首页/文章/ 详情

新文推送——环境粒度对基于CNN的无线信道预测的影响

北交大智能交通电波传播研究团队

2月前浏览1329

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

以邱志成（Zhicheng Qiu）为第一作者的文章近日于IEEE Transactions on Vehicular Technology（Early Access）上发表。

文章题目为：“Impact of Environmental Granularity on CNN-Based Wireless Channel Prediction（环境粒度对基于 CNN 的无线信道预测的影响）”。

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

DOI：10.1109/TVT.2024.3457032

内容介绍

（图1 测量场景、路线、收发机位置及示例数据区域。）

借助环境信息，深度学习为无线信道建模提供了有效的解决方案，其一个重要应用是基于卫星影像的路径损耗（path loss，PL）预测。在 PL 预测中，环境特征在图像中的最直观表现是覆盖范围和分辨率，这被称为环境粒度。本文采用绝对度量指标（米/像素），通过大量实验研究了环境粒度对基于深度学习的 PL 预测的影响。结果表明，随着环境粒度的增加，网络的预测误差呈现出非单调变化。当环境粒度较低时，提高图像分辨率有助于减少误差；然而，当环境粒度较高时，进一步提高分辨率反而会降低预测精度。

实验通过构建不同环境粒度的卫星图像数据集，系统分析了环境粒度对 PL 预测的影响。实验场景选择了北京交通大学校园场景，结合实地测量数据和卫星图像，制作了包含多种分辨率的图像数据集，分辨率范围从16像素到512像素不等。每张卫星图像中心对准接收机位置，并覆盖足够的地理区域，确保图像中包含影响信号传播的关键环境特征。数据集包括了12952组测量数据，其中包含 PL 、接收机坐标、高度等信息。

（图2 数据集数据示例。)

（图3 实验流程及网络架构。)

基于所构建数据集，采用卷积神经网络（convolutional neural network, CNN）进行PL的预测。所设计的CNN网络结构分为特征处理和图像处理模块，特征处理模块结合了测量中的关键信息（如发射机坐标、发射功率等），帮助模型更精准地处理接收机周围的环境信息。图像处理模块则由卷积块和残差块构成，以应对深层神经网络中常见的梯度消失或爆炸问题，从而更好地捕捉信号传播中的复杂模式。

（图4 模型预测性能随分辨率变化关系。)

实验结果显示，随着图像分辨率的增加，模型预测误差呈现出U形变化趋势。初期提高分辨率能够有效降低预测误差，但当图像分辨率超过256像素时，模型的误差反而增加，这表明过高的环境粒度会导致模型处理过多无关细节，无法有效捕捉关键环境特征，进而影响预测精度。这些发现为设计基于深度学习的无线信道预测网络提供了重要指导。

文章链接

@ARTICLE{10679911,  author={Qiu, Zhicheng and He, Ruisi and Yang, Mi and Zhou, Shun and Yu, Long and Wang, Chenlong and Zhang, Yuxin and Fan, Jianhua and Ai, Bo},  journal={IEEE Transactions on Vehicular Technology},   title={Impact of Environmental Granularity on CNN-Based Wireless Channel Prediction},   year={2024},  volume={},  number={},  pages={1-5},  keywords={Satellite images;Image resolution;Predictive models;Accuracy;Wireless communication;Training;Signal resolution;Deep learning (DL);environmental granularity;satellite images;path loss (PL);radio propagation},  doi={10.1109/TVT.2024.3460397}}

或

Z. Qiu et al., "Impact of Environmental Granularity on CNN-Based Wireless Channel Prediction," in IEEE Transactions on Vehicular Technology, doi: 10.1109/TVT.2024.3460397.

立足学术，艰苦奋斗

谱写交通强国建设新篇章