CN115865237A - 一种基于卫星图像数据的深度学习场强预测方法及系统 - Google Patents
一种基于卫星图像数据的深度学习场强预测方法及系统 Download PDFInfo
- Publication number
- CN115865237A CN115865237A CN202211561138.XA CN202211561138A CN115865237A CN 115865237 A CN115865237 A CN 115865237A CN 202211561138 A CN202211561138 A CN 202211561138A CN 115865237 A CN115865237 A CN 115865237A
- Authority
- CN
- China
- Prior art keywords
- satellite image
- image data
- data
- deep learning
- neural network
- 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
Landscapes
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了电波场强预测技术领域的一种基于卫星图像数据的深度学习场强预测方法及系统,方法包括:获取包含卫星图像数据的接收点位置参数;将包含卫星图像数据的接收点位置参数输入训练好的基于卫星图像数据的深度学习场强预测模型,输出接收点的预测场强。本发明在提高电波传播场强的预测精度的同时减少了模型的计算量。
Description
技术领域
本发明属于电波场强预测技术领域,具体涉及一种基于卫星图像数据的深度学习场强预测方法及系统。
背景技术
电波传播场强预测对于无线网络的规划与优化具有重要意义。电波的传播过程极其复杂,其会受到地形、天气、以及环境特征等一系列外界环境的影响。很多研究已经围绕电波场强预测以及信道模型展开。现有技术中的场强预测往往需要详尽的地理数据以及较大的计算量,难以获得推广。
发明内容
为解决现有技术中的不足,本发明提供一种基于卫星图像数据的深度学习场强预测方法及系统,在提高电波传播场强的预测精度的同时减少了模型的计算量。
为达到上述目的,本发明所采用的技术方案是:
第一方面,提供一种基于卫星图像数据的深度学习场强预测方法,包括:获取包含卫星图像数据的接收点位置参数;将包含卫星图像数据的接收点位置参数输入训练好的基于卫星图像数据的深度学习场强预测模型,输出接收点的预测场强。
进一步地,所述包含卫星图像数据的接收点位置参数,具体为:
xn=[lat,lon,H,I] (1)
其中,xn为包含卫星图像数据的接收点位置参数,lat为接收点的纬度坐标,lon为接收点的经度坐标,H为接收点的高程,I为以接收点为中心的设定面积的卫星图像。
进一步地,所述基于卫星图像数据的深度学习场强预测模型,包括:卷积神经网络、神经网络一和神经网络二,所述卷积神经网络用于处理卫星图像数据,所述神经网络一用于处理经纬度和高程数据,所述卷积神经网络的输出与所述神经网络一的输出按列拼接后输入所述神经网络二。
进一步地,所述卷积神经网络包括四个卷积模块,每个所述卷积模块均采用二维卷积进行运算,激活函数为非线性变换的激活函数LeakyReLU,而后依次添加批量正则化层与最大池化层,在最后一个卷积模块后使用全连接层作为输出层。
进一步地,所述神经网络一和神经网络二均由全连接层和批量正则化层构成,激活函数均采用ReLU。
进一步地,所述基于卫星图像数据的深度学习场强预测模型的训练方法,包括:构建数据集,并将数据集分为训练集、测试集和验证集;使用训练集对基于卫星图像数据的深度学习场强预测模型进行训练,并对超参数进行优化,使用数据增强和正则化结合的方法增强模型泛化能力;采用Adam优化器,通过误差反向传播来训练模型;使用测试集对训练好的基于卫星图像数据的深度学习场强预测模型进行测试,并使用验证集进行验证。
进一步地,所述数据集的构建方法,包括:获取目标区域的电磁环境感知数据,所述电磁环境感知数据包括接收点的场强数据和经纬度;根据接收点的经纬度,获取接收点的高程信息;获取瓦片地图并经过拼接裁剪处理后得到设定范围大小的卫星地图数据;将接收点的电磁环境感知数据、经纬度、高程数据和卫星地图数据作为数据集的数据单元,形成数据集。
第二方面,提供一种基于卫星图像数据的深度学习场强预测系统,包括:参数获取模块,用于获取包含卫星图像数据的接收点位置参数;场强预测模块,用于将包含卫星图像数据的接收点位置参数输入训练好的基于卫星图像数据的深度学习场强预测模型,输出接收点的预测场强。
