WO2025248641A1 - 伝搬特性推定装置、伝搬特性推定システム、伝搬特性推定方法、及び伝搬特性推定プログラム - Google Patents
伝搬特性推定装置、伝搬特性推定システム、伝搬特性推定方法、及び伝搬特性推定プログラムInfo
- Publication number
- WO2025248641A1 WO2025248641A1 PCT/JP2024/019590 JP2024019590W WO2025248641A1 WO 2025248641 A1 WO2025248641 A1 WO 2025248641A1 JP 2024019590 W JP2024019590 W JP 2024019590W WO 2025248641 A1 WO2025248641 A1 WO 2025248641A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- unit
- propagation characteristics
- receiving station
- cnn
- transmitting station
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
Definitions
- the present invention relates to technology for estimating the propagation characteristics of radio waves between a transmitting station and a receiving station in a wireless communication system.
- Patent Document 1 and Non-Patent Document 1 disclose an estimation model that estimates the propagation characteristics of radio waves by inputting feature parameters extracted using two convolutional neural networks (CNNs) into a fully-connected neural network (FNN).
- CNNs convolutional neural networks
- over-rooftop propagation which is radio wave propagation across the roofs of buildings between the Tx and Rx, can become dominant.
- the present invention was made in consideration of the above-mentioned problems, and aims to provide a propagation characteristics estimation device, propagation characteristics estimation system, propagation characteristics estimation method, and propagation characteristics estimation program that can accurately estimate the propagation characteristics of radio waves even when the antenna has directionality.
- a propagation characteristics estimation device is a propagation characteristics estimation device that estimates the propagation characteristics of radio waves between a transmitting station and a receiving station that perform wireless communication, and includes a first image generation unit that generates, as top-view images, two-dimensional images showing the arrangement and height of structures around the receiving station as viewed from above, and two-dimensional images showing the antenna patterns at the transmitting station and the receiving station as viewed from above, respectively; and a second image generation unit that generates, as side-view images, two-dimensional images showing the arrangement of the sides of structures between the transmitting station and the receiving station, and two-dimensional images showing the antenna patterns as viewed from the side from the transmitting station and the receiving station, respectively.
- the first image generation unit extracts first feature parameters by inputting each of the top-view images generated by the first image generation unit into a convolutional neural network; a second CNN unit extracts second feature parameters by inputting each of the side-view images generated by the second image generation unit into a convolutional neural network; and an FNN unit estimates the propagation characteristics by inputting the first feature parameters extracted by the first CNN unit and the second feature parameters extracted by the second CNN unit into a fully connected neural network.
- a propagation characteristics estimation system is a propagation characteristics estimation system for estimating the propagation characteristics of radio waves between a transmitting station and a receiving station that perform wireless communication, and includes a first image generation unit that generates, as top-view images, two-dimensional images showing the layout and height of structures around the receiving station as viewed from above, and two-dimensional images showing the antenna patterns at the transmitting station and the receiving station as viewed from above, respectively; a second image generation unit that generates, as side-view images, two-dimensional images showing the layout of the sides of structures between the transmitting station and the receiving station, and two-dimensional images showing the antenna patterns as viewed from the side from the transmitting station and the receiving station, respectively; a first CNN unit that extracts first feature parameters by inputting each of the top-view images generated by the first image generation unit into a convolutional neural network;
- the system is characterized by having a second CNN unit that extracts second feature parameters by inputting them into a neural network; an FNN unit that estimates the propagation
- a propagation characteristics estimation method is a propagation characteristics estimation method for estimating the propagation characteristics of radio waves between a transmitting station and a receiving station that perform wireless communication, the propagation characteristics estimation method comprising a first image generation step of generating, as top-view images, two-dimensional images showing the arrangement and height of structures around the receiving station as viewed from above, and two-dimensional images showing the antenna patterns at the transmitting station and the receiving station as viewed from above, respectively; and a second image generation step of generating, as side-view images, two-dimensional images showing the arrangement of the sides of structures between the transmitting station and the receiving station, and two-dimensional images showing the antenna patterns as viewed from the side from the transmitting station and the receiving station, respectively.
- the method is characterized by including a first CNN process of extracting first feature parameters by inputting each of the top-view images generated by the first image generation process into a convolutional neural network, a second CNN process of extracting second feature parameters by inputting each of the side-view images generated by the second image generation process into a convolutional neural network, and an FNN process of estimating the propagation characteristics by inputting the first feature parameters extracted by the first CNN process and the second feature parameters extracted by the second CNN process into a fully connected neural network.
- a propagation characteristics estimation program is a propagation characteristics estimation program executed by a propagation characteristics estimation device that estimates the propagation characteristics of radio waves between a transmitting station and a receiving station that perform wireless communication, and includes a first image generation unit that generates, as top-view images, two-dimensional images showing the arrangement and height of structures around the receiving station as viewed from above, and two-dimensional images showing the antenna patterns at the transmitting station and the receiving station as viewed from above, respectively; and a second image generation unit that generates, as side-view images, two-dimensional images showing the arrangement of the sides of structures between the transmitting station and the receiving station, and two-dimensional images showing the antenna patterns as viewed from the side from the transmitting station and the receiving station, respectively.
- a propagation characteristics estimation program for causing a computer to function as each part of the propagation characteristics estimation device, which includes a first CNN unit that extracts first feature parameters by inputting each of the top-view images generated by the first image generation unit into a convolutional neural network, a second CNN unit that extracts second feature parameters by inputting each of the side-view images generated by the second image generation unit into a convolutional neural network, and an FNN unit that estimates the propagation characteristics by inputting the first feature parameters extracted by the first CNN unit and the second feature parameters extracted by the second CNN unit into a fully connected neural network.
