一种基于遗传算法的通信基站电磁辐射相关性分析方法转让专利
申请号 : CN201610153055.5
文献号 : CN105653502B
文献日 : 2018-06-12
发明人 : 杨万春 , 刘永军 , 李勃东 , 曹春红 , 肖芬 , 胡凯 , 高协平
申请人 : 湘潭大学
摘要 :
本发明公开了一种基于遗传算法的通信基站电磁辐射相关性分析方法，包括以下步骤：利用频谱分析仪测量被测区域通信基站的下行发射功率；将测量的功率值转化成相应的电磁辐射强度，再进行数据的平均化处理；通过遗传算法对测量数据进行分析，建立通信基站电磁辐射强度随时间变化的函数；利用函数表达式计算通信基站电磁辐射的相关性；从理论上分析电磁辐射强度随时间变化的规律以及同一区域内多基站系统电磁辐射变化规律。本发明能预测通信基站电磁辐射强度随时间变化的相关性，同时也能预测同一区域内多个基站电磁辐射的相关性，为以后电磁辐射分析提供新的思路。
权利要求 :
1.一种基于遗传算法的通信基站电磁辐射相关性分析方法，包括以下步骤：(1)利用频谱分析仪测量被测区域通信基站的下行发射功率；
(2)将测量的功率值转化成相应的电磁辐射强度，再进行数据的平均化处理；
(3)通过遗传算法对测量数据进行分析，建立通信基站电磁辐射强度随时间变化的函数；
所述步骤(3)中，首先建立电磁辐射随时间变化的函数： 其中，ai,bi,ci为待定参数，m为多项式的项数，t为时间自变量，t的取值范围为一天24小时中的任意时刻，并且每个整点时刻t1,t2,…,t24所对应的电磁辐射强度值为e1,e2,…,e24；根据遗传算法对参数ai,bi,ci进行预测的具体步骤如下：①对ai,bi,ci进行编码，随机产生N个这样的个体作为初始种群；
②计算目标函数值：由 计算得到t1,t2,…,tj不同时刻电磁辐射的强度，记为E1,E2,…,Ej,j＝1,2,…,24；
③计算适应度值：利用pj＝(Ej-ej)2， 对适应度值进行计算；其中，pj表示第j个个体的适应度,p为所有个体适应度的累加和；
④遗传操作：使用遗传算法选择、交叉、变异进行遗传运算，得到下一代种群；
⑤设定遗传算法终止条件，若满足条件遗传终止，输出p最小时对应的个体编码并编码得到参数ai,bi,ci；若不满足条件，返回步骤③继续；
(4)利用步骤(3)得到的函数计算通信基站电磁辐射的相关性；
(5)从理论上分析电磁辐射强度随时间变化的规律以及同一区域内多基站系统电磁辐射变化规律。
2.根据权利要求1所述的基于遗传算法的通信基站电磁辐射相关性分析方法，其特征在于：所述步骤(1)中，频谱分析仪采用“zero-span”时域测量的方法测量被测区域通信基站的下行发射功率。
3.根据权利要求1所述的基于遗传算法的通信基站电磁辐射相关性分析方法，其特征在于：所述步骤(2)中，根据下列公式将频谱分析仪实时测量的功率值转变为相应的电磁辐射强度：单位为V/m
其中P为实测功率值,单位为dBm，AF为天线因子，单位为dB/m，ARF为电缆损耗，单位为dB,以及射频电缆阻抗Z＝50Ω；
利用 将每天同一时刻的测量数据进行平均处化理；
其中j表示为整点时刻，n为测量天数，为第n天j时刻的辐射强度值，ej为平均处理后每个整点时刻的电磁辐射强度值，j＝1,2,…,24。
4.根据权利要求3所述的基于遗传算法的通信基站电磁辐射相关性分析方法，其特征在于，所述步骤(3)，根据遗传算法对参数ai,bi,ci进行预测的具体步骤④中，选择运算：令父代被选择的概率Sj为：其中p为所有个体适应度的累加和，pj为第j个个体的适应度，j＝1,2,…,24；
交叉运算：在父代中随机选择两个个体a与b作为双亲，并进行线形组合，从而形成两个子代个体：a′＝a+(1-r)(a-b)
b′＝a-r(a-b)
其中，交叉率r＝0.85，a、b和a′、b′分别表示父代个体和子代个体，由父代个体被选择的概率决定两组父代的选择并进行随机的两两配对，生成N对双亲，且通过杂交操作过程产生N个子代种群个体；
变异运算：对于每一个父代个体而言，将其变异率都设定为0.01。