与现有技术相比,本发明所达到的有益效果:
(1)本发明通过获取包含卫星图像数据的接收点位置参数;将包含卫星图像数据的接收点位置参数输入训练好的基于卫星图像数据的深度学习场强预测模型,输出接收点的预测场强;在提高电波传播场强的预测精度的同时减少了模型的计算量;
(2)本发明通过使用卫星图像数据进行场强预测,在预测过程中,对具体的环境参数需求小;
(3)本发明受环境硬性小,能实现农村、郊区和城市地区的电波传播场强预测,应用场景广。
附图说明
图1是本发明实施例提供的一种基于卫星图像数据的深度学习场强预测方法的流程示意图;
图2是本发明实施例中数据集构建流程示意图;
图3是本发明实施例中卷积神经网络的结构示意图;
图4是本发明实施例中使用基于卫星图像数据的深度学习场强预测模型进行场强预测的示意图;
图5是本发明实施例中添加卫星图像作为输入数据后MSE、RMSE和MAE的变化示意图;
图6是本发明实施例中输入不包括卫星图像数据时预测值与测量数据的分布;
图7是本发明实施例中输入包括卫星图像数据时预测值与测量数据的分布。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1~图7所示,一种基于卫星图像数据的深度学习场强预测方法,包括:获取包含卫星图像数据的接收点位置参数;将包含卫星图像数据的接收点位置参数输入训练好的基于卫星图像数据的深度学习场强预测模型,输出接收点的预测场强。
本实施例构建了一种基于卫星图像数据的深度学习场强预测模型,流程图如图1所示。
首先设计可行的数据集生成方案并将数据集划分为训练集、测试集和验证集,随后根据需求构建基于卫星图像数据的深度学习场强预测模型,而后利用训练集和验证集对模型进行训练和优化,最后利用测试集对模型进行测试,评估模型的优劣。
第一步,数据集生成。将模型的输入进一步定义为:
xn=[lat,lon,H,I] (1)
其中,xn为包含卫星图像数据的接收点位置参数,lat为接收点的纬度坐标,lon为接收点的经度坐标,H为接收点的高程,I为以接收点为中心的设定面积的卫星图像。
数据集的构建方法,包括:获取目标区域的电磁环境感知数据,所述电磁环境感知数据包括接收点的场强数据和经纬度;根据接收点的经纬度,获取接收点的高程信息;获取瓦片地图并经过拼接裁剪处理后得到设定范围大小的卫星地图数据;将接收点的电磁环境感知数据、经纬度、高程数据和卫星地图数据作为数据集的数据单元,形成数据集。
电磁环境感知数据通过路测采集得到,包含接收点的场强数据和经纬度。然后读取数字高程地图(Digital Elevation Maps,DEM)数据,利用经纬度查询高程信息。最后获取瓦片地图并经过拼接裁剪等系列处理过后得到预期的范围大小的卫星地图,所用到的卫星图像大小为224×224像素,所得到的卫星图像覆盖面积约为168×168m,卫星图像数量与测量点数量一样,这些图像都具有三个彩色通道(RGB)。相邻两个接收点的卫星图像有较大重叠部分,这些重叠对于模型预测效果是有利的。数据集生成流程简图如图2所示。将得到的数据集按一定比例划分为训练集、测试集和验证集。
第二步,构建基于卫星图像数据的深度学习场强预测模型。对于监督问题,模型的输入x被映射到一个特定的输出y。深度学习模型的主要目标是学习一个未知的函数f,将一个输入空间vx映射到一个目标空间vy:
f:vx→vy (2)
其中vx是所有可能的输入向量x的集合,而vy是所有可能的输出向量y的集合。深度学习不能得出确切的函数f,它需要做的是尽可能学习到一个近似f的函数。
基于卫星图像数据的深度学习场强预测模型,包括一个卷积神经网络(Convolutional Neural Networks,CNN)和两个普通神经网络(Neural Network,NN)神经网络一NN1和神经网络二NN2,卷积神经网络用于处理卫星图像数据,神经网络一用于处理经纬度和高程数据,卷积神经网络的输出与神经网络一的输出按列拼接后输入神经网络二。卷积神经网络包括四个卷积模块,每个卷积模块均采用二维卷积进行运算,激活函数为非线性变换的激活函数(LeakyReLU),而后依次添加批量正则化层与最大池化层,在最后一个卷积模块后使用全连接层作为输出层,CNN结构简图如图3所示。神经网络一和神经网络二均由全连接层和批量正则化层构成,激活函数均采用ReLU。NN1与CNN的输出将按列拼接,这三个部分的串联情况如图4所示。
第三步,模型训练。对超参数进行优化,使用数据增强和正则化结合的方法增强模型泛化能力。采用Adam优化器,通过误差反向传播来训练模型。
