本文介绍了一种基于生成对抗网络(GAN)的新型无线电地图构建方法,命名为 ACT-GAN,并通过三种不同场景的实验结果表明,ACT-GAN 在提高无线电地图的重建精度方面具有显著优势,同时有助于更准确地预测电磁空间场分布和发射源位置。
Jan, 2024
利用生成对抗网络的方法以及语义地图对室内环境进行建模,实现射频地图的自动合成及网络覆盖估计。
Aug, 2023
本研究提出了一种利用深度神经网络从数据集中学习先前测量的传播现象空间结构来估计电台占用地图的方法,有效利用了完整的卷积自编码器结构,以显著减少用于估计预定准确性映射所需的测量数量。
May, 2020
通过使用无人机收集大量数据,并对现有的射频地图估计器进行评估,本研究揭示出具有深度神经网络 (DNNs) 的复杂估计器表现最佳,但需要大量训练数据才能相对传统方案提供实质性优势,同时还提出了一种混合两种类型估计器的新算法,展示了进一步探索该研究方向的潜力。
Oct, 2023
为了解决多频段无线射频地图重建在实际部署中所面临的挑战,我们提出了一种基于图注意力网络(GAT)的新框架 RadioGAT,它将基于模型的空间 - 频谱相关性编码与数据驱动的射频地图泛化相结合,从而最大程度地减少对大量数据源的依赖,并且在具有有限数据可用性的环境中展现出卓越的准确性和实用性。
Mar, 2024
本文提出了一种基于采样点和未卷积生成器设计的无线电 GAN 框架,并结合估计的纯信号分布作为先验分布,通过能量约束优化算法实现更好的训练稳定性和收敛性,在广泛的仿真实验中展示了该框架可以有效地学习发射机特性和各种通道效应,从而准确地建模基础采样分布以合成高质量的无线电信号。
Jun, 2023
介绍了广泛应用的无线电图,并讨论了无线电图估计的最显著方法,包括从简单的回归到更复杂的算法,包括最先进的技术。
Feb, 2022
通过利用接收信号强度数据并利用环境的几何结构联合构建无线电地图和虚拟环境,该论文提出了一种机器学习方法,用于快速构建 5G 及以后无线通信系统的信道模型。实验证明,该模型在重建 3D 虚拟环境方面表现出色,并在无线电地图构建方面优于现有方法,准确性提高了 10%-18%。同时,该模型在转移到新环境时可以减少 20% 的数据和 50% 的训练时期。
使用生成对抗网络中的生成器网络重建仅依赖传感器数据的电磁场公开图,产生准确的估计结果。
May, 2024
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。