CN111147163A - 一种基于dnn神经网络的无线通信链路损耗预测方法 - Google Patents
一种基于dnn神经网络的无线通信链路损耗预测方法 Download PDFInfo
- Publication number
- CN111147163A CN111147163A CN201911300411.1A CN201911300411A CN111147163A CN 111147163 A CN111147163 A CN 111147163A CN 201911300411 A CN201911300411 A CN 201911300411A CN 111147163 A CN111147163 A CN 111147163A
- Authority
- CN
- China
- Prior art keywords
- dnn
- neural network
- model
- full
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于DNN神经网络的无线通信链路损耗预测方法,所述方法具体包括如下步骤:步骤1:对基站与测试点空间位置关系的实测数据进行栅格数字化处理,分别基于实测数据提取地理位置特征向量和信号空间特征向量;步骤2:搭建DNN全连接深度神经网络模型;步骤3:对数据进行预处理以及对DNN全连接深度神经网络模型进行参数设定;步骤4:对DNN全连接深度神经网络模型进行训练以及指标监测;步骤5:选取三个特定场景对比分析COST231‑Hata修正模型和DNN全连接深度神经网络模型对无线传播链路损耗进行预测评估;该发明在MATLAB平台进行原始实测通信数据预处理,并在Python平台利用Keras深度学习框架搭建DNN网络,具有更加准确的预测精度和场景适应性。
Description
技术领域
本发明涉及数字通信领域,尤其涉及一种基于DNN神经网络的无线通信链路损耗预测方法。
背景技术
无线信道的电波传输特性与信道环境密切相关。复杂的电磁通信环境下,会产生诸如反射、散射、绕射等电波传播方式,此时的链路损耗与自由空间损耗模型大有不同,需要加入特定的场景修正因子。精准的无线电传输损耗模型的建立,可以对基站目标通信覆盖范围内的电磁传输情况进行相对准确的预测,为后续通信业务指标例如:小区基站覆盖范围、小区间网络干扰、通信传输速率以及通信链路容量等指标的有效估算提供理论依据。
传统电波传输损耗模型主要有三种,经验模型、理论模型和改进经验模型。经验模型的设计是根据大量场景实测数据进行公式参数拟合,典型模型有Cost231-Hata、Okumura等。理论模型主要依据电磁传播理论、考虑电磁波在空间中的反射、折射和散射,借助几何光学理论、几何绕射理论和一致绕射理论等,进行理论建模,代表性的是Volcano模型。改进经验模型是依据特定电波传输场景下的实测数据,设定特定的场景修正因子,从而获得更为细化的分类场景传输模型,典型的有Standard Propagation Model,SPM。
传统经验模型,例如COST231-Hata,需根据实际研究无心通信区域,在原有模型基础上引入场景修正项,以达到更加准确的模型预测结果。基于传统无线传输模型的大量研究只是针对不同的电波传输环境,引入参数拟合的场景修正因子,并没有提出一种具有普适性的适用于多场景的损耗预测模型。因此如何建立一个预测精度高,且适用于多场景的无线传输链路损耗预测模型成为亟待解决的问题。
随着近几年机器学习在各个领域的成功运用,近期无线通信领域与机器学习的结合也得到了很快的发展。本文基于DNN全连接神经网络,并结合大量不同场景实测数据,对模型进行训练。相较于传统模型预测精度有大幅提高,且对环境鲁棒性更好。
发明内容
本发明的目的是克服现有技术存在的缺陷,提供一种具有更加精准的预测精度和场景适应性的基于DNN神经网络的无线通信链路损耗预测方法。
本发明为解决上述技术问题而采用的技术方案为:一种基于DNN神经网络的无线通信链路损耗预测方法,所述方法具体包括如下步骤:
步骤1:对基站与测试点空间位置关系的实测数据进行栅格数字化处理,分别基于实测数据提取地理位置特征向量和信号空间特征向量;
步骤2:搭建DNN全连接深度神经网络模型,所述模型输入20维度的特征向量,其中:所述模型隐藏层共3层,每层64个神经元且采用全连接方式,所述模型输出层为1维向量,即预测的RSRP数值;
步骤3:对数据进行预处理以及对DNN全连接深度神经网络模型进行参数设定;
步骤4:对DNN全连接深度神经网络模型进行训练以及指标监测,如果训练模型在输出层未能达到定义误差函数精度要求,则转入深度网络反向传播阶段,并将输出层误差根据训练权重“分发”给各层神经单元,从而获得各层参考误差,作为神经元参数修改依据;
步骤5:选取三个特定场景(市区开阔区域、城郊和发达城郊区域)对比分析COST231-Hata修正模型和DNN全连接深度神经网络模型对无线传播链路损耗进行预测评估。
优选地,在所述步骤2中,所述DNN全连接深度神经网络模型通过引入Dropout参数、Relu激活函数以及0.0001的学习率来避免神经网络训练过程中的过拟合和梯度爆炸现象,神经元激活函数如下式所示。
fRelu(x)=max(0,x)
优选地,在所述步骤4中,所述DNN全连接深度神经网络模型选用均方误差MSE作为损失函数监测过程,损失函数如下式所示。
优选地,在所述步骤1中,对实测数据进行地图栅格化处理,分辨率为5m*5m,坐标Y指向地理正北方向,所有地理位置坐标均在第一象限内,基站或者基站下行链路通信质量测试点坐标均以栅格单元左上角坐标表示。
