Oct, 2023

基于 Transformer 的神经代理模型用于可变尺寸地图下的链路级路径损耗预测

PDF
TL;DR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。
发现论文，激发创造
  • 一种可扩展且可推广的路径损耗图预测

    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

  • RadioUNet: 用卷积神经网络快速估计无线电地图

    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

  • 无线电地图估计 - 包含定向发射天线的开放数据集和初步实验

    近年来，许多研究探讨了深度学习算法在城市通信网络中确定发射器和接收器对之间的大规模信号衰落（也称为 “路损”）的应用。本文通过发布包含真实城市地图和开放数据源的航拍图像的模拟路损无线电地图公共数据集，进行了关于模型架构、输入特征设计以及从航拍图像估计路损地图的初步实验，并提供了相关代码。

    Jan, 2024

  • 基于 Transformer 序列到序列模型的城市道路网络中使用 NLP 实现的轨迹映射匹配

    使用基于变压器的编码器 - 解码器模型，将噪声 GPS 数据转化为城市道路网络上的导航路线，大规模地理定位遥测数据对于增强智能城市的移动基础设施和操作系统具有巨大潜力。

    Apr, 2024

  • 基于机器学习的简化特征路径损耗建模

    简化的环境信息在无线信号传播预测中提供了高效而有效的解决方案，通过使用方便且准确的障碍物深度作为预测模型，可用于传播建模、无线部署和频谱规划。

    May, 2024

  • 机器学习路径损耗预测的模拟增强数据扩充

    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

  • 无线通信的多模态变压器：波束预测案例研究

    本文介绍了一种多模态变压器深度学习框架，用于辅助感知的波束预测。通过使用卷积神经网络从一系列图像、点云和雷达原始数据中提取特征，并使用变压器编码器学习不同模态和时间实例之间的隐藏关系，生成下一级特征提取的编码向量。通过在不同模态的组合上进行监督学习来训练模型，实验结果表明，使用图像和 GPS 数据训练的解决方案在预测波束的距离准确率方面表现最佳，为 78.44％，并具有有效的推广性。

    Sep, 2023

  • 基于模型的位置到信道映射学习

    为了克服通信信道在用户位置发生变化和学习低频函数的偏见带来的困难，本文提出了一种节俭、基于模型的网络，将目标映射函数的低频部分与高频部分分离出来，形成一个超网络架构，其中神经网络只学习高频组件字典中的低频稀疏系数。仿真结果表明，所提出的神经网络在真实合成数据上优于标准方法。

    Aug, 2023

  • 基于部分标记数据的无线电地图重构深度学习

    针对基于位置相关射频测量和利用关于本地区域的侧面知识（例如城市计划、地形高度、网关位置）的接收信号强度图的重建问题，本文采用神经架构搜索找到最佳神经网络模型的最佳架构，并证明使用附加的侧面信息提高了三个现实城市的接收信号强度图重建的最终准确性，特别是在通常观察到平均接收信号功率变化较大的门附近的子区域。

    Jun, 2023

  • PDFormer: 延迟感知动态远程 Transformer 用于交通流量预测

    该研究提出了一种基于动态远程传输的新型传播延迟感知长输入 Transformer，能够准确预测交通流量，并在真实交通数据集上取得了最先进的性能和计算效率。

    Jan, 2023