于各特征属性数据之间的相关性筛选出特征属性数据集中的主特征， 从而实现 特征属性数据集的降维。 5.根据权利要求1所述的路径损耗数据增强方法， 其特征在于， 所述步骤S200中的经验 预测模型包括自由空间传播模型、 ECC ‑33经验模型、 Okumura ‑Hata经验模型和COST ‑231  Hata经验 模型中的任一个。 6.根据权利要求1所述的路径损耗数据增强方法， 其特征在于， 所述步骤S300中的路径 损耗稀疏低秩矩阵通过以下 方法构建： 基于经验模型路径损耗预测值和少量监测 站点的路径损耗实测值构建矩阵， 该矩阵中 其中一行 的数据为路径损耗实测值， 将该行 的数据按照数据不完整比例进行随机置零， 以 形成路径损耗稀疏低秩矩阵。 7.根据权利要求1所述的路径损耗数据增强方法， 其特征在于， 所述步骤S400中将路径 损耗稀疏低秩矩阵进行补全 包括以下子步骤： S410： 将路径损耗稀疏低秩矩阵按设定截断长度进行分段， 以获得若干截断矩阵； S420： 基于损失函数求得 所述若干截断矩阵的近似矩阵； S430： 将所述若干截断矩阵的近似矩阵进行拼接， 以获得补全的路径损耗矩阵。 8.根据权利要求7所述的路径损耗数据增强方法， 其特征在于， 将补全的路径损耗矩阵 与特征属性数据集中的数据进行 结合包括： 提取所述补全的路径损耗矩阵第 一行的所有数据， 与发射基站和监测 站点的特征属性 数据进行 结合， 从而获得增强数据训练集。 9.根据权利要求1所述的路径损耗数据增强方法， 其特征在于， 步骤S500中的机器学习权　利　要　求　书 1/2 页 2 CN 115314133 A 2预测模型包括BP神经网络模型、 SVM回归预测模型和决策树回归预测模型中的一种或多种。 10.一种基于矩阵补全的路径损耗数据增强系统， 其特征在于， 包括获取模块、 计算模 块、 路径损耗稀疏低秩矩阵构建模块、 补全 模块和训练模块； 所述获取模块用于基于发射基站和监测站点的特征属性数据构建特征属性数据集， 并 获取少量 监测站点的路径损耗实测值； 所述计算模块用于将所述特征属性数据集中的数据输入经验预测模型中进行计算， 从 而获得该监测站点的经验 模型路径损耗预测值； 所述路径损耗稀疏低秩矩阵构建模块用于基于所述经验模型路径损耗预测值和少量 监测站点的路径损耗实测值， 构建路径损耗稀疏低秩矩阵； 所述补全模块用于将路径损耗稀疏低秩矩阵进行补全， 以获得补全的路径损耗矩阵； 将补全的路径损耗矩阵与特 征属性数据集中的数据进行 结合， 从而形成增强数据训练集； 所述训练模块用于基于所述增强数据训练集对机器学习预测模型进行训练。权　利　要　求　书 2/2 页 3 CN 115314133 A 3