优选地,所述地理位置特征向量主要反映基站和测试点物理空间距离指标,所述信号空间特征向量主要反映基站天线发射方向和下倾角度对信号覆盖范围的影响。
优选地,在所述步骤5中引入三个特定通信场景,通过引入场景修正因子对传统COST231-Hata模型进行改进,与经过训练的DNN深度网络模型在不同场景下对接收点平均信号功率指标的预测结果进行统计分析。
优选地,所述传统COST231-Hata经验模型和不同通信场景下的修正因子如下:
Ploss(dB)=46.3+33.9lgf-13.82lghb-α+(44.9-6.55lghb)·lgd+Cm
本发明对比现有技术有如下的有益效果:
本发明提供的基于DNN神经网络的无线通信链路损耗预测方法,在MATLAB平台进行原始实测通信数据预处理,并在Python平台利用Keras深度学习框架搭建DNN网络,该方法基于DNN深度神经网络使其具有更加准确的预测精度和场景适应性。
附图说明
图1地理位置栅格化处理示意图;
图2地理位置特征向量设计模型示意图;
图3信号空间特征向量设计模型示意图;
图4DNN深度神经网络模型架构;
图5测试点所在地图栅格地理类型统计;
图6本专利所训练DNN网络模型RMSE指标监测过程;
图7市区开阔区域通信场景,COST231-Hata传统经验模型与DNN模型预测指标RSRP对比图;
图8城郊区域通信场景,COST231-Hata传统经验模型与DNN模型预测指标RSRP对比图;
图9发到城郊区域通信场景,COST231-Hata传统经验模型与DNN模型预测指标RSRP对比图。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明所述的是一种基于DNN神经网络的无线通信链路损耗预测方法,所述方法具体包括如下步骤:
步骤1:对基站与测试点空间位置关系的实测数据进行栅格数字化处理,将地图位置进行栅格化处理,分辨率为5m*5m。基站下行链路测试通信设备地理位置由栅格左上角坐标点(Cell X,Cell Y)确定,如图1所示;
基于实测数据提取地理位置特征向量,如图2所示,主要包括基站所处地理栅格位置表示(CX,CY,CHeight+CAlt),测试点地理位置(TX,TY,TA)基站与测试点水平距离dh,基站信号实际下倾角度θR,信号强度中心线相对测试点高度h,信号线直射距离dl。具体公式如下所示:
θR=CED+CMD
h=CHeight+CAlt-TAlt-tan(θR)·dh
基于实测数据提取信号空间特征向量,基站发射端直接影响信号强度方向,对于偏离基站信号较远的栅格位置,需要引入信号与正北方向的偏角作为特征向量,如图3所示,主要包括:测试栅格点与基站以及正北方向的夹角θ,信号强度所在方向与正北方向夹角θA,信号强度线与测试栅格夹角θB。具体公式如下所示:
θA=CAzi
列表统计20个特征向量参数,通过相关性指标分析,基站与信号直射视距损耗的相关性明显优于其他特征,如表1所示,这与无线信号衰减理论以及自由空间传输损耗模型大致契合。处于第二位的相关性较强的特征是信号实际下倾角和测试点栅格建筑物高度,信号在空间的实际倾角直接影响基站无线信号的强度方向,对于没有处在信号强度范围内,且远离基站的测试点,信号强度较弱。测试点的地理类型也会对测试点实际信号接收功率RSRP产生影响,信号在空间传输的过程中由于建筑物遮挡会损失相当大的一部分能量,即使测试点栅格处在信号线强度覆盖范围内,建筑物对信号能量的吸收也会对测试点RSRP产生极大影响。
表1特征向量设计参数一览表
字段名称 | 含义 | 字段名称 | 含义 |
C<sub>CIndex</sub> | 基站地理类型 | C<sub>MD</sub> | 基站发射机垂直机械下倾角 |
C<sub>Alt</sub> | 基站所在栅格海拔高度 | θ<sub>R</sub> | 信号实际下倾角 |
H<sub>E</sub> | 基站所在栅格绝对高度 | h | 信号线与测试点相对高度 |
θ | 测试点与正北方向夹角 | d<sub>h</sub> | 基站与测试点栅格水平距离 |
H | 基站相对水平面高度 | T<sub>BH</sub> | 测试点所在栅格建筑物高度 |
θ<sub>B</sub> | 基站与测试点空间角 | C<sub>Fre</sub> | 基站发射信号中心频率 |
C<sub>RS</sub> | 基站发射信号功率 | d<sub>l</sub> | 基站与测试点直射链路距离 |
T<sub>Alt</sub> | 测试点所在栅格海拔高度 | T<sub>CIndex</sub> | 测试点所在栅格地理类型 |
θ<sub>A</sub> | 发射信号与正北方向夹角 | P<sub>L</sub> | 直射信号路径损耗 |
C<sub>CBH</sub> | 基站所在栅格建筑物高度 | C<sub>ED</sub> | 基站发射机电下倾角 |
步骤2:搭建DNN全连接深度神经网络模型,所述模型输入20维度的特征向量,其中:所述模型隐藏层共3层,每层64个神经元且采用全连接方式,所述模型输出层为1维向量,即预测的RSRP数值,如图4所示;
所述DNN全连接深度神经网络模型引入Dropout参数、Relu激活函数以及0.0001的学习率,其中Dropout正则化机制会随机的从全连接网络中去掉一部分神经元,使其不参与本次训练以及神经元参数更新,以解决过拟合问题,而激活函数‘Relu’可以有效防止DNN网络模型过拟合以及梯度爆炸问题,每个神经单元所采用的激活函数如下式所示:
fRelu(x)=max(0,x)
