基于深度学习的场景化5G传播模型研究_李军.pdf
《基于深度学习的场景化5G传播模型研究_李军.pdf》由会员分享,可在线阅读,更多相关《基于深度学习的场景化5G传播模型研究_李军.pdf(3页珍藏版)》请在咨信网上搜索。
1、2023年第6期技 术 交 流基于深度学习的场景化 5G 传播模型研究李军(中国移动通信集团河南有限公司,河南省郑州市 450000)摘要准确的传播模型是 5G 移动通信网小区合理规划的基础。文章将深度学习方法与无线传播模型相结合,利用深度学习算法获取影响路径损耗的场景化因素特征,建立基于深度学习的无线传播模型。外场实际道路测试和用户测量报告评估验证表明,基于深度学习的场景化 5G 传播模型的覆盖预测准确,更加匹配真实的网络场景,保证 5G 无线网络规划建设的质量。关键词5G;传播模型;深度学习;校正0引言传播模型是利用移动通信无线电波传播特性来预测路径损耗的模型,用来定量描述发射天线和接收天
2、线之间传播路径上的环境因素导致的接收信号强度变化情况。电波传播中影响功率损耗的场景因素包括传播路径距离、地形地貌、建筑物、树木、天气状况等场景因素。在给定频率、距离、收发信机天线高度和环境特性等参数时,传播模型可以预测电波传播路径损耗,模型校准结果的准确性直接影响移动通信中蜂窝小区的规划设计。不同地区的地形地貌千差万别,传播环境多种多样,相应区域的传播模型也存在较大的差异性。如果仅根据经验而无视不同地形、地貌、建筑物、植被等传播模型关联参数的影响,必然会导致建成的网络存在覆盖、质量、结构等问题。随着 5G 网络的飞速发展,运营商越来越重视传播模型的准确性,它直接影响到网络规划的准确性、网络质量
3、和建网成本,关乎到运营商是否以经济合理的网络投资满足了用户真实业务需求。在 5G网络规划建设初期,传播模型校准对于网络覆盖规划准确性和资源精准投入至关重要。1传统的传播模型传统的传播模型根据理论分析、测量数据统计分析,建立各种类型的传播预测模型。传统传播模型的误差来源主要包括电子地图与实际传播环境存在的误差,建筑地物损耗参数与实际存在的误差,针对散射、反射、绕射等物理规则的拟合误差。模型在实际应用中经常出现精度较低的情况,还需要采集大量的实测数据通过最小二乘法针对模型进行拟合修正。网络规划通常采用 Okumura-Hata 传统经验模型,主要通过人工设置频率、距离、地形地貌等因子,基于大量实测
4、数据拟合各因子的权重系数,最后得出一组计算路径损耗的数学公式。另外,针对当地的实际无线场景,需要进行 CW(连续波)测试,修正上述计算无线信号传播路径损耗的数学公式。Okumura-Hata 是建立在大量测试数据和经验公式基础上的实测统计方法,并利用计算机进行辅助预测。其优点在于公式简单易懂、运算速度快、推广应用范围广。其缺点在于公式依赖测量数据、未校正前精度不高、校正容易过拟合、泛化能力差等方面。另外,人工设置因子受限于人的经验判断,只能选取显著影响的因子,不能将所有影响因子考虑齐全。因此,建立一个合适的传统无线传播模型通常是耗时耗力的,而且模型精度也无法保证,无法正确指导移动网络的精准规划
5、。在 5G 站点规划过程中,针对覆盖仿真的传播模型精度提出了更高的要求。传统传播模型是使用62023年第6期技 术 交 流一系列经典的经验解析公式模拟无线信号在自然空间的传播。但无线信号的传播极为复杂,传统传播模型精度难以提高。以簇级来划分场景的区分粒度粗,模型中的变量有限,无法对复杂的无线传播环境良好拟合。2基于深度学习的传播模型深度学习是目前业界前沿的基于神经网络的机器学习技术,适用于与图像相关特征信息的抽取,核心算法是 CNN(卷积神经网络)。作为一种深度前馈人工神经网络,CNN 专门设计用来处理时间序列数据或是图像等网格数据特征。本文拟使用 CNN 算法获取影响场景化传播模型特征的能力
6、,将深度学习方法与无线传播模型校正相结合,建立了基于深度学习的场景化 5G 无线传播模型。2.1CNN 技术原理卷积神经网络的工作原理通过处理标记图像的训练集,机器能够学习识别元素,即图像中对象的特征。CNN 是颇受欢迎的深度学习算法类型之一。卷积是一种线性运算,需要将一组权重与输入相乘,以生成称为滤波器的二维权重数组。如果调整滤波器以检测输入中的特定特征类型,则在整个输入图像中重复使用该滤波器可以发现图像中任意位置的特征。卷积将滤波器应用于输入内容的简单过程,带来以数值形式表示的激活。通过对图像反复应用同一滤波器,生成特征图的激活图,表示检测到特征的位置和强度。CNN 基本原理如图 1 所示
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 场景 传播 模型 研究 李军
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。