5.根据权利要求4所述的基于遗传算法的通信基站电磁辐射相关性分析方法，其特征在于，所述步骤(3)，根据遗传算法对参数ai,bi,ci进行预测的具体步骤⑤中，遗传算法的终止条件为同时满足以下两个表达式：其中{e1,e2,…,ej}表示实测的电磁辐射值，{E1,E2,…,Ej}为通过拟合函数计算的电磁辐射值，为实测电磁辐射值{e1,e2,…,ej}的平均值， 为通过拟合函数计算的电磁辐射值{E1,E2,…,Ej}的平均值，j＝1,2,…,24；R-square为确定系数，表示实际测量值与预测值之间相关系数的平方，取值范围为[0,1]；RMSE为标准差，表示数据值偏离算术平均值的程度。
6.根据权利要求5所述的基于遗传算法的通信基站电磁辐射相关性分析方法，其特征在于：所述步骤(4)中，相关性的计算方法如下：假设通信信道X,Y的测量数据经遗传算法拟合后，其拟合函数为EX(t)和EY(t)，利用拟合得到的函数表达式，分别通过 计算信道内部以及不同信道之间电磁辐射强度的相关性；其中， RXX(τ)表示通信信道X电磁辐射的自相关函数， RXY(τ)表示为通信信道X与Y之间电磁辐射的互相关函数，uX、σX表示拟合函数EX(t)的平均值和均方差，uY、σY表示拟合函数EY(t)的平均值和均方差。
说明书 :
一种基于遗传算法的通信基站电磁辐射相关性分析方法
技术领域
[0001] 本发明涉及一种通信基站电磁辐射相关性分析方法，特别涉及一种基于遗传算法的通信基站电磁辐射相关性分析方法。
背景技术
[0002] 随着无线通信技术的迅速发展，大量的基站建立在我们生活的周围。人们在关注基站给人类带来便利的同时，对电磁辐射造成的影响也越来越重视。研究发现基站电磁辐射暴露值不但随时间变化、跟基站话务量相关，而且由于人们生活具有一定的规律性，在同一区域内的多个基站，其电磁辐射变化同样也存在一定的相关性。因此，分析通信基站电磁辐射随时间变化的相关性，以及分析同一区域内多个基站电磁辐射相关性具有很强的理论意义和实用价值。
发明内容
[0003] 为了解决上述技术问题，本发明提供一种能预测通信基站电磁辐射强度随时间变化的相关性，同时也能预测同一区域内多个基站电磁辐射的相关性的基于遗传算法的通信基站电磁辐射相关性分析方法。
[0004] 本发明解决上述问题的技术方案是：一种基于遗传算法的通信基站电磁辐射相关性分析方法，包括以下步骤：
[0005] (1)利用频谱分析仪测量被测区域通信基站的下行发射功率；
[0006] (2)将测量的功率值转化成相应的电磁辐射强度，再进行数据的平均化处理；
[0007] (3)通过遗传算法对测量数据进行分析，建立通信基站电磁辐射强度随时间变化的函数；
[0008] (4)利用步骤(3)得到的函数计算通信基站电磁辐射的相关性；
[0009] (5)从理论上分析电磁辐射强度随时间变化的规律以及同一区域内多基站系统电磁辐射变化规律。
[0010] 上述基于遗传算法的通信基站电磁辐射相关性分析方法，所述步骤(1)中，频谱分析仪采用“zero-span”时域测量的方法测量被测区域通信基站的下行发射功率。
[0011] 上述基于遗传算法的通信基站电磁辐射相关性分析方法，所述步骤(2)中，根据下列公式将频谱分析仪实时测量的功率值转变为相应的电磁辐射强度：
[0012]
[0013] 其中P为实测功率值,单位为dBm，AF为天线因子，单位为dB/m，ARF为电缆损耗，单位为dB,以及射频电缆阻抗Z＝50Ω；
[0014] 利用 将每天同一时刻的测量数据进行平均处化理；
[0015] 其中j表示为整点时刻，n为测量天数， 为第n天j时刻的辐射强度值，ej为平均处理后每个整点时刻的电磁辐射强度值，j＝1,2,…,24。
[0016] 上述基于遗传算法的通信基站电磁辐射相关性分析方法，所述步骤(3)中，首先建立电磁辐射随时间变化的函数： 其中，ai,bi,ci为待定参数，m为多项式项数，t为时间自变量，t的取值范围为一天24小时中的任意时刻，并且每个整点时刻t1,t2,…,t24所对应的电磁辐射强度值为e1,e2,…,e24；根据遗传算法对参数ai,bi,ci进行预测的具体步骤如下：
[0017] ①对ai,bi,ci进行编码，随机产生N个这样的个体作为初始种群；
[0018] ②计算目标函数值：由 计算得到t1,t2,…,tj不同时刻电磁辐射的强度，记为E1,E2,…,Ej,j＝1,2,…,24；
[0019] ③计算适应度值：利用pj＝(Ej-ej)2， 对适应度值进行计算；其中，pj表示第j个个体的适应度,p为所有个体适应度的累加和，j＝1,2,…,24；
[0020] ④遗传操作：使用遗传算法选择、交叉、变异进行遗传运算，得到下一代种群；
