互易性感知卷积神经网络在基于地图的路径损耗预测中的应用-计算机科学-路径损耗建模-数据增强-机器学习.pdf

互易性感知卷积神经网络在基于地图的路径损耗

预测中的应用

RyanG.Dempsey,JonathanEthier,HalimYanikomeroglu

CommunicationsResearchCentre(CRC),Ottawa,ON,Canada:

{ryan.dempsey,jonathan.ethier}@ised-isde.gc.ca

CarletonUniversity,Ottawa,ON,Canada:

ryandempsey@cmail.carleton.ca,ethierjonathan@cunet.carleton.ca,halim@sce.carleton.ca

本摘要—路径损耗建模是一种广泛用于从发射机（Tx）到接收但由此产生的模型只能与其训练数据一样强大。更多样化

译机（Rx）的通信链路上估计点对点损耗的技术。准确的路径损耗的训练数据通常可以帮助神经网络在训练和推理中减少

预测可以优化无线电频谱的使用，并尽量减少不必要的干扰。现

RMSE[3]。

中代路径损耗建模常常利用数据驱动的方法，通过机器学习在驾驶

2测试测量数据集上训练模型。驾驶测试主要代表下行场景，其中我们之前的工作[4]引入了一种基于卷积神经网络

v发射机位于建筑物上，而接收机位于移动车辆上。因此，训练出（CNN）的方法，用于从二维障碍物高度图中自动提取高

5的模型通常仅用于下行覆盖估计，缺乏对上行场景的表示。本文维空间特征。这些障碍物高度图是从开源数字表面模型

2展示了可以使用数据增强来训练一个泛化到上行、下行和回传场

6（DSM）数据[5]中提取的，并构成了输入到CNN的四

3景的路径损耗模型，仅使用下行驾驶测试测量进行训练。通过向

0训练集添加少量代表上行场景的人工样本，测试集中上行示例的个特征通道之一[3]。其他三个通道是：从Tx到Rx的三

4.均方根误差减少了约8dB。维直达路径的高度，Tx到所有点的二维距离图，以及频

0IndexTerms—数据增强，路测测量，路径损耗建模，互率。CNN完全依赖于基于通道的输入，因为将频率和距离

5

2易性。表示为标量输入会导致测试RMSE不一致[6]。二维距离

:

v通道用于为CNN编码局部性，类似于[7]。一个归一化的

iI.介绍CNN输入示例可以在图1中看到。正如在[4]中讨论的那

x

r现代通信网络依赖路径损耗预测来促进无线电频率频样，直达路径通道是通过将地形高度与两个天线的高度相

a

谱的高效使用，同时避免有害干扰。通过提供从发射机（Tx）加，并插值之间的线来计算的。每个通道的归一化详情可

到接收机（Rx）之间点对点（P2P）通信链路的损耗通用以在[4]中找到。通过严格的六城市交叉验证，我们发现

指标，路径损耗为许多服务质量指标提供了灵活的数量级使用CNN进行自动特征提取是有效的，所有折叠的平均

作为基础。路径损耗估计对于上行和下行场景都至关重要，RMSE为7.35dB。

特别是在干扰分析的背景下。给定通信链路上的路径损耗广泛的交叉验证在[4]和[6]中显示，2-DCNN为覆盖

主要取决于距离、频率以及路径周围的障碍物。这可能包估计提供了一个高度准确的模型。当Tx和Rx的位置已知

括视线（LOS）的阻挡，以及第一菲涅尔区内的障碍物[1]。时，它可以在地理独立的数据集中提供