CN112182961A - 一种换流站无线网络信道大尺度衰落建模预测方法 - Google Patents
一种换流站无线网络信道大尺度衰落建模预测方法 Download PDFInfo
- Publication number
- CN112182961A CN112182961A CN202011010619.2A CN202011010619A CN112182961A CN 112182961 A CN112182961 A CN 112182961A CN 202011010619 A CN202011010619 A CN 202011010619A CN 112182961 A CN112182961 A CN 112182961A
- Authority
- CN
- China
- Prior art keywords
- scale fading
- wireless network
- converter station
- neural network
- network channel
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出一种换流站无线网络信道大尺度衰落建模预测方法,解决现有无线网络信道建模预测方法过于笼统且未考虑过拟合的问题,首先获取换流站内的测量数据,然后对已有的测量数据进行相关特征提取、处理,将相关特征组成的数据集划分,同时建立了全连接神经网络,并将划分后的数据集作为全连接神经网络的输入,采用随机梯度下降法,在损失函数中加入L2规范化项来训练全连接神经网络,减轻网络的过拟合现象,最后通过训练后的全连接神经网络得到换流站大尺度衰落的最终预测值,提高了复杂环境下,换流站内无线网络信道大尺度衰落预测值的准确性。
Description
技术领域
本发明涉及无线网络信道建模预测的技术领域,更具体地,涉及一种换流站无线网络信道大尺度衰落建模预测方法。
背景技术
在高压直流输电系统中,换流站是极其重要的组成部分,其主要完成直流电与交流电之间的转换功能。由于换流站的功能特征,换流站内存在强电磁干扰,极大的影响了换流站内的无线网络。同时,换流站内的基础设施与大型设备对信号存在遮挡,即非视距(NLOS)场景比较多,这也会对无线网络产生不可忽视的影响。
为了保证换流站内的无线网络服务质量,需要研究强电磁、遮挡、距离等对无线网络覆盖的影响,建立一种符合换流站实际环境状况的无线网络信道模型。无线信道大尺度衰落模型是无线通信系统站址规划、资源分配、性能评估及优化的重要组成部分。2019年9月6日,公布号为CN110213003A的中国专利中公开了一种无线信道大尺度衰落建模方法及装置,解决了传统基于经验、半经验的路径损耗模型存在计算量大,干扰因素多及预测不准确的问题,但此专利公开的建模预测方法过于笼统且未考虑过拟合的问题,最终模型可能在训练集上效果好,在测试集上效果差,导致模型泛化能力弱,不能适应于换流站内的复杂实际环境。
发明内容
为解决现有无线网络信道建模预测方法过于笼统且未考虑过拟合的问题,本发明提出了一种换流站无线网络信道大尺度衰落建模预测方法,保证换流站无线网络信道大尺度衰落建模的拟合度,提高无线网络信道大尺度衰落预测值的准确性。
为了达到上述技术效果,本发明的技术方案如下:
一种换流站无线网络信道大尺度衰落建模预测方法,至少包括:
S4.将相关特征及数据集D中的y进行归一化处理;
S5.将数据集D划分为训练集S和测试集T;
S6.构建全连接神经网络,将训练集S和测试集T输入全连接神经网络,采用随机梯度法,加入L2规范化项训练全连接神经网络,得到换流站无线网络信道大尺度衰落模型;
S7.获取换流站无线网络信道大尺度衰落的最终预测值。
优选地,步骤S1所述换流站内测量数据获取的方式包括:A.用户终端反馈;B.路测;C.测量报告;换流站内测量数据中第i个测量终端的高度获取时,若采用用户终端反馈的方式,取1.5m;若采用路测及测量报告的方式,为实际的测量高度。
在此,考虑换流站内环境的复杂度,实际换流站内测量终端可能存在高度也可能不存在高度,如果换流站内的测量终端存在高度,根据测量数据获取方式的不同,测量终端高度的取值不同。
优选地,步骤S2所述的第i个测量终端到其连接的基站BSi的距离di的计算公式为:
优选地,步骤S3中所述的Li为第i个测量终端所测量的大尺度衰落值的计算公式为:
优选地,步骤S4所述的归一化处理采用Min-Max归一化方式,保证比较大的相关特征落入在后续应用时梯度大的地方。
优选地,步骤S5所述的数据集D划分为训练集S和测试集T时,训练集S的样本数与测试集T的样本数之比为4:1。