- radio wave propagation characteristics can be estimated with high accuracy even if the antenna has directionality.
- FIG. 1 is a diagram illustrating an example of the configuration of a propagation characteristics estimation system in a learning stage according to an embodiment.
- 1A is a diagram illustrating an example of a top-view image showing the layout and height of structures around a receiving station as viewed from above
- FIG. 1B is a diagram illustrating an example of a top-view image showing the antenna pattern of a transmitting station as viewed from above
- FIG. 1C is a diagram illustrating an example of a top-view image showing the antenna pattern of a receiving station as viewed from above.
- 1A is a diagram illustrating a side-view image showing an antenna pattern as viewed from the side of a transmitting station
- FIG. 1B is a diagram illustrating a side-view image showing an antenna pattern as viewed from the side of a receiving station
- FIG. 1C is a diagram illustrating a side-view image showing the arrangement of the side of a structure between the transmitting station and the receiving station.
- FIG. 2 is a diagram schematically illustrating functions of a model unit.
- FIG. 1 is a diagram illustrating an example of the configuration of a propagation characteristics estimation system at an estimation stage according to an embodiment.
- FIG. 2 is a diagram illustrating an example of a hardware configuration of a propagation characteristics estimation device according to an embodiment.
- the propagation characteristics estimation system according to one embodiment will be described below with reference to the drawings.
- the propagation characteristics estimation system according to one embodiment has a neural network that performs machine learning, and is used in both the learning stage, in which the propagation characteristics of radio waves are learned, and the estimation stage, in which the propagation characteristics of radio waves are estimated.
- the propagation characteristics estimation system according to one embodiment may be configured identically or differently in the learning stage and the estimation stage.
- FIG. 1 is a diagram showing an example configuration of a propagation characteristics estimation system 1 in the learning stage according to one embodiment.
- the propagation characteristics estimation system 1 in the learning stage according to one embodiment includes a propagation characteristics estimation device 2 that estimates the propagation characteristics of radio waves between, for example, a transmitting station and a receiving station that perform wireless communication, and storage devices (storage units) 3, 4-1, and 4-2.
- Storage device 4-1 is a database that stores map data including structures within the area including the transmitting station and receiving station.
- Storage device 4-2 is a database that stores specifications (antenna patterns, etc.) including the directivity of the antennas of each transmitting station and receiving station.
- Storage device 3 is a database that stores verification data that is considered to be the actual propagation characteristics of radio waves between the transmitting station and the receiving station.
- storage device 3 stores, as verification data, measurement data (such as the received power of the receiving station) that actually measures the propagation characteristics of radio waves between the transmitting station and the receiving station, or simulation data.
- the propagation characteristics estimation device 2 includes, for example, an input image generation unit 20, a model unit 22, an estimated data storage unit 24, an error calculation unit 26, and an update unit 28.
- the input image generation unit 20 has, for example, a first image generation unit 200 and a second image generation unit 202.
- the first image generation unit 200 generates two-dimensional images showing the layout and height of structures (such as buildings) around the receiving station as viewed from above, and two-dimensional images showing the antenna patterns at the transmitting station and receiving station as viewed from above, as top-view images, and outputs these to the model unit 22.
- the first image generation unit 200 generates top-view images using map data and antenna specifications stored in the storage devices 4-1 and 4-2.
- the first image generation unit 200 may generate a two-dimensional image showing the distance from the transmitting station as viewed from above, and a two-dimensional image showing the distance from the receiving station as viewed from above, as top-view images.
- the top-view image showing the distance from the transmitting station and the top-view image showing the distance from the receiving station are used to specify the position and coordinates of a structure.
- the top-view image can also be considered a bird's-eye view image.
- Figure 2 is a diagram illustrating an example of an upper view image generated by the first image generation unit 200.
- Figure 2(a) is a diagram illustrating an upper view image showing the layout and height of structures around the receiving station as viewed from above.
- Figure 2(b) is a diagram illustrating an upper view image showing the antenna pattern of the transmitting station as viewed from above.
- Figure 2(c) is a diagram illustrating an upper view image showing the antenna pattern of the receiving station as viewed from above.
- the first image generation unit 200 generates, for example, three types of top-view images.
- the top-view images are two-dimensional images covering a rectangular area of, for example, 128m x 128m, and this rectangular area is divided into 2m x 2m meshes, resulting in a 64 x 64 mesh configuration.
- the second image generation unit 202 ( Figure 1) generates two-dimensional images showing the lateral arrangement of structures between the transmitting station and the receiving station, and two-dimensional images showing the antenna patterns as viewed from the sides of the transmitting station and the receiving station, as side-view images, and outputs these to the model unit 22.
- the second image generation unit 202 generates side-view images using map data and antenna specifications stored in the storage devices 4-1 and 4-2.
- Figure 3 is a diagram illustrating side-view images generated by the second image generation unit 202.
- Figure 3(a) is a diagram illustrating a side-view image showing an antenna pattern viewed from the side from the transmitting station.
- Figure 3(b) is a diagram illustrating a side-view image showing an antenna pattern viewed from the side from the receiving station.
- Figure 3(c) is a diagram illustrating a side-view image showing the arrangement of the sides of a structure between the transmitting station and the receiving station.
- the xy plane that defines the side-view image is perpendicular to the horizontal plane.
- the x direction is the horizontal direction from the transmitting station to the receiving station.
- the y direction is the vertical direction that is perpendicular to the x direction.