[0021] ⑤设定遗传算法终止条件，若满足条件遗传终止，输出p最小时对应的个体编码并编码得到参数ai,bi,ci；若不满足条件，返回步骤③继续。
[0022] 上述基于遗传算法的通信基站电磁辐射相关性分析方法，所述步骤(3)，根据遗传算法对参数ai,bi,ci进行预测的具体步骤④中，
[0023] 选择运算：令父代被选择的概率Sj为：
[0024]
[0025] 其中p为所有个体适应度的累加和，pj为第j个个体的适应度，j＝1,2,…,24；
[0026] 交叉运算：在父代中随机选择两个个体a与b作为双亲，并进行线形组合，从而形成两个子代个体：
[0027] a′＝a+(1-r)(a-b)
[0028] b′＝a-r(a-b)
[0029] 其中，交叉率r＝0.85，a、b和a′、b′分别表示父代个体和子代个体，由父代个体被选择的概率决定两组父代的选择并进行随机的两两配对，生成N对双亲，且通过杂交操作过程产生N个子代种群个体；
[0030] 变异运算：对于每一个父代个体而言，将其变异率都设定为0.01。
[0031] 上述基于遗传算法的通信基站电磁辐射相关性分析方法，所述步骤(3)，根据遗传算法对参数ai,bi,ci进行预测的具体步骤⑤中，遗传算法的终止条件为同时满足以下两个表达式：
[0032]
[0033]
[0034] 其中{e1,e2,…,ej}表示实测的电磁辐射值，{E1,E2,…,Ej}为通过拟合函数计算的电磁辐射值，为实测电磁辐射值{e1,e2,…,ej}的平均值， 为通过拟合函数计算的电磁辐射值{E1,E2,…,Ej}的平均值，j＝1,2,…,24；R-square为确定系数，表示实际测量值与预测值之间相关系数的平方，取值范围为[0,1]；RMSE为标准差，表示数据值偏离算术平均值的程度。
[0035] 上述基于遗传算法的通信基站电磁辐射相关性分析方法，所述步骤(4)中，相关性的计算方法如下：
[0036] 假设通信信道X,Y的测量数据经遗传算法拟合后，其拟合函数为EX(t)和EY(t)，利用拟合得到的函数表达式，分别通过 计算信道内部以及不同信道之间电磁辐射强度的相关性；其中，
RXX(τ)表示通信信道X电磁辐射的自相关函数， RXY(τ)表
示为通信信道X与Y之间电磁辐射的互相关函数，uX、σX表示拟合函数EX(t)的平均值和均方差，uY、σY表示拟合函数EY(t)的平均值和均方差。
RXX(τ)表示通信信道X电磁辐射的自相关函数， RXY(τ)表
示为通信信道X与Y之间电磁辐射的互相关函数，uX、σX表示拟合函数EX(t)的平均值和均方差，uY、σY表示拟合函数EY(t)的平均值和均方差。
[0037] 本发明的有益效果在于：本分析方法利用基于遗传算法的拟合模型对测量数据进行拟合，建立电磁辐射强度随时间变化的函数，该拟合模型继承遗传算法的优胜劣汰原则，通过复制、杂交、变异等遗传操作逐步改善直到找到满意解，从而提高拟合函数的精度，并通过利用拟合得到的随时间变化的函数表达式计算通信基站电磁辐射强度的相关性，进行相关性分析，该方法能预测通信基站电磁辐射强度随时间变化的相关性，同时也能预测同一区域内多个基站电磁辐射的相关性，为以后电磁辐射分析提供新的思路。
附图说明
[0038] 图1为本发明的流程图。
[0039] 图2为图1中步骤(3)的流程图。
[0040] 图3为本发明实施例中TD-SCDMA实测数据和拟合曲线图。
[0041] 图4为本发明实施例中WCDMA实测数据和拟合曲线图。
[0042] 图5为本发明实施例中CDMA2000实测数据和拟合曲线图。
具体实施方式
[0043] 下面以国内通用的三种3G通信制式作为具体的实例，对本发明作进一步的详细描述。
[0044] 如图1所示，一种基于遗传算法的通信基站电磁辐射相关性分析方法，包括以下步骤：
[0045] 步骤一：利用频谱分析仪测量被测区域通信基站的下行发射功率。
[0046] 选取学生宿舍作为实验的测量地点，利用tems路测软件分别得到小区TD-SCDMA、WCDMA、CDMA2000的中心频率。
[0047] 选用频谱分析仪，采用“zero-span”时域测量的方法对被测区域3G通信基站下行发射功率进行为期一周的测量，其频谱分析仪参数设定见下表1。
[0048] 表1 频谱分析仪参数设置
[0049]
[0050] 步骤二：将测量的功率值转化成相应的电磁辐射强度，再进行数据的平均化处理。
