首页/文章/ 详情

新文推送——利用卫星图像预测信道路径损耗:一种深度学习方法

北交大智能交通电波传播研究团队

1小时前浏览5

北京交通大学

高移动性通信/智能交通电波传播研究组

文章概况

以汪琛龙（Chenlong Wang）为第一作者，艾渤（Bo Ai）和何睿斯（Ruisi He）为通讯作者的文章近日于IEEE Transactions on Machine Learning in Communications and Networking上发表。

文章题目为：“Channel Path Loss Prediction Using Satellite Images: A Deep Learning Approach（利用卫星图像预测信道路径损耗：一种深度学习方法）”。

所有作者为：汪琛龙（Chenlong Wang）、艾渤（Bo Ai）、何睿斯（Ruisi He）、杨汨（Mi Yang）、周顺（Shun Zhou）、于龙（Long Yu）、张语昕（Yuxin Zhang）、邱志成（Zhicheng Qiu）、钟章队（Zhangdui Zhong）、范建华（Jianhua Fan）。

DOI: 10.1109/TWLCN.2024.3454019

内容介绍

（图1 提出的基于深度学习的信道建模总体框架。）

信道建模是无线通信领域最具活力的基础性研究。无线信道作为系统设计、网络优化、性能评估的基础，其特性决定了移动通信系统的性能上限。随着通信技术的发展，移动通信系统在空时频维度呈现快速持续扩张的态势，导致无线电波传播的过程更加复杂，对信道模型的预测精度和泛化能力有更高的需求。然而，目前的信道模型仍存在一定的缺陷：如统计性模型对环境信息过度简化导致的精度降低；确定性模型对所有散射体建模导致大量的计算开销和弱泛化性。因此，需要寻求新的建模方法与技术，以更好地应对无线信道的复杂性和不确定性。

为了解决这些问题，本文提出了一种基于深度学习的路径损耗预测模型。此模型利用卫星图像作为输入，通过设计残差结构、注意力机制以高效提取卫星图像中的环境特征。随着发射机与接收机的位置改变，影响传播的有效环境区域也会随之改变。如何有效量化收发机之间的环境特征是提升信道模型泛化性的关键问题。本文基于城市场景标准时延扩展值定义了一种可变尺寸的卫星图像格式，使其始终包含影响传播的关键环境信息。通过基于LOS特征的空间金字塔池化层设计，模型能够高效提取收发机之间的关键环境特征，从而增强其在新环境中的泛化性。此外，本文还提出了一种卷积网络激活可视化方法，能够生成影响预测的关键区域重要性图。此方法提升了AI模型的可解释性，确保了模型的有效性。通过与现有的参考经验传播模型进行比较，所提出的模型在预测精度上表现优异，均方根误差（RMSE）达到了5.05 dB，相较于参考模型提高了3.07 dB。

（图2 输入卫星图像与对应的环境重要性图可视化效果。）

文章链接

（文章引用）

@ARTICLE{10663692,  author={Wang, Chenlong and Ai, Bo and He, Ruisi and Yang, Mi and Zhou, Shun and Yu, Long and Zhang, Yuxin and Qiu, Zhicheng and Zhong, Zhangdui and Fan, Jianhua},  journal={IEEE Transactions on Machine Learning in Communications and Networking},   title={Channel Path Loss Prediction Using Satellite Images: A Deep Learning Approach},   year={2024},  volume={2},  number={},  pages={1357-1368},  keywords={Accuracy;Satellite images;Predictive models;Data models;Feature extraction;Mathematical models;Computational modeling;Deep learning;satellite images;channel prediction;path loss},  doi={10.1109/TMLCN.2024.3454019}}

或

C. Wang et al., "Channel Path Loss Prediction Using Satellite Images: A Deep Learning Approach," in IEEE Transactions on Machine Learning in Communications and Networking, vol. 2, pp. 1357-1368, 2024, doi: 10.1109/TMLCN.2024.3454019.

立足学术，艰苦奋斗

谱写交通强国建设新篇章