《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于深度殘差神經(jīng)網(wǎng)絡(luò)的5G信號(hào)室內(nèi)分布預(yù)測(cè)
基于深度殘差神經(jīng)網(wǎng)絡(luò)的5G信號(hào)室內(nèi)分布預(yù)測(cè)
電子技術(shù)應(yīng)用
胡榮青1，張成挺2，任國(guó)偉1，呂俊事1，許高明1，劉太君1
1.寧波大學(xué) 信息科學(xué)與工程學(xué)院；2.浙江中煙工業(yè)有限責(zé)任公司
摘要： 為解決5G信號(hào)室內(nèi)覆蓋的質(zhì)量與穩(wěn)定性問(wèn)題，提出了一種基于深度殘差神經(jīng)網(wǎng)絡(luò)的5G信號(hào)室內(nèi)分布預(yù)測(cè)方法。采用基于全連接的深度殘差神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，利用發(fā)射機(jī)與接收機(jī)的三維空間坐標(biāo)信息和接收機(jī)的參考信號(hào)接收功率（Reference Signal Receiving Power， RSRP）數(shù)據(jù)作為輸入特征，而無(wú)需收集復(fù)雜的環(huán)境特征信息。實(shí)驗(yàn)結(jié)果表明，該深度殘差神經(jīng)網(wǎng)絡(luò)模型在不依賴詳細(xì)環(huán)境參數(shù)的情況下，經(jīng)歸一化訓(xùn)練，預(yù)測(cè)出的RSRP與實(shí)際值相比，MAE為0.029 455，RMSE為0.041 495，能有效地預(yù)測(cè)室內(nèi)的5G信號(hào)分布，驗(yàn)證了基于深度殘差神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法在室內(nèi)5G信號(hào)覆蓋預(yù)測(cè)問(wèn)題上的有效性，為優(yōu)化室內(nèi)5G網(wǎng)絡(luò)部署和提升用戶體驗(yàn)提供了科學(xué)依據(jù)和技術(shù)手段，具有重要的實(shí)際應(yīng)用價(jià)值。
中圖分類號(hào)：TN929.5 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245465
中文引用格式： 胡榮青，張成挺，任國(guó)偉，等. 基于深度殘差神經(jīng)網(wǎng)絡(luò)的5G信號(hào)室內(nèi)分布預(yù)測(cè)[J]. 電子技術(shù)應(yīng)用，2024，50(12)：77-81.
英文引用格式： Hu Rongqing，Zhang Chengting，Ren Guowei，et al. Prediction of indoor 5G signal distribution based on deep residual neural network model[J]. Application of Electronic Technique，2024，50(12)：77-81.
Prediction of indoor 5G signal distribution based on deep residual neural network model
Hu Rongqing1，Zhang Chengting2，Ren Guowei1，Lv Junshi1，Xu Gaoming1，Liu Taijun1
1.Faculty of Electrical Engineering and Computer Science， Ningbo University； 2.China Tobacco Zhejiang Industrial Co.， Ltd.
Abstract： In order to solve the problem of the quality and stability of indoor signal coverage of the fifth generation mobile communication technology (5G), a new indoor 5G signal distribution prediction method is proposed in this paper. A depth residual neural network model based on the full connection layer is adopted. The three-dimensional spatial coordinate information of transmitter and receiver and Reference Signal Receiving Power (RSRP) data of receiver are used as input features, without the need to collect complex environmental features. The experimental results show that the depth residual neural network model can effectively predict the indoor 5G signal distribution with MAE of 0.029 455 and RMSE of 0.041 495 compared with the actual value after normalized training without relying on detailed environmental parameters. This study confirms the effectiveness of the prediction method based on deep residual neural network in indoor 5G signal coverage prediction, which provides scientific basis and technical means for optimizing indoor 5G network deployment and improving user experience, and has important practical application value.
Key words : deep residual neural network；signal distribution；signal strength；signal prediction；RSRP

