基于机器学习和卫星图像的路径损耗预测

HE Danping, XU Zhuocheng, CAO Huiyun, YIN Yue,WU Lina,GUAN Ke

Chinese Journal of Radio Science(2022)

引用 0|浏览1
暂无评分
摘要
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.
更多
AI 理解论文
溯源树
样例
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要