Dec, 2023

一种可扩展且可推广的路径损耗图预测

PDF
TL;DR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。
large-scale channel predictionpathloss map predictionray tracingpmnettransfer learning
发现论文，激发创造
  • 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

    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

  • 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

  • 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

    利用机器学习方法对 5G 网络系统中的路径损耗进行预测，以实现更精确的网络规划、资源优化和性能改进。

    Oct, 2023

  • 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

  • 基于生成式神经网络的毫米波信道建模

    本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。

    Aug, 2020

  • 利用机器学习进行光网络信号丢失预测

    通过监控性能数据并利用监督式机器学习，我们可以在 1~7 天内预测光网络中的信号丢失事件，其中精确度较高，但召回率较低。通过使用多个网络同时训练模型，预测的精确度得到提高，而针对特定网络或设施类型进行调优只带来了适度的改进。

    Jan, 2022

  • 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

  • 基于点云的毫米波通信主动链路质量预测

    本文探讨利用 LiDAR 获取的三维点云数据进行毫米波通信中的链路质量预测，该方法将替代传统基于图像的方式并且可避免隐私泄露。通过实验验证，该方法证明了在存在人体阻挡时，点云数据可以有效预测毫米波信号强度的大幅度丢失。

    Jan, 2023