基于神经网络的无线信道场景识别

无线信道场景识别对于无线资源调度和系统性能的优化等具有重要意义.文中基于QuaDriGa平台研究了反向传播神经网络(back propagation neural network,BPNN)和卷积神经网络(convolutional neural networks,CNN)在无线信道场景识别中的应用.首先,利用QuaD...     

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.     

基于神经网络的毫米波跨场景路径损耗预测研究

毫米波通信因其可以提供更高的传输速率和系统容量受到了广泛关注。无人机空地通信技术是未来通信网络的重要组成部分,路径损耗预测对于无人机的节点布局、轨迹优化和功率分配具有重要意义。针对无人机通信多场景PL预测问题,结合参数化的几何场景和多输入反向传播神经网络,提出了一种具有跨场景能力的PL迁移预测模型。该模型利用有限场景下信道数据进行网络训练,可以预测未知新场景下的PL。最后,利用射线跟踪仿真数据进行模型有效性验证,仿真结果表明,所提模型的神经网络训练收敛效果较好,在新场景下预测PL结果与RT仿真结果基本吻合,验证了该模型的跨场景迁移预测能力。     

基于3D电子地图和信道实测数据的市区路径损耗机器学习模型研究

随着5G移动通信系统的发展部署以及网络性能的优化,高精度和低复杂度的路径损耗预测模型尤为重要。该文针对大型城市场景,使用目前5G热点频段700 MHz, 2.4 GHz, 3.5 GHz的实测数据,将收发端位置、3维距离、相对余隙、建筑物密度、平均高度等作为环境特征,建立了基于3D电子地图的机器学习路径损耗预测模型,结果表明在复杂城市环境下,该文方法因其预测精度高而优于传统的基于收发端距离的路径损耗模型。另外,该文提出了基于频率迁移学习的路径损耗预测模型,并用均方误差、平均绝对百分比误差、均方根误差、决定系数等指标对其性能进行评估。该文方法可以解决建筑物遮挡严重的复杂城市环境以及在无大量测试数据的路径损耗预测问题,精确地预测城市环境中视距非视距混合信道的路径损耗值。     

基于电波传播路径损耗斜率的固定监测站覆盖范围预测分析

随着近年来秦皇岛市城区的发展，不断增多的高层建筑，对无线电监测造成了严重阻挡。而无线电通信业的高速发展和广泛应用，进一步造成空间电磁环境污染加剧，出现了噪声本底的明显恶化。为了实时掌握全市范围内的电磁环境状况，更好地维护秦皇岛市的空中电波秩序，适应无线电产业发展的需要，固定监测站建设已成当务之急。     

基于GAN指纹库的卷积神经网络室内可见光信道模型

提出一种神经网络算法实现室内可见光信道模型,解决Lambert模型难以计算室内可见光信道的噪声和误差问题。针对指纹库数据量大、难以采集和训练参数多导致迭代速度慢的问题,提出使用生成式对抗网络(generative adversarial network,GAN)生成仿真数据集融合原有的稀疏指纹库,生成满足训练要求数量的指纹库;使用一维的卷积神经网络(convolutional neural network, CNN)提取数据特征,降低训练参数,提高迭代速度。在室内5 m×5 m×3 m环境下采集稀疏指纹库,分别用反向传播 神经网络(back propagation netural network, BPNN)和一维CNN室内可见光信道模型进行对比。仿真结果表明:使用GAN生成指纹库的平均绝对误差为0.04,对数据量增广300%;在同一指纹库下,BPNN信道模型误差为3.81,迭代500次收敛;而CNN信道模型误差为0.79,迭代100次收敛。本文提出的GAN指纹库融合CNN的可见光信道模型具有精度高、误差小、速度快、泛化性强等优点,为室内可见光信道模型提供新的研究方案。     

基于CNN的机载综合射频系统健康状态评估方法

针对综合射频系统中的故障预测与健康管理技术模型泛化能力弱、数据成本高及均衡性差的问题,提出了一种空地协同的系统设计方法。为优化泛化能力,降低数据成本并增强数据均衡性,该方法对机载射频系统、数字孪生系统及人工智能（Artificial Intelligence,AI)控制中心进行整合,实现数据共享和模型同步。进一步,通过采集不同模块通用单元的多种传感器特征以扩充数据集,并集合K-means聚类算法与生成对抗网络生成极端数据,改善了数据平衡性。最终,基于卷积神经网络实现对机载射频系统可靠性的评估,预测值与实际值之间高度拟合,均方差为0.000 2,平均绝对误差为0.008 9,决定系数达到0.945 2。本研究为综合射频系统中的故障预测与健康管理技术的发展提供了新的思路和方法。     

基于自适应粒子群优化的RBF毫米波信道建模研究

基于毫米波室内无线信道测量数据,将机器学习(machine learning,ML)中的径向基函数(radial basis function,RBF)方法应用于毫米波信道建模中,建立了基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的RBF神经网络信道参数预测...     

基于PCA-LM-BP的短期电力负荷预测研究

考虑到现代社会中气象因素影响着电力负荷的使用情况,提出了考虑气象因素的基于PCA-LM-BP的短期电力负荷预测方法。由于气象因素数据量较大,采用PCA方法对天气因素进行主元分析,选取出对负荷值影响较大的因素引入到负荷预测模型当中。由于传统的BP算法具有收敛速度慢,易陷入局部最优的缺点,采用LM算法对其进行改进,提升其预测精度。将PCA提取的主要天气因素及历史负荷数据作为LM-BP算法的输入,预测的负荷值为输出。通过算例仿真分析,分别对比BP算法,GA-BP算法,LM-BP算法的负荷预测值及误差值,可以发现LMBP预测的负荷值与实际值更接近,通过误差分析验证了文中所提方法的有效性。     

基于机器学习的5G移动通信高铁道路场景无线信道建模

高铁沿线移动通信系统无线信道模型的准确性对于无线网络质量有着重要影响,将机器学习方法引入无线移动通信信道建模领域具有重要实践意义。文中论述了高铁沿线道路覆盖场景特点和机器学习方法特点,提出了基于人工神经网络的信道建模方案,并用实测数据分析了其特点。随着对6G移动通信系统的不断探索,未来将尝试采用机器学习方法对6G移动通信无线信道进行建模。