基于图神经网络的数据驱动无线电环境图估计
本篇论文提出通过使用图神经网络解决大规模射频资源管理问题,通过设计有效的神经网络结构和理论分析,证明了信息传递图神经网络不仅满足置换等变性,而且能够适用于大规模问题且效率高,进一步通过分布式优化算法分析了方法的性能和泛化性,提供解释性和理论保证。
Jul, 2020
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
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
通过使用地理数据库,Geo2SigMap是一个基于机器学习的高效高保真度的射频信号绘制框架,使用自动化框架进行大规模3D建筑地图和射线追踪建模,利用环境信息和稀疏测量数据,采用级联U-Net模型生成详细的射频信号图,并通过真实世界测量验证,取得了较现有方法更好的预测无线电信号的性能。
Dec, 2023
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
在6G时代,通过使用生成对抗网络(GAN)的合作式无线电地图估计(CRME)方法,可以快速而精确地估计无线电资源的分布并推测地图信息,实现低数据采集成本和计算复杂度。
Feb, 2024
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。
Mar, 2024
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
本研究解决了传统无线电图构建方法计算复杂或依赖昂贵采样的问题。提出了一种名为RadioDiff的无采样无线电图构建的新方法,采用去噪扩散模型和注意力U-Net网络,显著提高了动态环境特征提取能力。实验结果显示,该方法在准确性、结构相似性和峰值信噪比等指标上达到了最先进水平,具有广泛的应用潜力。
Aug, 2024