引言

無(wú)線信號(hào)的傳播會(huì)受多種因素影響，包括但不限于地形地貌、建筑物密度與材質(zhì)、天氣條件、信號(hào)頻率和發(fā)射功率等。無(wú)線信號(hào)分布預(yù)測(cè)是無(wú)線通信領(lǐng)域的一項(xiàng)關(guān)鍵技術(shù)，主要用于估計(jì)特定區(qū)域內(nèi)無(wú)線信號(hào)（如無(wú)線電波、移動(dòng)通信信號(hào)等）的信號(hào)強(qiáng)度如何隨著空間位置變化。這一過(guò)程對(duì)于規(guī)劃無(wú)線網(wǎng)絡(luò)、優(yōu)化覆蓋范圍、減少干擾以及提升用戶體驗(yàn)至關(guān)重要。

在傳統(tǒng)的預(yù)測(cè)技術(shù)中，常見(jiàn)的包括確定性模型（如射線追蹤模型）和統(tǒng)計(jì)性模型（如Okumura-Hata模型、COST 231模型）。

確定性模型是基于電磁波傳播理論、考慮現(xiàn)實(shí)物理環(huán)境和分析實(shí)際傳播特性的一種方法。確定性模型的方法中，射線追蹤（Ray Tracing）是一種基于幾何光學(xué)(Geometrical Optics, GO)原理的技術(shù)，并引入了繞射射線的幾何繞射(Geometrical Theory of Diffraction, GTD)和一致繞射(Uniform Theory of Difraction, UTD)理論，它通過(guò)追蹤發(fā)射源發(fā)出的射線（即電磁波的傳播路徑），來(lái)計(jì)算射線在遇到不同介質(zhì)（如建筑物、地形等）時(shí)經(jīng)過(guò)反射、折射、衍射和散射后到達(dá)接收點(diǎn)的信號(hào)強(qiáng)度，從而預(yù)測(cè)出電磁波在實(shí)際環(huán)境中的傳播特性。文獻(xiàn)[1]~文獻(xiàn)[3]基于射線追蹤技術(shù)對(duì)信號(hào)覆蓋和無(wú)線信道進(jìn)行了相關(guān)研究。

統(tǒng)計(jì)性模型的原理是利用已知的環(huán)境參數(shù)（如頻率、距離、基站高度等）和根據(jù)3GPP協(xié)議對(duì)大量傳播環(huán)境下的實(shí)際測(cè)量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析得出的信道模型估算出信號(hào)分布。

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的重要組成部分，尤其在模式識(shí)別、數(shù)據(jù)分類、預(yù)測(cè)分析等領(lǐng)域展現(xiàn)出強(qiáng)大的能力。文獻(xiàn)[4]~文獻(xiàn)[9]利用神經(jīng)網(wǎng)絡(luò)對(duì)路徑損耗和場(chǎng)強(qiáng)預(yù)測(cè)進(jìn)行了相關(guān)研究。雷泰雅等[4]研究了基于反向傳播神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)路徑損耗預(yù)測(cè)；王安義等[5]改進(jìn)了卷積神經(jīng)網(wǎng)絡(luò)，對(duì)礦井巷道場(chǎng)強(qiáng)進(jìn)行了預(yù)測(cè)；吳麗娜等[7]基于多層感知機(jī)神經(jīng)網(wǎng)絡(luò)建立了路徑損耗模型。

本文提出了一種基于深度殘差神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。相比于文獻(xiàn)[4]~文獻(xiàn)[9]，本文的預(yù)測(cè)模型只需采集接收機(jī)和發(fā)射機(jī)的位置坐標(biāo)及相應(yīng)的信號(hào)強(qiáng)度，就能很好地預(yù)測(cè)出空間的信號(hào)分布情況。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://theprogrammingfactory.com/resource/share/2000006252


作者信息：

胡榮青1，張成挺2，任國(guó)偉1，呂俊事1，許高明1，劉太君1

（1.寧波大學(xué) 信息科學(xué)與工程學(xué)院，浙江 寧波 315211；

2.浙江中煙工業(yè)有限責(zé)任公司， 浙江 寧波 315504）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。