[0051] 根据下列公式将频谱分析仪实时测量的功率值转变为相应的电磁辐射强度：
[0052]
[0053] 其中P为实测功率值,单位为dBm，AF为天线因子，单位为dB/m，ARF为电缆损耗，单位为dB,以及射频电缆阻抗Z＝50Ω；
[0054] 利用 将每天同一时刻的测量数据进行平均处化理；
[0055] 其中j表示为整点时刻，n为测量天数， 为第n天j时刻的辐射强度值，ej为平均处理后每个整点时刻的电磁辐射强度值，j＝1,2,…,24。
[0056] 步骤三：通过遗传算法对测量数据进行分析，建立通信基站电磁辐射强度随时间变化的函数。
[0057] 如图2所示，首先根据处理后的测量数据建立电磁辐射随时间变化的函数：其中，ai,bi,ci为待定参数，m＝4，t为时间自变量，t的取值范围为
一天24小时中的任意时刻，并且每个整点时刻t1,t2,…,t24所对应的电磁辐射强度值为e1,e2,…,e24；根据遗传算法对参数ai,bi,ci进行预测的具体步骤如下：
一天24小时中的任意时刻，并且每个整点时刻t1,t2,…,t24所对应的电磁辐射强度值为e1,e2,…,e24；根据遗传算法对参数ai,bi,ci进行预测的具体步骤如下：
[0058] ①假设待定系数ai,bi,ci的取值范围为[-5,5]，对待定参数ai,bi,ci进行编码，随机产生N个这样的个体作为初始种群，设置N＝100；
[0059] ②计算目标函数值：由 计算得到t1,t2,…,tj不同时刻电磁辐射的强度，记为E1,E2,…,Ej,j＝1,2,…,24；
[0060] ③计算适应度值：利用pj＝(Ej-ej)2， 对适应度值进行计算；其中，pj表示第j个个体的适应度,p为所有个体适应度的累加和，j＝1,2,…,24；适应度值的大小决定着适应度的高低，适应度值越大，适应度越低，反之则适应度高；
[0061] ④遗传操作：使用遗传算法选择、交叉、变异进行遗传运算，得到下一代种群；
[0062] 选择运算：依据每个个体的适应值衡量其的优劣程度，自然规律物竞天择适者生存从而决定该个体在下一代是被遗传还是被淘汰。令父代被选择的概率Sj为：
[0063]
[0064] 其中p为所有个体适应度的累加和，pj为第j个个体的适应度，j＝1,2,…,24；
[0065] 交叉运算：产生子代群体，在同一个群体中不同的个体之间，彼此进行信息的交换实现遗传交叉操作，在实数编码系统中任意一个基因都表示其特定的一个优化值，为了保持个体信息的多样性，在父代中随机选择两个个体a与b作为双亲，并进行线形组合，从而形成两个子代个体：
[0066] a′＝a+(1-r)(a-b)
[0067] b′＝a-r(a-b)
[0068] 其中，交叉率r＝0.85，a、b和a′、b′分别表示父代个体和子代个体，由父代个体被选择的概率决定两组父代的选择并进行随机的两两配对，生成N对双亲，且通过杂交操作过程产生N个子代种群个体；
[0069] 变异运算：由于采用的是实数编码，所以不能直接进行行位的翻转，故采用了随机变异。具体操作如下：对于每一个父代个体而言，将其变异率都设定为0.01。
[0070] ⑤设定遗传算法终止条件，若满足R-square>0.9且RMSE<0.2，则遗传终止，输出p最小时对应的个体编码并编码得到参数ai,bi,ci；若不满足条件，返回步骤③继续。其中：
[0071]
[0072]
[0073] 其中{e1,e2,…,ej}表示实测的电磁辐射值，{E1,E2,…,Ej}为通过拟合函数计算的电磁辐射值，为实测电磁辐射值{e1,e2,…,ej}的平均值， 为通过拟合函数计算的电磁辐射值{E1,E2,…,Ej}的平均值，j＝1,2,…,24；R-square为确定系数，表示实际测量值与预测值之间相关系数的平方，取值范围为[0,1]，其值越接近1，其函数对数据拟合的效果也越好；RMSE为标准差，表示数据值偏离算术平均值的程度，其取值越小，拟合效果越好。
[0074] 频谱分析的测量数据经过数据处理后，分别得到被测区域TD-SCDMA、WCDMA、CDMA2000一天24小时电磁辐射强度如下表2。
[0075] 表2 3G通信基站电磁辐射强度测量值
[0076]时间 TD‐SCDMA WCDMA CMDA2000 时间 TD-SCDMA WCDMA CDMA2000