- the side-view image is, for example, an image of a specified rectangular range.
- the second image generation unit 202 may further generate a two-dimensional image showing the distance from the transmitting station as viewed from the side, and a two-dimensional image showing the distance from the receiving station as viewed from the side, as side view images.
- the side view images showing the distance from the transmitting station and the side view images showing the distance from the receiving station are used to specify the position and coordinates of a structure. Note that the side view images can also be called side view images.
- the model unit 22 ( Figure 1) includes, for example, a first CNN unit 220, a second CNN unit 222, and an FNN unit 224, and is configured with a CNN part that uses CNN and an FNN part that uses FNN.
- Figure 4 is a diagram that schematically shows the functions of the model unit 22.
- the first CNN unit 220 has an internal CNN, and inputs each of the top-view images generated by the first image generation unit 200 into a convolutional neural network to extract first feature parameters, which are then output to the FNN unit 224.
- the second CNN unit 222 has an internal CNN, and inputs each side view image generated by the second image generation unit 202 into a convolutional neural network to extract second feature parameters, which are then output to the FNN unit 224.
- the FNN unit 224 has an internal FNN, and by inputting the first feature parameters extracted by the first CNN unit 220 and the second feature parameters extracted by the second CNN unit 222 into a fully connected neural network, it estimates the propagation characteristics (propagation loss L) of radio waves between the transmitting station and the receiving station and outputs the results to the estimated data storage unit 24.
- the FNN unit 224 may input system parameters related to the wireless communication system to the FNN along with the first and second characteristic parameters.
- System parameters include, for example, the frequency used by the wireless communication system, the Tx antenna height, the Rx antenna height, etc.
- the estimated data storage unit 24 is a storage unit that stores the radio wave propagation characteristics estimated by the FNN unit 224.
- the error calculation unit 26 compares the verification data stored in the storage device 3 with the propagation characteristics stored in the estimated data storage unit 24, calculates the error between the propagation characteristics estimated by the FNN unit 224 and the verification data, and outputs the error to the update unit 28.
- the update unit 28 updates the parameters used by the first CNN unit 220 to extract the first feature parameter and the parameters used by the second CNN unit 222 to extract the second feature parameter based on the error calculated by the error calculation unit 26. For example, the update unit 28 updates the parameters until the error calculated by the error calculation unit 26 converges to a predetermined level or below.
- the update unit 28 may also update the parameters used by the FNN unit 224.
- the propagation characteristics estimation system 1 trains the model unit 22 using the training data, checks the convergence of the error using the verification data, and ends the training when the error has converged.
- Figure 5 is a diagram showing an example configuration of a propagation characteristics estimation system 1 at the estimation stage according to one embodiment. Note that in the example configuration of the propagation characteristics estimation system 1 at the estimation stage shown in Figure 5, components that are substantially the same as the configuration of the propagation characteristics estimation system 1 at the learning stage shown in Figure 1 are assigned the same reference numerals.
- the propagation characteristics estimation system 1 in the estimation stage has a propagation characteristics estimation device 2 and storage devices 4-1 and 4-2.
- the propagation characteristics estimation device 2 has an input image generation unit 20, a model unit 22, an estimated data storage unit 24, and an output unit 29, and estimates the radio wave propagation characteristics (propagation loss L) using a trained model.
- the output unit 29 outputs the radio wave propagation characteristics stored in the estimated data storage unit 24, for example by displaying them.
- the propagation characteristics estimation system 1 generates, as top-view images, two-dimensional images showing the layout and height of a structure as viewed from above and two-dimensional images showing the antenna patterns at the transmitting station and receiving station as viewed from above, and generates, as side-view images, two-dimensional images showing the layout of the side of the structure between the transmitting station and receiving station and two-dimensional images showing the antenna patterns as viewed from the side from the transmitting station and receiving station, to estimate the propagation characteristics of radio waves. Therefore, even if the antenna has directionality, the propagation characteristics of radio waves can be estimated with high accuracy.
- each function of the propagation characteristics estimation device 2 may be configured in part or in whole by hardware such as a PLD (Programmable Logic Device) or FPGA (Field Programmable Gate Array), or may be configured as a program executed by a processor such as a CPU.
- a PLD Programmable Logic Device
- FPGA Field Programmable Gate Array
- the propagation characteristics estimation device 2 can be implemented using a computer and a program, and the program can be recorded on a storage medium or provided via a network.
- FIG. 6 is a diagram showing an example of the hardware configuration of a propagation characteristics estimation device 2 according to one embodiment.
- the propagation characteristics estimation device 2 has an input unit 50, an output unit 51, a communication unit 52, a CPU 53, a memory 54, and an HDD 55 connected via a bus 56, and has the functionality of a computer.
- the propagation characteristics estimation device 2 is also capable of inputting and outputting data to and from a computer-readable storage medium 57.
- the input unit 50 is, for example, a keyboard and mouse.
- the output unit 51 is, for example, a display device such as a display that outputs images.
- the communication unit 52 is, for example, a wired or wireless network interface, and may also function as an output unit that outputs data to the outside.
- the CPU 53 controls each component of the propagation characteristics estimation device 2 and performs predetermined processing.
- the memory 54 and HDD 55 are storage units that store data, etc.
- the storage medium 57 is capable of storing programs and the like that execute the functions of the propagation characteristics estimation device 2. Note that the architecture that constitutes the propagation characteristics estimation device 2 is not limited to the example shown in Figure 6.
