基于多层感知器神经网络的路径损耗预测研究

为了更好地服务于5G及未来无线通信系统的网络规划与优化,开展了基于多层感知器(multi-layer perceptron,MLP)神经网络的路径损耗预测研究.利用有限的地物类型,提出一种表征传播环境的简易方法,避免了繁琐的三维场景建模.结合测量数据和由环境表征方法提取的环境特征,基于MLP神经网络建立了路径损耗模型.数据实验的对比分析表明MLP神经网络能够实现路径损耗的准确预测,且环境特征的引入有助于提升模型性能.为解决干扰地物影响路径损耗模型的准确性以及模型对环境变化的敏感性问题,根据视距(line-of-sight,LoS)和非视距(non-line-of-sight,NLoS)标签改进环境表征方法,进一步提升了模型的稳定性和泛化能力.所做工作有助于了解无线电波传播特性,为无线网络优化和通信系统设计提供了理论依据.

基于机器学习和卫星图像的路径损耗预测

基于反向传播神经网络(back propagation neural network,BPNN)构建了一种路径损耗预测模型.通过卫星图像的红、绿、蓝(red,green and blue,RGB)通道的颜色信息来表征无线通信电波传播路径的环境特征,结合路测点与基站的距离特征构建数据集,迭代训练网络参数,以预测传播路径损耗.结果表明,对跨基站路测点的预测结果与实测数据之间的相关系数达到0.83,绝对平均误差控制在0.66 dB,标准差控制在6.65 dB,说明在缺乏某一场景的详细模型和材质参数时,本文模型也能可靠预测无线通信电波的传播路径损耗.此外,本文信道模型与传统信道建模方法多方面的对比与分析表明,本文模型在相同计算资源下可以提供和传统信道建模方法相差很小的预测结果,同时大大缩短预测所需的时间,说明本文模型对传播路径损耗做出快速预测的能力可以用于无线通信网络系统的优化.