1 0.620 0.510 0.253 13 0.907 0.664 0.391
2 0.610 0.499 0.239 14 0.877 0.655 0.379
3 0.609 0.491 0.249 15 0.790 0.611 0.364
4 0.581 0.501 0.254 16 0.759 0.619 0.367
5 0571 0.518 0.242 17 0.845 0.651 0.371
6 0.609 0.563 0.263 18 0.859 0.661 0.384
7 0.691 0.580 0.318 19 0.816 0.633 0.380
8 0.681 0.577 0.359 20 0.821 0.624 0.375
9 0.794 0.591 0.365 21 0.837 0.621 0.379
10 0.843 0.628 0.363 22 0.952 0.651 0.375
11 0.920 0.679 0.376 23 0.860 0.622 0.369
12 0.959 0.687 0.382 24 0.663 0.513 0.267
1 0.620 0.510 0.253 13 0.907 0.664 0.391
2 0.610 0.499 0.239 14 0.877 0.655 0.379
3 0.609 0.491 0.249 15 0.790 0.611 0.364
4 0.581 0.501 0.254 16 0.759 0.619 0.367
5 0571 0.518 0.242 17 0.845 0.651 0.371
6 0.609 0.563 0.263 18 0.859 0.661 0.384
7 0.691 0.580 0.318 19 0.816 0.633 0.380
8 0.681 0.577 0.359 20 0.821 0.624 0.375
9 0.794 0.591 0.365 21 0.837 0.621 0.379
10 0.843 0.628 0.363 22 0.952 0.651 0.375
11 0.920 0.679 0.376 23 0.860 0.622 0.369
12 0.959 0.687 0.382 24 0.663 0.513 0.267
[0077] 将每组测量数据通过上述的遗传算法计算求得参数ai,bi,ci，如下表3所示。
[0078] 表3 计算参数列表
[0079]
[0080] 将求得的待定参数带入目标函数分别得到TD-SCDMA、WCDMA、CDMA2000电磁辐射强度随时间变化的函数表达式；
[0081] ETD-SCDMA(t)＝0.087sin(0.632t+0.596)-0.337sin(1.298t-4.283)-0.319sin(-1.318t-1.819)-0.873sin(-0.07t-0.491)
[0082] ΕWCDMA(t)＝0.027sin(0.666t+0.314)-0.189sin(1.28t+2.142)+0.657sin(0.061t+0.664)-0.172sin(-1.301t-1.906)
[0083] ECDMA2000(t)＝-0.830sin(0.128t+3.745)+0.013sin(1.305t+3.604)+0.188sin(0.339t-1.484)-0.669sin(-0.209t-3.109)
[0084] 从图3，4，5分析可得：TD-SCDMA、WCDMA、CDMA2000基于遗传算法的曲线拟合图的精度非常高，便于我们利用其拟合函数表达式对其相关性进行计算。
[0085] 步骤四：利用步骤三得到的函数计算通信基站电磁辐射的相关性。
[0086] 相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度，假设X与Y为不同的通信信道，且EX(t)、EY(t)分别代表不同信道电磁辐射的拟合函数。
[0087] 单信道电磁辐射随时间的自相关性计算：
[0088] 将上述拟合得到的函数表达式通过 计算出3G通信基站信道的自相关系数，分析电磁辐射随时间变化的相关性。
[0089] 其中， RXX(τ)表示为X通信信道电磁辐射的自相关函数，uX和σX分别表示为EX(t)平均值和均方值。
[0090] 同一区域内多个基站电磁辐射相关性计算：