- circuitry or processing circuitry including general purpose processors, application specific processors, integrated circuits, ASICs (Application Specific Integrated Circuits), CPUs (Central Processing Units), conventional circuits, and/or combinations thereof, programmed to perform the described functions.
- ASICs Application Specific Integrated Circuits
- CPUs Central Processing Units
- a processor includes transistors and other circuits and is considered a circuitry or processing circuitry.
- a processor may also be a programmed processor that executes programs stored in memory.
- a circuit, unit, or means refers to hardware that is programmed to realize or executes the described functions.
- the hardware may be any hardware disclosed in this specification or any hardware known to be programmed to realize or execute the described functions.
- the hardware is a processor, which is considered to be a type of circuitry
- the circuitry, means, or unit is the combination of the hardware and the software used to configure the hardware and/or processor.
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
一実施形態にかかる伝搬特性推定装置は、受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、送信局及び受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成部と、送信局と受信局との間の構造物の側面の配置を示す二次元画像と、送信局及び受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成部と、上方視画像それぞれから第１特徴パラメータを抽出する第１ＣＮＮ部と、側方視画像それぞれから第２特徴パラメータを抽出する第２ＣＮＮ部と、第１特徴パラメータ及び第２特徴パラメータを用いて伝搬特性を推定するＦＮＮ部とを有する。
Description
本発明は、無線通信システムにおける送信局と受信局との間の電波の伝搬特性を推定する技術に関する。
無線通信システムにおいて、送信局（Transmitter：Tx）と受信局（Receiver：Rx）との間の電波の伝搬特性（伝搬損失）を推定する技術が知られている。例えば、特許文献１及び非特許文献１は、２つの畳み込みニューラルネットワーク（CNN: Convolutional Neural Network）を利用して抽出した特徴パラメータを全結合ニューラルネットワーク（FNN: Fully-connected Neural Network）に入力することにより、電波の伝搬特性を推定する推定モデルを開示している。
なお、都市部マクロセル環境などでは、見通し外環境においてＲｘがＴｘから離れると、Ｔｘ－Ｒｘ間の建物の屋根を越える電波伝搬である「屋根越え伝搬（over-rooftop propagation）」が支配的となる場合がある。
N. Kuno, M. Inomata, M. Sasaki and W. Yamada, "Deep Learning-Based Path Loss Prediction Using Side-View Images in an UMa Environment", 2022 16th European Conference on Antennas and Propagation (EuCAP), 2022, pp. 1-5
しかしながら、従来は、送信局及び受信局のアンテナが無指向性であることが前提となっており、アンテナに指向性がある場合に、電波の伝搬特性を精度よく推定することができないことがあった。
本発明は、上述した課題を鑑みてなされたものであり、アンテナに指向性があっても、電波の伝搬特性を精度よく推定することができる伝搬特性推定装置、伝搬特性推定システム、伝搬特性推定方法、及び伝搬特性推定プログラムを提供することを目的とする。
本発明の一実施形態にかかる伝搬特性推定装置は、無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定装置において、前記受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、前記送信局及び前記受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成部と、前記送信局と前記受信局との間の構造物の側面の配置を示す二次元画像と、前記送信局及び前記受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成部と、前記第１画像生成部が生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出する第１ＣＮＮ部と、前記第２画像生成部が生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出する第２ＣＮＮ部と、前記第１ＣＮＮ部が抽出した第１特徴パラメータ、及び前記第２ＣＮＮ部が抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより前記伝搬特性を推定するＦＮＮ部とを有することを特徴とする。
また、本発明の一実施形態にかかる伝搬特性推定システムは、無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定システムにおいて、前記受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、前記送信局及び前記受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成部と、前記送信局と前記受信局との間の構造物の側面の配置を示す二次元画像と、前記送信局及び前記受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成部と、前記第１画像生成部が生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出する第１ＣＮＮ部と、前記第２画像生成部が生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出する第２ＣＮＮ部と、前記第１ＣＮＮ部が抽出した第１特徴パラメータ、及び前記第２ＣＮＮ部が抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより前記伝搬特性を推定するＦＮＮ部と、前記送信局と前記受信局との間の実際の電波の伝搬特性とみなされる検証データを記憶している記憶部と、前記記憶部が記憶している検証データと、前記ＦＮＮ部が推定した前記伝搬特性とを照合して、前記ＦＮＮ部が推定した前記伝搬特性の前記検証データに対する誤差を計算する誤差計算部と、前記誤差計算部が計算した誤差に基づいて、前記第１ＣＮＮ部が第１特徴パラメータの抽出に用いるパラメータ、及び前記第２ＣＮＮ部が第２特徴パラメータの抽出に用いるパラメータを更新する更新部とを有することを特徴とする。
また、本発明の一実施形態にかかる伝搬特性推定方法は、無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定方法において、前記受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、前記送信局及び前記受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成工程と、前記送信局と前記受信局との間の構造物の側面の配置を示す二次元画像と、前記送信局及び前記受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成工程と、前記第１画像生成工程により生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出する第１ＣＮＮ工程と、前記第２画像生成工程により生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出する第２ＣＮＮ工程と、前記第１ＣＮＮ工程により抽出した第１特徴パラメータ、及び前記第２ＣＮＮ工程により抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより前記伝搬特性を推定するＦＮＮ工程とを含むことを特徴とする。
また、本発明の一実施形態にかかる伝搬特性推定プログラムは、無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定装置が実行する伝搬特性推定プログラムにおいて、前記受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、前記送信局及び前記受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成部と、前記送信局と前記受信局との間の構造物の側面の配置を示す二次元画像と、前記送信局及び前記受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成部と、前記第１画像生成部が生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出する第１ＣＮＮ部と、前記第２画像生成部が生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出する第２ＣＮＮ部と、前記第１ＣＮＮ部が抽出した第１特徴パラメータ、及び前記第２ＣＮＮ部が抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより前記伝搬特性を推定するＦＮＮ部とを有する前記伝搬特性推定装置の各部としてコンピュータを機能させるための伝搬特性推定プログラムである。
本発明によれば、アンテナに指向性があっても、電波の伝搬特性を精度よく推定することができる。
以下に、図面を用いて一実施形態にかかる伝搬特性推定システムについて説明する。なお、一実施形態にかかる伝搬特性推定システムは、機械学習を行うニューラルネットワークを有し、電波の伝搬特性を学習する学習段階と、電波の伝搬特性を推定する推定段階とのいずれにおいても用いられる。また、一実施形態にかかる伝搬特性推定システムは、学習段階と推定段階とにおいて、同一に構成されてもよいし、異なる構成にされてもよい。
図１は、一実施形態にかかる学習段階の伝搬特性推定システム１の構成例を示す図である。一実施形態にかかる学習段階の伝搬特性推定システム１は、例えば無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定装置２と、記憶装置（記憶部）３，４－１，４－２を有する。
記憶装置４－１は、送信局と受信局とを含む領域内の構造物等を含む地図データを記憶しているデータベースである。記憶装置４－２は、送信局及び受信局それぞれのアンテナの指向性を含む仕様（アンテナパターンなど）を記憶しているデータベースである。
記憶装置３は、送信局と受信局との間の実際の電波の伝搬特性とみなされる検証データを記憶しているデータベースである。例えば、記憶装置３は、送信局と受信局との間の電波の伝搬特性を実際に測定した測定データ（受信局の受信電力など）、又はシミュレーションデータなどを検証データとして記憶している。
伝搬特性推定装置２は、例えば入力画像生成部２０、モデル部２２、推定データ記憶部２４、誤差計算部２６、及び更新部２８を有する。
入力画像生成部２０は、例えば第１画像生成部２００、及び第２画像生成部２０２を有する。
第１画像生成部２００は、受信局の周囲の構造物（建物など）の上方から見た配置と高さを示す二次元画像と、送信局及び受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像（top-view image）として生成し、モデル部２２に対して出力する。例えば、第１画像生成部２００は、記憶装置４－１，４－２が記憶している地図データ及びアンテナの仕様を用いて上方視画像を生成する。
また、第１画像生成部２００は、上方から見た送信局からの距離を示す二次元画像、及び上方から見た受信局からの距離を示す二次元画像をさらに上方視画像として生成してもよい。送信局からの距離を示す上方視画像、及び受信局からの距離を示す上方視画像は、構造物の位置と、座標を指定するために用いられる。なお、上方視画像は、俯瞰画像とも言える。
図２は、第１画像生成部２００が生成した上方視画像を例示する図である。図２（ａ）は、受信局の周囲の構造物の上方から見た配置と高さを示す上方視画像を例示する図である。図２（ｂ）は、上方から見た送信局のアンテナパターンを示す上方視画像を例示する図である。図２（ｃ）は、上方から見た受信局のアンテナパターンを示す上方視画像を例示する図である。
図２（ａ）～（ｃ）に示したように、第１画像生成部２００は、例えば３種類の上方視画像を生成する。上方視画像は、例えば１２８ｍ×１２８ｍの矩形範囲を対象とする二次元画像であり、当該矩形範囲が２ｍ×２ｍごとのメッシュで区切られ、６４×６４のメッシュ構成となっている。
第２画像生成部２０２（図１）は、送信局と受信局との間の構造物の側面の配置を示す二次元画像と、送信局及び受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像（side-view image）として生成し、モデル部２２に対して出力する。例えば、第２画像生成部２０２は、記憶装置４－１，４－２が記憶している地図データ及びアンテナの仕様を用いて側方視画像を生成する。
図３は、第２画像生成部２０２が生成した側方視画像を例示する図である。図３（ａ）は、送信局からの側方から見たアンテナパターンを示す側方視画像を例示する図である。図３（ｂ）は、受信局からの側方から見たアンテナパターンを示す側方視画像を例示する図である。図３（ｃ）は、送信局と受信局との間の構造物の側面の配置を示す側方視画像を例示する図である。
側方視画像を規定するｘｙ平面は、水平面に対して直交している。ｘ方向は、送信局から受信局への水平方向である。ｙ方向は、ｘ方向と直交する鉛直方向である。つまり、側方視画像は、例えば、矩形状の所定範囲の画像である。
また、第２画像生成部２０２は、側方から見た送信局からの距離を示す二次元画像、及び側方から見た受信局からの距離を示す二次元画像をさらに側方視画像として生成してもよい。送信局からの距離を示す側方視画像、及び受信局からの距離を示す側方視画像は、構造物の位置と、座標を指定するために用いられる。なお、側方視画像は、側面画像とも言える。
モデル部２２（図１）は、例えば第１ＣＮＮ部２２０、第２ＣＮＮ部２２２、及びＦＮＮ部２２４を備え、ＣＮＮを用いるＣＮＮｐａｒｔと、ＦＮＮを用いるＦＮＮｐａｒｔが構成されている。図４は、モデル部２２が有する機能を模式的に示す図である。
第１ＣＮＮ部２２０は、内部にＣＮＮを備え、第１画像生成部２００が生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出し、ＦＮＮ部２２４に対して出力する。
第２ＣＮＮ部２２２は、内部にＣＮＮを備え、第２画像生成部２０２が生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出し、ＦＮＮ部２２４に対して出力する。
ＦＮＮ部２２４は、内部にＦＮＮを備え、第１ＣＮＮ部２２０が抽出した第１特徴パラメータ、及び第２ＣＮＮ部２２２が抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより、送信局と受信局との間の電波の伝搬特性（伝搬損失Ｌ）を推定し、推定データ記憶部２４に対して出力する。
なお、ＦＮＮ部２２４は、第１特徴パラメータ及び第２特徴パラメータと共に、無線通信システムに関するシステムパラメータをＦＮＮに入力してもよい。システムパラメータには、例えば無線通信システムが用いる周波数、Ｔｘのアンテナ高さ、Ｒｘのアンテナ高さ等が含まれる。
推定データ記憶部２４は、ＦＮＮ部２２４が推定した電波の伝搬特性を記憶する記憶部である。
誤差計算部２６は、記憶装置３が記憶している検証データと、推定データ記憶部２４が記憶している伝搬特性とを照合して、ＦＮＮ部２２４が推定した伝搬特性の検証データに対する誤差を計算し、更新部２８に対して出力する。
更新部２８は、誤差計算部２６が計算した誤差に基づいて、第１ＣＮＮ部２２０が第１特徴パラメータの抽出に用いるパラメータ、及び第２ＣＮＮ部２２２が第２特徴パラメータの抽出に用いるパラメータを更新する。例えば、更新部２８は、誤差計算部２６が計算した誤差が所定のレベル以下に収束するまでパラメータを更新する。また、更新部２８は、ＦＮＮ部２２４が用いるパラメータを更新してもよい。
つまり、伝搬特性推定システム１は、学習データによってモデル部２２を学習させ、検証データを用いて誤差の収束を確認し、誤差が収束したときに学習を終了する。
次に、一実施形態にかかる推定段階の伝搬特性推定システム１の構成例について説明する。図５は、一実施形態にかかる推定段階の伝搬特性推定システム１の構成例を示す図である。なお、図５に示した推定段階の伝搬特性推定システム１の構成例において、図１に示した学習段階の伝搬特性推定システム１の構成と実質的に同一の構成には同一の符号が付してある。
推定段階の伝搬特性推定システム１は、伝搬特性推定装置２及び記憶装置４－１，４－２を有する。ここで、伝搬特性推定装置２は、入力画像生成部２０、モデル部２２、推定データ記憶部２４、及び出力部２９を有し、学習済みのモデルによって電波の伝搬特性（伝搬損失Ｌ）を推定する。
出力部２９は、推定データ記憶部２４が記憶する電波の伝搬特性を例えば表示することによって出力する。
このように、一実施形態にかかる伝搬特性推定システム１は、構造物の上方から見た配置と高さを示す二次元画像と、送信局及び受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成し、送信局と受信局との間の構造物の側面の配置を示す二次元画像と、送信局及び受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成して、電波の伝搬特性を推定するので、アンテナに指向性があっても、電波の伝搬特性を精度よく推定することができる。
なお、伝搬特性推定装置２が有する各機能は、それぞれ一部又は全部がＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアによって構成されてもよいし、ＣＰＵ等のプロセッサが実行するプログラムとして構成されてもよい。
例えば、伝搬特性推定装置２は、コンピュータとプログラムを用いて実現することができ、プログラムを記憶媒体に記録することも、ネットワークを通して提供することも可能である。
図６は、一実施形態にかかる伝搬特性推定装置２が有するハードウェア構成例を示す図である。図６に示すように、例えば伝搬特性推定装置２は、入力部５０、出力部５１、通信部５２、ＣＰＵ５３、メモリ５４及びＨＤＤ５５がバス５６を介して接続され、コンピュータとしての機能を備える。また、伝搬特性推定装置２は、コンピュータ読み取り可能な記憶媒体５７との間でデータを入出力することができるようにされている。
入力部５０は、例えばキーボード及びマウス等である。出力部５１は、例えば画像を出力するディスプレイなどの表示装置である。通信部５２は、例えば有線及び無線のネットワークインターフェースであり、データを外部へ出力する出力部としての機能を備えていてもよい。
ＣＰＵ５３は、上述したように伝搬特性推定装置２を構成する各部を制御し、所定の処理等を行う。メモリ５４及びＨＤＤ５５は、データ等を記憶する記憶部である。
記憶媒体５７は、伝搬特性推定装置２が有する機能を実行させるプログラム等を記憶可能にされている。なお、伝搬特性推定装置２を構成するアーキテクチャは図６に示した例に限定されない。
本明細書中に記載されている構成要素により実現される機能は、当該記載された機能を実現するようにプログラムされた、汎用プロセッサ、特定用途プロセッサ、集積回路、ASICs (Application Specific Integrated Circuits)、CPU (a Central Processing Unit)、従来型の回路、および／又はそれらの組合せを含む、circuitry又はprocessing circuitryにおいて実装されてもよい。
プロセッサは、トランジスタやその他の回路を含み、circuitry又はprocessing circuitryとみなされる。プロセッサは、メモリに格納されたプログラムを実行する、programmed processorであってもよい。
本明細書において、circuitry、ユニット、手段は、記載された機能を実現するようにプログラムされたハードウェア、又は実行するハードウェアである。当該ハードウェアは、本明細書に開示されているあらゆるハードウェア、又は、当該記載された機能を実現するようにプログラムされた、又は、実行するものとして知られているあらゆるハードウェアであってもよい。
当該ハードウェアがcircuitryのタイプであるとみなされるプロセッサである場合、当該circuitry、手段、又はユニットは、ハードウェアと、当該ハードウェア及び又はプロセッサを構成する為に用いられるソフトウェアの組合せである。
１・・・伝搬特性推定システム、２・・・伝搬特性推定装置、３・・・記憶装置、４－１，４－２・・・記憶装置、２０・・・入力画像生成部、２２・・・モデル部、２４・・・推定データ記憶部、２６・・・誤差計算部、２８・・・更新部、２９・・・出力部、５０・・・入力部、５１・・・出力部、５２・・・通信部、５３・・・ＣＰＵ、５４・・・メモリ、５５・・・ＨＤＤ、５６・・・バス、５７・・・記憶媒体、２００・・・第１画像生成部、２０２・・・第２画像生成部、２２０・・・第１ＣＮＮ部、２２２・・・第２ＣＮＮ部、２２４・・・ＦＮＮ部
Claims (7)
- 無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定装置において、
前記受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、前記送信局及び前記受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成部と、
前記送信局と前記受信局との間の構造物の側面の配置を示す二次元画像と、前記送信局及び前記受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成部と、
前記第１画像生成部が生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出する第１ＣＮＮ部と、
前記第２画像生成部が生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出する第２ＣＮＮ部と、
前記第１ＣＮＮ部が抽出した第１特徴パラメータ、及び前記第２ＣＮＮ部が抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより前記伝搬特性を推定するＦＮＮ部と
を有することを特徴とする伝搬特性推定装置。 - 前記送信局と前記受信局との間の実際の電波の伝搬特性とみなされる検証データと、前記ＦＮＮ部が推定した前記伝搬特性とを照合して、前記ＦＮＮ部が推定した前記伝搬特性の前記検証データに対する誤差を計算する誤差計算部と、
前記誤差計算部が計算した誤差に基づいて、前記第１ＣＮＮ部が第１特徴パラメータの抽出に用いるパラメータ、及び前記第２ＣＮＮ部が第２特徴パラメータの抽出に用いるパラメータを更新する更新部と
をさらに有すること
を特徴とする請求項１に記載の伝搬特性推定装置。 - 無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定システムにおいて、
前記受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、前記送信局及び前記受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成部と、
前記送信局と前記受信局との間の構造物の側面の配置を示す二次元画像と、前記送信局及び前記受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成部と、
前記第１画像生成部が生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出する第１ＣＮＮ部と、
前記第２画像生成部が生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出する第２ＣＮＮ部と、
前記第１ＣＮＮ部が抽出した第１特徴パラメータ、及び前記第２ＣＮＮ部が抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより前記伝搬特性を推定するＦＮＮ部と、
前記送信局と前記受信局との間の実際の電波の伝搬特性とみなされる検証データを記憶している記憶部と、
前記記憶部が記憶している検証データと、前記ＦＮＮ部が推定した前記伝搬特性とを照合して、前記ＦＮＮ部が推定した前記伝搬特性の前記検証データに対する誤差を計算する誤差計算部と、
前記誤差計算部が計算した誤差に基づいて、前記第１ＣＮＮ部が第１特徴パラメータの抽出に用いるパラメータ、及び前記第２ＣＮＮ部が第２特徴パラメータの抽出に用いるパラメータを更新する更新部と
を有することを特徴とする伝搬特性推定システム。 - 無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定方法において、
前記受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、前記送信局及び前記受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成工程と、
前記送信局と前記受信局との間の構造物の側面の配置を示す二次元画像と、前記送信局及び前記受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成工程と、
前記第１画像生成工程により生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出する第１ＣＮＮ工程と、
前記第２画像生成工程により生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出する第２ＣＮＮ工程と、
前記第１ＣＮＮ工程により抽出した第１特徴パラメータ、及び前記第２ＣＮＮ工程により抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより前記伝搬特性を推定するＦＮＮ工程と
を含むことを特徴とする伝搬特性推定方法。 - 前記送信局と前記受信局との間の実際の電波の伝搬特性とみなされる検証データと、前記ＦＮＮ工程により推定した前記伝搬特性とを照合して、前記ＦＮＮ工程により推定した前記伝搬特性の前記検証データに対する誤差を計算する誤差計算工程と、
前記誤差計算工程により計算した誤差に基づいて、前記第１ＣＮＮ工程による第１特徴パラメータの抽出に用いるパラメータ、及び前記第２ＣＮＮ工程による第２特徴パラメータの抽出に用いるパラメータを更新する更新工程と
をさらに含むこと
を特徴とする請求項４に記載の伝搬特性推定方法。 - 無線通信を行う送信局と受信局との間の電波の伝搬特性を推定する伝搬特性推定装置が実行する伝搬特性推定プログラムにおいて、
前記受信局の周囲の構造物の上方から見た配置と高さを示す二次元画像と、前記送信局及び前記受信局における上方から見たアンテナパターンをそれぞれ示す二次元画像とを上方視画像として生成する第１画像生成部と、
前記送信局と前記受信局との間の構造物の側面の配置を示す二次元画像と、前記送信局及び前記受信局からの側方から見たアンテナパターンをそれぞれ示す二次元画像とを側方視画像として生成する第２画像生成部と、
前記第１画像生成部が生成した上方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第１特徴パラメータを抽出する第１ＣＮＮ部と、
前記第２画像生成部が生成した側方視画像それぞれを畳み込みニューラルネットワークに入力することにより、第２特徴パラメータを抽出する第２ＣＮＮ部と、
前記第１ＣＮＮ部が抽出した第１特徴パラメータ、及び前記第２ＣＮＮ部が抽出した第２特徴パラメータを全結合ニューラルネットワークに入力することにより前記伝搬特性を推定するＦＮＮ部と
を有する前記伝搬特性推定装置の各部としてコンピュータを機能させるための伝搬特性推定プログラム。 - 前記伝搬特性推定装置は、
前記送信局と前記受信局との間の実際の電波の伝搬特性とみなされる検証データと、前記ＦＮＮ部が推定した前記伝搬特性とを照合して、前記ＦＮＮ部が推定した前記伝搬特性の前記検証データに対する誤差を計算する誤差計算部と、
前記誤差計算部が計算した誤差に基づいて、前記第１ＣＮＮ部が第１特徴パラメータの抽出に用いるパラメータ、及び前記第２ＣＮＮ部が第２特徴パラメータの抽出に用いるパラメータを更新する更新部と
をさらに有すること
を特徴とする請求項６に記載の伝搬特性推定プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2024/019590 WO2025248641A1 (ja) | 2024-05-28 | 2024-05-28 | 伝搬特性推定装置、伝搬特性推定システム、伝搬特性推定方法、及び伝搬特性推定プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2024/019590 WO2025248641A1 (ja) | 2024-05-28 | 2024-05-28 | 伝搬特性推定装置、伝搬特性推定システム、伝搬特性推定方法、及び伝搬特性推定プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2025248641A1 true WO2025248641A1 (ja) | 2025-12-04 |
Family
ID=97869805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2024/019590 Pending WO2025248641A1 (ja) | 2024-05-28 | 2024-05-28 | 伝搬特性推定装置、伝搬特性推定システム、伝搬特性推定方法、及び伝搬特性推定プログラム |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2025248641A1 (ja) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011176427A (ja) * | 2010-02-23 | 2011-09-08 | Nippon Telegr & Teleph Corp <Ntt> | 伝搬損失推定装置、伝搬損失推定方法及び伝搬損失推定プログラム |
| WO2023127106A1 (ja) * | 2021-12-28 | 2023-07-06 | 日本電信電話株式会社 | 伝搬特性推定方法、伝搬特性推定装置、及び伝搬特性推定プログラム |
-
2024
- 2024-05-28 WO PCT/JP2024/019590 patent/WO2025248641A1/ja active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011176427A (ja) * | 2010-02-23 | 2011-09-08 | Nippon Telegr & Teleph Corp <Ntt> | 伝搬損失推定装置、伝搬損失推定方法及び伝搬損失推定プログラム |
| WO2023127106A1 (ja) * | 2021-12-28 | 2023-07-06 | 日本電信電話株式会社 | 伝搬特性推定方法、伝搬特性推定装置、及び伝搬特性推定プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7740380B2 (ja) | 伝搬特性推定方法、伝搬特性推定装置、及び伝搬特性推定プログラム | |
| Mom et al. | Application of artificial neural network for path loss prediction in urban macrocellular environment | |
| CN105307266B (zh) | 基于自适应空间格点的传感器网络压缩感知精确定位方法 | |
| CN108768567B (zh) | 一种多径分簇方法、装置、电子设备及可读存储介质 | |
| CN104485513B (zh) | 宽频带天线阵列实时综合方法 | |
| US20160170047A1 (en) | Method for predicting electromagnetic radiation characteristics, computer-readable recording medium and simulator | |
| CN109992845A (zh) | 一种基于matlab和hfss的波束控制和阵列方向图优化方法 | |
| CN109560849A (zh) | 一种基于二阶锥规划的波束赋形的鲁棒性自适应算法 | |
| Chatelier et al. | Influence of dataset parameters on the performance of direct ue positioning via deep learning | |
| Inoue et al. | On the building map for radio propagation prediction using machine learning | |
| CN113177305A (zh) | 基于网格修改和iedg的局部变化电磁散射问题快速分析方法 | |
| WO2025248627A1 (ja) | 伝搬特性推定装置、伝搬特性推定システム、伝搬特性推定方法、及び伝搬特性推定プログラム | |
| CN116933713A (zh) | 一种芯片的模块排布方法及相关设备 | |
| US10896283B1 (en) | Noise-based optimization for integrated circuit design | |
| CN119989911A (zh) | 一种机器学习辅助的超表面加载解耦贴片天线设计方法 | |
| WO2025248628A1 (ja) | 伝搬特性推定装置、伝搬特性推定システム、伝搬特性推定方法、及び伝搬特性推定プログラム | |
| Martire et al. | Antenna-Circuit Modeling for Accelerated Simultaneous Co-Simulation Using Clustering Model-Order Reduction | |
| Ren et al. | Rss remeasurement estimation for indoor positioning system with generative adversarial network model | |
| CN118338248A (zh) | 一种基于深度扩散去噪概率模型的无线电地图估计方法 | |
| CN116996893A (zh) | 电波传播的地物损耗计算方法、装置及电子设备 | |
| CN114448474B (zh) | 多天线信道矩阵预测方法、装置和电子设备 | |
| CN118133767A (zh) | 电路板自动布线方法、装置、设备以及计算机存储介质 | |
| Flórez-González et al. | Fast indoor radio propagation prediction using deep learning | |
| CN113820700A (zh) | 一种分布式雷达目标定位方法 | |
| KR102837090B1 (ko) | 안테나 전류 그린 함수와 극소 쌍극자 모델링을 이용한 메타표면 및 안테나 시스템 성능평가 방법, 그리고, 성능평가 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 24941807 Country of ref document: EP Kind code of ref document: A1 |