优选地,步骤S6所述构建的全连接神经网络包括:输入层、第一隐藏层、第二隐藏层及输出层,输入层神经元的个数为11,表示特征的维度,第一隐藏层及第二隐藏层的神经元的个数均为20,输出层神经元的个数为1。
在此,为了降低过拟合,全连接神经网络选用的层数仅为4层,而且每一层神经元的个数较少,尤其输出层神经元仅采用一个,通过减少网络的层数、神经元的个数,限制整个全连接神经网络的拟合度,防止建模预测过程中过拟合的现象发生。
优选地,隐藏层中神经元的激活函数采用ReLu函数,输出层中神经元无激活函数,隐藏层中神经元的激活函数采用ReLu函数,输出层中神经元无激活函数,全连接神经网络训练时,每一层的神经元随机暂时从全连接神经网络中丢弃,每一个mini-batch训练不同的网络,可有效防止过拟合,同时提高训练的灵活性。
优选地,步骤S6所述得到换流站无线网络信道大尺度衰落模型的过程为:
S601.定义全连接神经网络的损失函数为均方误差MSE,并加入L2规范化项;
S602.将训练集S和测试集T输入全连接神经网络,记全连接神经网络的输入层为第一层,求取损失函数,损失函数表达式为:
其中,wp为第p层到第p+1层权重矩阵,bp为第p层的偏置矩阵,n为随机梯度下降算法中mini-batch的大小,i表示第i个mini-batch,λ为L2规范化项中的可调因子,η为每次迭代的步长,表示全连接神经网络的预测值即大尺度衰落的预测值,yi表示实际值;
S603.对权重矩阵wp和偏置矩阵bp进行更新,更新公式分别为:
偏置矩阵bp更新时,2≤p≤3;
S604.记|T|为测试集T的大小,将测试集T上的误差ET定义为:
S605.判断误差ET是否小于3dB,若是,迭代终止,保存全连接神经网络模型;否则,返回步骤S602。
在此,在损失函数中加入L2规范化项,可以防止全连接神经网络训练过程中过拟合的问题发生。
优选地,步骤S7所述的换流站无线网络信道大尺度衰落的最终预测值的获取过程为:
在此,考虑高斯分布的误差,将训练后的全连接神经网络的预测值加上高斯分布的误差,得到换流站大尺度衰落的最终预测值,提高了复杂环境下,换流站内无线网络信道大尺度衰落预测值的准确性。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种换流站无线网络信道大尺度衰落建模预测方法,首先获取换流站内的测量数据,然后对已有的测量数据进行相关特征提取、处理,将相关特征组成的数据集划分,同时建立了全连接神经网络,并将划分后的数据集作为全连接神经网络的输入,采用随机梯度下降法,在损失函数中加入L2规范化项来训练全连接神经网络,减轻网络的过拟合现象,最后通过训练后的全连接神经网络得到换流站大尺度衰落的最终预测值,提高了复杂环境下,换流站内无线网络信道大尺度衰落预测值的准确性。
附图说明
图1表示本发明实施例中提出的换流站无线网络信道大尺度衰落建模预测方法的流程示意图;
图2表示本发明实施例中构建的全连接神经网络的结构图;
图3表示本发明实施例中提出的全连接神经网络训练收敛迭代过程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示的换流站无线网络信道大尺度衰落建模预测方法的流程示意图,参见图1,包括:
在本实施例中,换流站内测量数据获取的方式包括:A.用户终端反馈;B.路测;C.测量报告;换流站内测量数据中第i个测量终端的高度ri获取时,若采用用户终端反馈的方式,ri取1.5m;若采用路测及测量报告的方式,ri为实际的测量高度,实际上换流站内环境十分姑咱,实际换流站内测量终端可能存在高度也可能不存在高度,如果换流站内的测量终端存在高度,根据测量数据获取方式的不同,测量终端高度的取值不同。
S2.从测量数据中提取相关特征,相关特征包括:第i个测量终端到其连接的基站BSi的距离di、基站BSi的中心频率fci、天线挂高ti及第i个测量终端的高度ri;第i个测量终端到其连接的基站BSi的距离di的计算公式为:
在具体实施时,由于无线网络信道大尺度衰落包含路径损耗和阴影衰落,由于小尺度衰落体现在电磁波波长级别,所以可认为影响接收信号强度的因素为大尺度衰落。得到大尺度衰落的全部特征十分困难,所以仅考虑影响路径损耗的主要特征,常用的路径损耗经验模型Okumura模型、Hata模型、COST231模型、Lee微蜂窝模型等模型的自变量包括终端到基站的距离d、基站中心频率fc、天线挂高t、终端高度r,因此在本实施例中,所提取的特征为测量终端到其连接的基站BSi的距离d、基站BSi的中心频率fc、天线挂高t及测量终端高度r。