第l个隐藏层的输出公式,如下式所示:
输出层的输出公式,如下式所示:
其中J为隐藏层节点数,f代表线性输出,作为回归预测模型的输出层激活函数。
步骤3:对数据进行预处理以及对DNN全连接深度神经网络模型进行参数设定,本模型实测数据共有4000个基站在14个不同地理类型,共12011833个栅格测试点的RSRP实测指标,不同测试点地理类型频数统计如图5所示,本模型使用的网络参数如表2所示:
表2 DNN神经网络仿真参数一览表
参数名称 | 数值 | 参数名称 | 数值 |
输入层维度 | 20 | 训练Epochs | 100 |
隐藏层维度 | 3*64 | 优化器 | RMSprop |
输出层维度 | 1 | 训练步长Batch Size | 32 |
激活函数 | Relu | 训练集所占数据比例 | 80% |
Dropout层 | 0.5 | 交叉验证集所占数据比例 | 10% |
学习率 | 0.0001 | 测试集所占数据比例 | 10% |
损失函数 | MSE |
步骤4:对DNN全连接深度神经网络模型进行训练以及指标监测,监测过程如图6所示,如果训练模型在输出层未能达到定义误差函数精度要求,则转入深度网络反向传播阶段,并将输出层误差根据训练权重“分发”给各层神经单元,从而获得各层参考误差,作为神经元参数修改依据;其中模型训练Loss指标为MSE,用来量化模型预测输出与交叉验证数据集的实测RSRP指标之间的误差大小,MSE损失函数具体公式如下所示:
其中,RMSprop优化器可以有效解决损失函数更新过程中,幅度摆动过大的问题,进一步加快函数的收敛速度。
步骤5:选取三个特定场景(市区开阔区域、城郊和发达城郊区域)对比传统COST231-Hata经验模型以及DNN网络模型预测RSRP指标精度,对比散点图如图7、8、9所示;其中:
市区开阔区域通信场景,实际测试点RSRP最小值、最大值和均值分别为-122.5000dBm,-57.2500dBm和-91.9258dBm。传统经验模型预测RSRP指标的最小值为-130.9750dBm,最大值为-30.7990dBm,均值为-82.3152dBm。相比于传统模型,DNN神经网络预测指标分别为,最小值-101.9074dBm,最大值为-82.5443dBm,均值为-92.3581dBm;
城郊通信场景,实际测试点RSRP最小值、最大值以及均值分别为-124.7500dBm,-63.5000dBm,-92.0241dBm。传统经验模型预测RSRP指标的最小值为-120.7249dBm,最大值为-25.8534dBm,均值为-73.6924dBm。相比于传统模型,DNN神经网络预测指标分别为,最小值-99.3709dBm,最大值为-84.9315dBm,均值为-93.0185dBm;
发达城郊通信场景,实际测试点RSRP最小值、最大值以及均值分别为-115.5000dBm,-63.0000dBm,-91.7145dBm。传统经验模型预测RSRP指标的最小值为-125.9888dBm,最大值为-24.1022dBm,均值为-79.4502dBm。相比于传统模型,DNN神经网络预测指标分别为,最小值-101.9170dBm,最大值为-85.1773dBm,均值为-92.0786dBm;
三种通信场景下,DNN网络模型对测试点RSRP的预测效果较稳定,体现在预测RSRP指标的最大、最小值以及均值相较于传统模型更接近于真实测量值。DNN网络模型相比传统经验模型具有两个独特优点:(1)DNN链路损耗预测模型具有通信场景的普适性。(2)DNN网络相比传统经验模型具有较高的预测准确度。三种通信场景误差指标RMSE如表3所示:
表3不同通信场景COST231-Hata与DNN模型预测指标RMSE对比
模型 | 市区开阔区域场景 | 城郊 | 发达城郊区域 | 均值 |
COST231-Hata(dBm) | 23.9789 | 22.3856 | 23.9782 | 23.4476 |
DNN(dBm) | 9.4334 | 10.0602 | 9.3708 | 9.6215 |
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (7)
1.一种基于DNN神经网络的无线通信链路损耗预测方法,其特征在于,所述方法具体包括如下步骤:
步骤1:对基站与测试点空间位置关系的实测数据进行栅格数字化处理,分别基于实测数据提取地理位置特征向量和信号空间特征向量;
步骤2:搭建DNN全连接深度神经网络模型,所述模型输入20维度的特征向量,其中:所述模型隐藏层共3层,每层64个神经元且采用全连接方式,所述模型输出层为1维向量,即预测的RSRP数值;
步骤3:对数据进行预处理以及对DNN全连接深度神经网络模型进行参数设定;
步骤4:对DNN全连接深度神经网络模型进行训练以及指标监测,如果训练模型在输出层未能达到定义误差函数精度要求,则转入深度网络反向传播阶段,并将输出层误差根据训练权重“分发”给各层神经单元,从而获得各层参考误差,作为神经元参数修改依据;
步骤5:选取三个特定场景(市区开阔区域、城郊和发达城郊区域)对比分析COST231-Hata修正模型和DNN全连接深度神经网络模型对无线传播链路损耗进行预测评估。
2.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法,其特征在于,在所述步骤2中,所述DNN全连接深度神经网络模型通过引入Dropout参数、Relu激活函数以及0.0001的学习率来避免神经网络训练过程中的过拟合和梯度爆炸现象,神经元激活函数如下式所示。