[0091] 将上述拟合得到的函数表达式通过 计算出3G通信基站不同信道之间的互相关系数，分析同一区域内多个电磁辐射变化的相关性。
[0092] 其中， RXY(τ)为不同通信信道之间电磁辐射的互相关函数，uY、σY表示拟合函数EY(t)的平均值和均方差。
[0093] 步骤五：从理论上分析电磁辐射强度随时间变化的规律以及同一区域内多基站系统电磁辐射变化规律。
[0094] 此处选用TD-SCDMA通信信道作为自相关性的研究对象，将其拟合函数代入上式，计算出该信道电磁辐射在各个时间段之间的相关性。其中表2给出了时间延时为0-11小时计算出的自相关系数。从表4中可以看出三种不同的通信信道相关系数的变化具有相同的趋势。当τ≤2时，其相关系数均大于0.9，属于强相关性，表明未来的2小时电磁辐射的变化将会高度一致。当τ＞11时，相关系数小于0.5，此时属于弱相关性。
[0095] 表4 3G通信基站的自相关系数
[0096]τ(小时) TD‐SCDMA WCDMA CMDA2000 τ(小时) TD-SCDMA WCDMA CDMA2000
0 1 1 1 6 0.757 0.765 0.767
0.5 0.985 0.984 0.986 6.5 0.736 0.742 0.744
1 0.966 0.966 0.970 7 0.715 0.719 0.720
1.5 0.944 0.947 0.952 7.5 0.694 0.697 0.695
2 0.921 0.926 0.933 8 0.674 0.674 0.671
2.5 0.898 0.907 0.912 8.5 0.653 0.652 0.647
3 0.877 0.887 0.892 9 0.632 0.630 0.624
3.5 0.857 0.868 0.872 9.5 0.610 0.607 0.600
4 0.838 0.850 0.852 10 0.585 0.583 0.575
4.5 0.819 0.830 0.832 10.5 0.559 0.558 0.549
5 0.799 0.810 0.812 11 0.530 0.533 0.522
5.5 0.778 0.788 0.790
0 1 1 1 6 0.757 0.765 0.767
0.5 0.985 0.984 0.986 6.5 0.736 0.742 0.744
1 0.966 0.966 0.970 7 0.715 0.719 0.720
1.5 0.944 0.947 0.952 7.5 0.694 0.697 0.695
2 0.921 0.926 0.933 8 0.674 0.674 0.671
2.5 0.898 0.907 0.912 8.5 0.653 0.652 0.647
3 0.877 0.887 0.892 9 0.632 0.630 0.624
3.5 0.857 0.868 0.872 9.5 0.610 0.607 0.600
4 0.838 0.850 0.852 10 0.585 0.583 0.575
4.5 0.819 0.830 0.832 10.5 0.559 0.558 0.549
5 0.799 0.810 0.812 11 0.530 0.533 0.522
5.5 0.778 0.788 0.790
[0097] 通过计算，从表5可知在同一时刻(τ＝0)3G通信信道之间的相关系数分别高达0.998、0.998、0.997，属于强相关，可以证明它们在此测试区域，不同通信基站电磁辐射变化规律极为相似。因此，该被测区域我们只需分析其中一种通信信道，就可以利用其强相关性，预测其它信道电磁辐射的变化特性，大大缩减其测量时间。随着时间延时τ的增加，当τ＞11时，通信基站之间的相关性转变为弱相关。
[0098] 表5 同一区域多个基站电磁辐射的互相关性
[0099]
[0100] 本分析方法利用基于遗传算法的拟合模型对测量数据进行拟合，建立电磁辐射强度随时间变化的函数，该拟合模型继承遗传算法的优胜劣汰原则，通过复制、杂交、变异等遗传操作逐步改善直到找到满意解，从而提高拟合函数的精度，并通过利用拟合得到的随时间变化的函数表达式计算通信基站电磁辐射强度的相关性，进行相关性分析，该方法能预测通信基站电磁辐射强度随时间变化的相关性，同时也能预测同一区域内多个基站电磁辐射的相关性，为以后电磁辐射分析提供新的思路。