第四步,模型测试。保存训练好的模型参数,使用测试集进行测试。基于深度学习的电波传播场强预测精度一般随输入特征的增加而提高。这是由于有效的输入特征能更加清楚地描述环境特征,可以让深度学习模型读取到更多更完善的信息,这也是本方案采用卫星图像作为输入特征之一的原因。为了验证加入卫星图像对场强的预测精度有一定程度提升,不使用卫星图像,只使用经纬度和高程作为输入数据训练模型,得到的预测结果与输入数据包含卫星图像的模型预测结果作对比。计算预测值与真实值的均方根误差(RootMean Squared Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)、均方误差(MeanSquare Error,MSE)用于衡量模型优劣。
本发明相比于传统的确定模型,所提出的模型计算量小。相比于现有技术中的其它基于深度学习的电波传播场强预测模型,本模型能实现农村、郊区和城市地区的电波传播场强预测,应用场景广。相比于不使用卫星图像作为输入特征的场强预测模型,使用卫星图像作为输入特征后,模型预测精度提升且预测值与真实值拟合更好,如图5~图7所示。
实施例二:
基于实施例一所述的一种基于卫星图像数据的深度学习场强预测方法,本实施例提供一种基于卫星图像数据的深度学习场强预测系统,包括:
参数获取模块,用于获取包含卫星图像数据的接收点位置参数;
场强预测模块,用于将包含卫星图像数据的接收点位置参数输入训练好的基于卫星图像数据的深度学习场强预测模型,输出接收点的预测场强。
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 (8)
1.一种基于卫星图像数据的深度学习场强预测方法,其特征在于,包括:
获取包含卫星图像数据的接收点位置参数;
将包含卫星图像数据的接收点位置参数输入训练好的基于卫星图像数据的深度学习场强预测模型,输出接收点的预测场强。
2.根据权利要求1所述的基于卫星图像数据的深度学习场强预测方法,其特征在于,所述包含卫星图像数据的接收点位置参数,具体为:
xn=[lat,lon,H,I] (1)
其中,xn为包含卫星图像数据的接收点位置参数,lat为接收点的纬度坐标,lon为接收点的经度坐标,H为接收点的高程,I为以接收点为中心的设定面积的卫星图像。
3.根据权利要求1所述的基于卫星图像数据的深度学习场强预测方法,其特征在于,所述基于卫星图像数据的深度学习场强预测模型,包括:卷积神经网络、神经网络一和神经网络二,所述卷积神经网络用于处理卫星图像数据,所述神经网络一用于处理经纬度和高程数据,所述卷积神经网络的输出与所述神经网络一的输出按列拼接后输入所述神经网络二。
4.根据权利要求3所述的基于卫星图像数据的深度学习场强预测方法,其特征在于,所述卷积神经网络包括四个卷积模块,每个所述卷积模块均采用二维卷积进行运算,激活函数为非线性变换的激活函数LeakyReLU,而后依次添加批量正则化层与最大池化层,在最后一个卷积模块后使用全连接层作为输出层。
5.根据权利要求3所述的基于卫星图像数据的深度学习场强预测方法,其特征在于,所述神经网络一和神经网络二均由全连接层和批量正则化层构成,激活函数均采用ReLU。
6.根据权利要求1所述的基于卫星图像数据的深度学习场强预测方法,其特征在于,所述基于卫星图像数据的深度学习场强预测模型的训练方法,包括:
构建数据集,并将数据集分为训练集、测试集和验证集;
使用训练集对基于卫星图像数据的深度学习场强预测模型进行训练,并对超参数进行优化,使用数据增强和正则化结合的方法增强模型泛化能力;采用Adam优化器,通过误差反向传播来训练模型;
使用测试集对训练好的基于卫星图像数据的深度学习场强预测模型进行测试,并使用验证集进行验证。
7.根据权利要求6所述的基于卫星图像数据的深度学习场强预测方法,其特征在于,所述数据集的构建方法,包括:
获取目标区域的电磁环境感知数据,所述电磁环境感知数据包括接收点的场强数据和经纬度;
根据接收点的经纬度,获取接收点的高程信息;
获取瓦片地图并经过拼接裁剪处理后得到设定范围大小的卫星地图数据;
将接收点的电磁环境感知数据、经纬度、高程数据和卫星地图数据作为数据集的数据单元,形成数据集。
8.一种基于卫星图像数据的深度学习场强预测系统,其特征在于,包括:
参数获取模块,用于获取包含卫星图像数据的接收点位置参数;