fRelu(x)=max(0,x)
4.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法,其特征在于,在所述步骤1中,对实测数据进行地图栅格化处理,分辨率为5m*5m,坐标Y指向地理正北方向,所有地理位置坐标均在第一象限内,基站或者基站下行链路通信质量测试点坐标均以栅格单元左上角坐标表示。
5.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法,其特征在于,所述地理位置特征向量主要反映基站和测试点物理空间距离指标,所述信号空间特征向量主要反映基站天线发射方向和下倾角度对信号覆盖范围的影响。
6.如权利要求1所述的基于DNN神经网络的无线通信链路损耗预测方法,其特征在于,在所述步骤5中引入三个特定通信场景,通过引入场景修正因子对传统COST231-Hata模型进行改进,与经过训练的DNN深度网络模型在不同场景下对接收点平均信号功率指标的预测结果进行统计分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300411.1A CN111147163A (zh) | 2019-12-17 | 2019-12-17 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300411.1A CN111147163A (zh) | 2019-12-17 | 2019-12-17 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111147163A true CN111147163A (zh) | 2020-05-12 |
Family
ID=70518541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911300411.1A Pending CN111147163A (zh) | 2019-12-17 | 2019-12-17 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111147163A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118596A (zh) * | 2020-09-22 | 2020-12-22 | 东南大学 | 基于路径序列回归的短程无线信号强度预测方法 |
CN112182961A (zh) * | 2020-09-23 | 2021-01-05 | 中国南方电网有限责任公司超高压输电公司 | 一种换流站无线网络信道大尺度衰落建模预测方法 |
CN112492636A (zh) * | 2020-12-18 | 2021-03-12 | 中国联合网络通信集团有限公司 | 一种传播损耗的确定方法及装置 |
CN112637891A (zh) * | 2020-12-23 | 2021-04-09 | 武汉船舶通信研究所(中国船舶重工集团公司第七二二研究所) | 无线链路质量预测方法、装置、电子设备和存储介质 |
CN113298624A (zh) * | 2021-06-21 | 2021-08-24 | 四川隧唐科技股份有限公司 | 前馈全连接神经网络预测工程项目投标报价的方法 |
WO2022116941A1 (zh) * | 2020-12-03 | 2022-06-09 | 中兴通讯股份有限公司 | 网络参数衍生方法、电子设备及存储介质 |
CN114615693A (zh) * | 2021-11-18 | 2022-06-10 | 广州亚信技术有限公司 | 网络容量预测方法、装置、电子设备及计算机存储介质 |
CN114742265A (zh) * | 2022-03-09 | 2022-07-12 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
CN114866168A (zh) * | 2022-04-29 | 2022-08-05 | 南京工程学院 | 一种工业物联网环境中路径损耗预测方法和系统 |
CN115226112A (zh) * | 2021-04-19 | 2022-10-21 | 中国移动通信集团设计院有限公司 | 基于机器学习的网络规划方法、装置、设备及存储介质 |
CN115310372A (zh) * | 2022-10-10 | 2022-11-08 | 香港中文大学(深圳) | 一种基于高精度电磁传播模型的路径损耗预测方法 |
CN115473595A (zh) * | 2022-08-19 | 2022-12-13 | 三峡大学 | 一种变电站内无线感知设备丢包率的预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599908A (zh) * | 2016-11-29 | 2017-04-26 | 天津大学 | 基于模块化神经网络的场强预测方法 |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
CN109874146A (zh) * | 2017-12-05 | 2019-06-11 | 华为技术有限公司 | 一种预测路损的方法及装置 |
-
2019
