深度学习方法在智能无线传播模型中的应用

发布时间：2024-01-25 11:55

　　随着5G技术的出现和发展,人们对无线传播的信号接收率提出了更高的要求,越来越多的学者加入了无线传播模型的研究,以便更好的进行网络部署,选择合适的信号基站站址,划分信号小区。传统的无线传播模型按照研究方法主要可以分为经验模型、理论模型和改进型经验模型,在模型建立时,往往需要先对传播场景划分,按照场景进行建模,每个场景对应一个特定的模型,然而这些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地数据通过最小二乘法对模型进行修正。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。为了提高模型的适用性和准确度,同时降低模型的建立成本,本文利用采集的历史数据,建立了基于深度学习的智能无线传播模型,不仅节省了传统无线传播模型的修正成本,还能够在新环境中更加快速的预测特定地理位置的信号接收率。本文所用数据集为华为无线传播数据集,结合传统的无线传播模型,设计了14个特征,包括发射机的实际高度、发射机和信号接收处之间的水平距离、信号线的实际下倾角、信号接收处的高度等。在对数据进行预处理后,根据特征的发散性、与预测变量的相关性以及对预测变量的重要程度,计算了特征综合指数...

【文章页数】：50 页

【学位级别】：硕士

图4特征重要性排序图

图8神经网络模型

图9训练集和测试集的RMSE变化

本文编号：3884771