场强预测模块,用于将包含卫星图像数据的接收点位置参数输入训练好的基于卫星图像数据的深度学习场强预测模型,输出接收点的预测场强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211561138.XA CN115865237A (zh) | 2022-12-07 | 2022-12-07 | 一种基于卫星图像数据的深度学习场强预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211561138.XA CN115865237A (zh) | 2022-12-07 | 2022-12-07 | 一种基于卫星图像数据的深度学习场强预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115865237A true CN115865237A (zh) | 2023-03-28 |
Family
ID=85670535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211561138.XA Pending CN115865237A (zh) | 2022-12-07 | 2022-12-07 | 一种基于卫星图像数据的深度学习场强预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115865237A (zh) |
-
2022
- 2022-12-07 CN CN202211561138.XA patent/CN115865237A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
CN109063569B (zh) | 一种基于遥感影像的语义级变化检测方法 | |
CN110826693B (zh) | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 | |
CN111178149B (zh) | 一种基于残差金字塔网络的遥感影像水体自动提取方法 | |
CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
CN113324923B (zh) | 一种结合时空融合与深度学习的遥感水质反演方法 | |
CN114117886A (zh) | 一种用于多光谱遥感水深反演方法 | |
CN112561807B (zh) | 一种基于卷积神经网络的端到端径向畸变校正方法 | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN114331842B (zh) | 结合地形特征的dem超分辨率重建方法 | |
CN116129390B (zh) | 一种增强曲线感知的车道线精准检测方法 | |
CN114067019A (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
CN111104850A (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
CN112557307A (zh) | 天空地一体化湖库水质监测融合数据方法 | |
CN113222209B (zh) | 基于域适应的区域尾气迁移预测方法、系统及存储介质 | |
CN116467946B (zh) | 一种基于深度学习的模式预报产品降尺度方法 | |
CN116994071A (zh) | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 | |
CN115797184B (zh) | 一种地表水体超分辨率提取方法 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN115865237A (zh) | 一种基于卫星图像数据的深度学习场强预测方法及系统 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN114169646B (zh) | 水华预测方法、装置、电子设备及计算机可读存储介质 | |
CN114743072A (zh) | 一种短期时间序列预测模型的训练方法 | |
CN115047406B (zh) | 一种地空链路传播衰减区域重构方法 | |
CN113670951B (zh) | 一种基于船载、车载移动平台的微波辐射计自适应反演算法 |
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 |