- 2019-12-17 CN CN201911300411.1A patent/CN111147163A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599908A (zh) * | 2016-11-29 | 2017-04-26 | 天津大学 | 基于模块化神经网络的场强预测方法 |
CN109874146A (zh) * | 2017-12-05 | 2019-06-11 | 华为技术有限公司 | 一种预测路损的方法及装置 |
CN108830308A (zh) * | 2018-05-31 | 2018-11-16 | 西安电子科技大学 | 一种基于信号的传统特征与深度特征融合的调制识别方法 |
Non-Patent Citations (4)
Title |
---|
FW鬼殇: "2019研究生数学建模答辩之星全程录屏", 《优酷视频》 * |
HAO YE等: "Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 * |
MAQSOOD HUSSAIN SHAH等: "Classification of Spectrally Efficient Constant Envelope Modulations Based on Radial Basis Function Network and Deep Learning", 《IEEE COMMUNICATIONS LETTERS》 * |
苏桐: "基于卫星通信系统的信道预测及自适应编码调制的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118596A (zh) * | 2020-09-22 | 2020-12-22 | 东南大学 | 基于路径序列回归的短程无线信号强度预测方法 |
CN112118596B (zh) * | 2020-09-22 | 2022-12-06 | 东南大学 | 基于路径序列回归的短程无线信号强度预测方法 |
CN112182961A (zh) * | 2020-09-23 | 2021-01-05 | 中国南方电网有限责任公司超高压输电公司 | 一种换流站无线网络信道大尺度衰落建模预测方法 |
CN112182961B (zh) * | 2020-09-23 | 2023-01-31 | 中国南方电网有限责任公司超高压输电公司 | 一种换流站无线网络信道大尺度衰落建模预测方法 |
WO2022116941A1 (zh) * | 2020-12-03 | 2022-06-09 | 中兴通讯股份有限公司 | 网络参数衍生方法、电子设备及存储介质 |
CN112492636B (zh) * | 2020-12-18 | 2023-06-16 | 中国联合网络通信集团有限公司 | 一种传播损耗的确定方法及装置 |
CN112492636A (zh) * | 2020-12-18 | 2021-03-12 | 中国联合网络通信集团有限公司 | 一种传播损耗的确定方法及装置 |
CN112637891B (zh) * | 2020-12-23 | 2022-08-05 | 武汉船舶通信研究所(中国船舶重工集团公司第七二二研究所) | 无线链路质量预测方法、装置、电子设备和存储介质 |
CN112637891A (zh) * | 2020-12-23 | 2021-04-09 | 武汉船舶通信研究所(中国船舶重工集团公司第七二二研究所) | 无线链路质量预测方法、装置、电子设备和存储介质 |
CN115226112A (zh) * | 2021-04-19 | 2022-10-21 | 中国移动通信集团设计院有限公司 | 基于机器学习的网络规划方法、装置、设备及存储介质 |
CN115226112B (zh) * | 2021-04-19 | 2023-09-19 | 中国移动通信集团设计院有限公司 | 基于机器学习的网络规划方法、装置、设备及存储介质 |
CN113298624A (zh) * | 2021-06-21 | 2021-08-24 | 四川隧唐科技股份有限公司 | 前馈全连接神经网络预测工程项目投标报价的方法 |
CN114615693A (zh) * | 2021-11-18 | 2022-06-10 | 广州亚信技术有限公司 | 网络容量预测方法、装置、电子设备及计算机存储介质 |
CN114615693B (zh) * | 2021-11-18 | 2024-04-16 | 广州亚信技术有限公司 | 网络容量预测方法、装置、电子设备及计算机存储介质 |
CN114742265A (zh) * | 2022-03-09 | 2022-07-12 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
CN114866168A (zh) * | 2022-04-29 | 2022-08-05 | 南京工程学院 | 一种工业物联网环境中路径损耗预测方法和系统 |
CN114866168B (zh) * | 2022-04-29 | 2024-04-12 | 南京工程学院 | 一种工业物联网环境中路径损耗预测方法和系统 |
CN115473595A (zh) * | 2022-08-19 | 2022-12-13 | 三峡大学 | 一种变电站内无线感知设备丢包率的预测方法 |
CN115473595B (zh) * | 2022-08-19 | 2024-04-02 | 三峡大学 | 一种变电站内无线感知设备丢包率的预测方法 |