在本实施例中,第i个测量终端所连接的基站BSi的经度和纬度BSix、BSiy通过运营商的网管系统查询;基站BSi的中心频率fci、天线挂高ti也通过运营商的网管系统查询,除此之外还要考虑换流站实际环境的特征,找到符合其特征的噪声值、路径损耗因子。
所述的Li为第i个测量终端所测量的大尺度衰落值的计算公式为:
S4.将相关特征及数据集D中的y进行归一化处理;在本实施例中,归一化处理采用Min-Max归一化方式,保证比较大的相关特征落入在后续应用时梯度大的地方,对于采用Min-Max归一化方式的某一数据a,归一化后的数值a1满足:
S5.将数据集D划分为训练集S和测试集T;
在本实施例中,采用“留出法”将数据集D划分为训练集S和测试集T,即D=S∪T,S∩T=,训练集S的样本数与测试集T的样本数之比为4:1。
S6.构建全连接神经网络,将训练集S和测试集T输入全连接神经网络,采用随机梯度法,加入L2规范化项训练全连接神经网络,得到换流站无线网络信道大尺度衰落模型;
在本实施例中,如图2所示,构建的全连接神经网络包括:输入层、第一隐藏层、第二隐藏层及输出层,图2中每一层的圆形代表神经元,其中输入层神经元的个数为11,表示特征的维度,第一隐藏层及第二隐藏层的神经元的个数均为20,输出层神经元的个数为1,由图2可以看出,全连接神经网络选用的层数仅为4层,而且每一层神经元的个数较少,尤其输出层神经元仅采用一个,通过减少网络的层数、神经元的个数,限制整个全连接神经网络的拟合度,防止建模预测过程中过拟合的现象发生;此外,隐藏层中神经元的激活函数采用ReLu函数,输出层中神经元无激活函数,隐藏层中神经元的激活函数采用ReLu函数,输出层中神经元无激活函数,全连接神经网络训练时,每一层的神经元随机暂时从全连接神经网络中丢弃,每一个mini-batch训练不同的网络,可有效防止过拟合,同时提高训练的灵活性。
得到换流站无线网络信道大尺度衰落模型的过程具体为:
S601.定义全连接神经网络的损失函数为均方误差MSE,并加入L2规范化项,在损失函数中加入L2规范化项,可以防止全连接神经网络训练过程中过拟合的问题发生;
S602.将训练集S和测试集T输入全连接神经网络,记全连接神经网络的输入层为第一层,求取损失函数,损失函数表达式为:
其中,wp为第p层到第p+1层权重矩阵,bp为第p层的偏置矩阵,n为随机梯度下降算法中mini-batch的大小,i表示第i个mini-batch,λ为L2规范化项中的可调因子,η为每次迭代的步长,表示全连接神经网络的预测值即大尺度衰落的预测值,yi表示实际值;
S603.对权重矩阵wp和偏置矩阵bp进行更新,更新公式分别为:
偏置矩阵bp更新时,2≤p≤3;
S604.记|T|为测试集T的大小,将测试集T上的误差ET定义为:
S605.判断误差ET是否小于3dB,若是,迭代终止,保存全连接神经网络模型;否则,返回步骤S602。
在具体实施时,为了便于观察,如图3所示,以ET 2为纵坐标(MSE),表示均方误差,横坐标表示训练集通过全连接神经网络被训练轮次(1epoch表示使用训练集中的全部样本训练一次),其中,曲线表示训练过程线,最佳标准线由“○”标记表示,目标线由“◇”标记表示,目标线为10-3,参见图3,在训练集被训练100epoch时,曲线表示训练过程的性能为0.0028428,趋于收敛与最佳标准线标识的均方误差值。
S7.获取换流站无线网络信道大尺度衰落的最终预测值,换流站无线网络信道大尺度衰落的最终预测值的获取过程为:
Claims (10)
1.一种换流站无线网络信道大尺度衰落建模预测方法,其特征在于,至少包括:
S4.将相关特征及数据集D中的y进行归一化处理;
S5.将数据集D划分为训练集S和测试集T;
S6.构建全连接神经网络,将训练集S和测试集T输入全连接神经网络,采用随机梯度法,加入L2规范化项训练全连接神经网络,得到换流站无线网络信道大尺度衰落模型;
S7.获取换流站无线网络信道大尺度衰落的最终预测值。
5.根据权利要求4所述的换流站无线网络信道大尺度衰落建模预测方法,其特征在于,步骤S4所述的归一化处理采用Min-Max归一化方式。
6.根据权利要求4所述的换流站无线网络信道大尺度衰落建模预测方法,其特征在于,步骤S5所述的数据集D划分为训练集S和测试集T时,训练集S的样本数与测试集T的样本数之比为4∶1。
7.根据权利要求4所述的换流站无线网络信道大尺度衰落建模预测方法,其特征在于,步骤S6所述构建的全连接神经网络包括:输入层、第一隐藏层、第二隐藏层及输出层,输入层神经元的个数为11,表示特征的维度,第一隐藏层及第二隐藏层的神经元的个数均为20,输出层神经元的个数为1。
8.根据权利要求7所述的换流站无线网络信道大尺度衰落建模预测方法,其特征在于,隐藏层中神经元的激活函数采用ReLu函数,输出层中神经元无激活函数,全连接神经网络训练时,每一层的神经元随机暂时从全连接神经网络中丢弃,每一个mini-batch训练不同的网络。
9.根据权利要求8所述的换流站无线网络信道大尺度衰落建模预测方法,其特征在于,步骤S6所述得到换流站无线网络信道大尺度衰落模型的过程为:
S601.定义全连接神经网络的损失函数为均方误差MSE,并加入L2规范化项;
S602.将训练集S和测试集T输入全连接神经网络,记全连接神经网络的输入层为第一层,求取损失函数,损失函数表达式为:
其中,wp为第p层到第p+1层权重矩阵,bp为第p层的偏置矩阵,n为随机梯度下降算法中mini-batch的大小,i表示第i个mini-batch,λ为L2规范化项中的可调因子,η为每次迭代的步长,表示全连接神经网络的预测值即大尺度衰落的预测值,yi表示实际值;
S603.对权重矩阵wp和偏置矩阵bp进行更新,更新公式分别为:
偏置矩阵bp更新时,2≤p≤3;
S604.记|T|为测试集T的大小,将测试集T上的误差ET定义为:
S605.判断误差ET是否小于3dB,若是,迭代终止,保存全连接神经网络模型;否则,返回步骤S602。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010619.2A CN112182961B (zh) | 2020-09-23 | 2020-09-23 | 一种换流站无线网络信道大尺度衰落建模预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010619.2A CN112182961B (zh) | 2020-09-23 | 2020-09-23 | 一种换流站无线网络信道大尺度衰落建模预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182961A true CN112182961A (zh) | 2021-01-05 |
CN112182961B CN112182961B (zh) | 2023-01-31 |
Family
ID=73956013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011010619.2A Active CN112182961B (zh) | 2020-09-23 | 2020-09-23 | 一种换流站无线网络信道大尺度衰落建模预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182961B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088890A (zh) * | 2022-01-24 | 2022-02-25 | 中国农业科学院农业信息研究所 | 基于深度bp神经网络的自适应温湿度补偿方法及系统 |
CN114650199A (zh) * | 2021-12-30 | 2022-06-21 | 南京戎智信息创新研究院有限公司 | 一种基于数据驱动的深度神经网络信道估计方法及系统 |
CN115952929A (zh) * | 2023-03-13 | 2023-04-11 | 南京信息工程大学 | 一种基于神经网络的降雨天气条件下信道预测方法、系统 |
WO2023216383A1 (zh) * | 2022-05-13 | 2023-11-16 | 苏州大学 | 基于复值神经网络的复值时序信号预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
CN109785629A (zh) * | 2019-02-28 | 2019-05-21 | 北京交通大学 | 一种短时交通流量预测方法 |
CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
CA3067573A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Target tracking systems and methods for uuv |
-
2020
- 2020-09-23 CN CN202011010619.2A patent/CN112182961B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
CA3067573A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Target tracking systems and methods for uuv |
CN109785629A (zh) * | 2019-02-28 | 2019-05-21 | 北京交通大学 | 一种短时交通流量预测方法 |
CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114650199A (zh) * | 2021-12-30 | 2022-06-21 | 南京戎智信息创新研究院有限公司 | 一种基于数据驱动的深度神经网络信道估计方法及系统 |
CN114088890A (zh) * | 2022-01-24 | 2022-02-25 | 中国农业科学院农业信息研究所 | 基于深度bp神经网络的自适应温湿度补偿方法及系统 |
WO2023216383A1 (zh) * | 2022-05-13 | 2023-11-16 | 苏州大学 | 基于复值神经网络的复值时序信号预测方法 |
CN115952929A (zh) * | 2023-03-13 | 2023-04-11 | 南京信息工程大学 | 一种基于神经网络的降雨天气条件下信道预测方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112182961B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182961B (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
CN104581758A (zh) | 一种语音质量的估计方法、装置及电子设备 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN113411817B (zh) | 基于无线干扰模型的无线系统干扰神经网络预测方法 | |
CN110224771B (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
CN112748397A (zh) | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 | |
CN112054943A (zh) | 一种移动网络基站流量预测方法 | |
CN108064075A (zh) | 调整一个或多个小区的参考信号发射功率的方法和装置 | |
CN115865628B (zh) | 基于多基站协作的无线通信传输系统及方法 | |
CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
CN112367130A (zh) | 一种无线网络信号传输强度计算方法及计算机存储介质 | |
CN114268981A (zh) | 网络故障检测与诊断方法及系统 | |
CN107371175B (zh) | 一种使用协作预测的自组织网络故障检测方法 | |
Fernandes et al. | Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks | |
CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
CN113242066B (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
CN106993296A (zh) | 终端的性能评估方法及装置 | |
CN106599908A (zh) | 基于模块化神经网络的场强预测方法 | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN113852433B (zh) | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 | |
CN113947123B (zh) | 人员轨迹识别方法、系统、存储介质和设备 | |
CN116437365A (zh) | 一种无线传感器网络链路质量评价方法及系统 | |
CN114170427B (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
CN113627074B (zh) | 一种基于迁移学习的地波传播时延预测方法 | |
CN114390582B (zh) | 基站站址预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |