5G 网络中路径损耗预测的稳健机器学习方法与嵌套交叉验证
使用嵌套交叉验证方案的机器学习方法,模型了高速列车系统在第五代(5G)移动通信网络中的性能,以优化手 over、资源分配和提高移动性,具有显著结果。
Oct, 2023
本文介绍了一种用于机器学习路径损耗预测的新型增强数据方法,通过将合成数据与真实数据相结合,显著改善了模型在不同环境中的泛化能力,取得了可观的均方误差改进。
Feb, 2024
基于 ML 的 PMNet 通过使用有限的 RT(或信道测量)数据和地图数据进行训练,可以在几毫秒内高精度地预测位置上的路径损耗,并通过使用迁移学习在快速和高效的情况下学习新的网络场景。
Dec, 2023
本文基于在美国奥斯汀市和丹麦奥尔堡市获取的 38 GHz,2、10、18 和 28 GHz 频率下的传播测量数据,提出了未来第五代(5G)无线通信系统在城市宏观蜂窝(UMa)场景中使用的关键参数,包括直线视距(LOS)概率、大尺度路径损耗和阴影衰减模型,并对不同 LOS 概率模型进行了比较,深入研究了 Alpha-betagamma 和近距参考距离路径损耗模型在信道建模中的价值,分析和对比了单斜率和双斜率全向路径损耗模型的平均根方误差(RMS)误差。虽然结果显示,双斜率大尺度路径损耗模型在非直线视距(NLOS)条件下可以略微降低 RMS 误差,与其单斜率对应部分相比,但这种改善并不足以证明应采用双斜率路径损耗模型。此外,探讨了阴影衰落幅度与距离之间的关系。基于奥尔堡的数据,结果显示 LOS 上略微增加,而 NLOS 上略微降低,但需要更多的测量来更好地了解厘米和毫米波频段下的 UMa 信道。
Nov, 2015
本文提出了五种深度神经网络输入输出处理方法,增加其应用于 5G UAV 安全数据集的输出准确性和可靠性,并且探讨了不同的评估度量以及其中的权衡,结果表明预处理、后置处理和置信度处理都可以提高 DNN 的可靠性和准确性,而且置信度校准,即通过均衡 MC、MA 和 RS 之间的差异实现增强的可靠性,可以使用潜在方法来取代 DNN 中的 Softmax 层分类。
Nov, 2022
使用基于 Transformer 的神经网络架构,从不同维度的地图和稀疏测量中预测链路级属性,而不需要离散化,这种方法可以高效地学习稀疏训练数据中的主要路径损耗,并在新的地图上具有良好的泛化能力。
Oct, 2023
本文提出了一种高效准确的深度学习方法,名为 RadioUNet,用于估算从一个点 $x$(发射器位置)到平面域上任意点 $y$ 的传播路损。该方法能够学习如何在城市环境下准确地估算路损函数,并且能够在实时应用中快速计算结果。实验结果表明,相对于先前提出的方法,我们的方法具有明显的优势。
Nov, 2019
本研究旨在利用移动网络运营商可获得的真实网络数据,对 5G 网络中的预测延迟进行彻底分析,并利用机器学习中的贝叶斯学习和图学习技术进行概率回归、异常检测和预测预测框架测试,并使用来自车辆移动、城市交通等场景的数据进行验证,结果为预测算法在实际应用中的有效性提供了有价值的见解。
Jul, 2023
一篇关于 5G 网络切片的研究论文,评估了包括逻辑回归模型、线性判别模型、k 最近邻模型、决策树模型、随机森林模型、SVC BernoulliNB 模型和 GaussianNB 模型在检测网络切片准确度和精确度方面的各种机器学习技术,并提供了 5G 网络切片的概述。
Oct, 2023