CN115310372A (zh) * | 2022-10-10 | 2022-11-08 | 香港中文大学(深圳) | 一种基于高精度电磁传播模型的路径损耗预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111147163A (zh) | 一种基于dnn神经网络的无线通信链路损耗预测方法 | |
Yang et al. | Machine‐learning‐based prediction methods for path loss and delay spread in air‐to‐ground millimetre‐wave channels | |
Ates et al. | Path loss exponent and shadowing factor prediction from satellite images using deep learning | |
CN111062466B (zh) | 基于参数和神经网络预测天线调整后小区场强分布的方法 | |
CN104811964B (zh) | 一种智能天线性能的评估方法及系统 | |
Amorim et al. | LTE radio measurements above urban rooftops for aerial communications | |
Hinga et al. | Deterministic 5G mmwave large-scale 3D path loss model for Lagos Island, Nigeria | |
CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
Kumbhar et al. | Heuristic approach for jointly optimising FeICIC and UAV locations in multi‐tier LTE‐advanced public safety HetNet | |
Masood et al. | Interpretable AI-based large-scale 3D pathloss prediction model for enabling emerging self-driving networks | |
Wang et al. | Meta-learning approaches for indoor path loss modeling of 5G communications in smart factories | |
KR102584996B1 (ko) | 무선 네트워크 디자인 방법, 저장매체 및 전자 장치 | |
Zhao et al. | Channel sounding, modelling, and characterisation in a large waiting hall of a high‐speed railway station at 28 GHz | |
Nguyen et al. | Deep Learning for Path Loss Prediction at 7 GHz in Urban Environment | |
Inoue et al. | On the building map for radio propagation prediction using machine learning | |
Li et al. | Geo2SigMap: High-fidelity RF signal mapping using geographic databases | |
Ahn et al. | Sensing and Computer Vision-Aided Mobility Management for 6G Millimeter and Terahertz Communication Systems | |
Solomitckii | Evaluation of mmWave 5G performance by advanced ray tracing techniques | |
Sarkar et al. | RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation | |
CN116867061A (zh) | 定位方法及设备 | |
Qian et al. | Channel modeling based on multilayer artificial neural network in metro tunnel environments | |
Demir et al. | Digital twins for maintaining QoS in programmable vehicular networks | |
CN102523058A (zh) | 一种用于预测无线信号强度的三维传播模型 | |
Gomes et al. | Optimum Positioning of Base Station for Cellular Service Devices Using Discrete Knowledge Model | |
Xu et al. | Joint distribution of power and angle of arrival for three‐dimensional channel model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |