新文推送——基于CNN及卫星图像增强的信道路径损耗预测

文章概况

以团队成员邱志成（Zhicheng Qiu），何睿斯（Ruisi He）和杨汨（Mi Yang）为主要作者的成果近日于IEEE Antennas and Wireless Propagation Letters （Early Access）上发表。        

文章题目为：“CNN-Based Path Loss Prediction with Enhanced Satellite Images （基于CNN及卫星图像增强的信道路径损耗预测）”          

DOI: 10.1109/LAWP.2023.3321037          

（图1 测量场景、发射机位置和接收机轨迹。）

环境信息对于无线电波传播特性至关重要。因此，在预测路径损耗时，必须应对卫星图像中缺乏环境特征的问题。为此我们选择了一个具有典型环境特征的大规模复杂场景，以构建用于路径损耗预测的数据集。测量场景、收发机位置如图1所示。

经过筛选的测量数据，包括收发机坐标、接收信号强度（RSSI）等信息，被储存下来。然后，从OpenStreetMap数据库中提取了建筑、道路等地理特征。图2(a)展示了从图1中红色虚线框内获取的卫星图，图2(b)为对应环境特征提取结果。橙色 区域表示建筑，蓝色 区域表示道路，不同深浅的绿色表示不同类型的植被。最后，把环境特征的不同组合作为掩膜叠加在卫星图上，构建了增强卫星图数据集（D1-D5）。        

     

     

     

所提出的神经网络架构如图4所示，由图像处理部分和特征处理两部分组成。        

     

     

结果显示，在所提出的模型上，基准测试（D1）实现了7.074 dB的RMSE。当加入建筑特征时，预测误差降低到了6.750 dB。此外，使用道路特征作为辅助输入，模型学习了影响无线电波传播的附加特性，从而进一步减小预测误差至6.645 dB（D3）。有趣的是，当将建筑、道路和植被特征一起加入到卫星图像中时，预测精度略微下降（但仍然低于基准测试），这是因为冗余数据组合可能引起干扰。为了进一步直观地评估所提出模型的有效性，选择了基于D3测试集的结果进行比较。图5展示了测量和模型预测结果对比热图，图5(a)-(c)分别展示了城市、桥梁和地形起伏以及公路交通场景下的测量结果，图5(d)-(f)为对应的预测结果。测量和模型预测热图结果表现出高度一致性。图6(a)展示了在D3上路径损耗的实测、模型预测、RF和ITU-R UMa结果对比。        

为了进一步验证所提出模型的泛化能力，我们在北京开展了新的测量活动，并将其用于验证。测量场景、收发机位置如图7所示，测试在校园中进行，发射机位于2.2米高处。接收机安装在车辆的车顶上，以不超过20 km/h的速度从发射机移动，最终达到200米的距离。从图6(b)展示的泛化能力验证的结果中，我们发现预测的路径损耗与新测量的路径损耗趋势一致，预测的路径损耗的RMSE为9.299 dB。值得注意的是，该数据集在模型训练阶段是从未出现过的。模型在此数据集上的预测RMSE低于ITU-R UMa的10.757 dB。我们还发现图6(b)中RF的RMSE为6.447 dB；尽管低于9.299 dB，但所提出模型的预测结果呈现出与测量结果一致的变化趋势，且不需要针对不同数据集进行额外的拟合。上述结果进一步验证了所提出模型具有较好的泛化能力。

总的来说，所提出模型实现了令人满意的预测结果。在5个数据集上的比较结果表明，考虑环境特征，尤其是道路信息，可以很好地降低预测误差。        

     

     

     

     

   （图6 路径损耗的测量，模型预测和经验模型结果对比。(a)测试集上的模型性能；(b)基于北京测量的泛化性能验证结果。）

       

 

         

 （图7 北京城区环境测量场景示意图）

@article{qiu2023cnn,  title={CNN-Based Path Loss Prediction with Enhanced Satellite Images},  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 Antennas and Wireless Propagation Letters},  year={2023},  publisher={IEEE}}

或

Z. Qiu et al., "CNN-Based Path Loss Prediction with Enhanced Satellite Images," in IEEE Antennas and Wireless Propagation Letters, doi: 10.1109/LAWP.2023.3321037.