«`html
Революция в моделировании потерь сигнала с помощью машинного обучения и упрощенных характеристик
Точное моделирование распространения сигнала является ключевым для эффективного развертывания радиосвязи, анализа зоны покрытия и устранения помех в беспроводных коммуникациях.
Традиционные модели, такие как Longley-Rice и Free Space Path Loss (FSPL), не обеспечивают достаточной точности в условиях отсутствия прямой видимости (NLOS) из-за их неспособности учитывать ослабление сигнала и помехи, вызванные электромагнитными взаимодействиями с местностью и препятствиями.
Практические решения:
Использование машинного обучения для моделирования и акцент на использовании измерительных данных для обучения, обеспечивая надежные исходные данные.
Исследователи использовали доступный набор данных ITU-R UK Ofcom для обучения и тестирования, состоящий из более чем 8,2 миллионов измерений по различным частотам и географически различным местам.
Они исследовали три конфигурации характеристик и использовали их в качестве входных данных для трех различных техник моделирования.
Результаты показали, что модель полностью связанных нейронных сетей (FCN) превзошла другие модели, приводя к снижению среднеквадратической ошибки (RMSE).
Исследователи продемонстрировали, что простые характеристики местности и препятствий могут быть использованы для обучения точных моделей распространения сигнала на основе машинного обучения, превосходя традиционные модели.
Это открывает новые возможности для более эффективного и точного моделирования распространения сигнала, улучшая планирование, развертывание и оптимизацию беспроводных сетей.
Подробнее ознакомьтесь с исследованием.
Все заслуги за это исследование принадлежат его авторам.
Также не забудьте подписаться на наш Twitter.
Присоединяйтесь к нашему каналу в Telegram, Discord и группе в LinkedIn.
Если вам понравилась наша работа, вам понравится наша рассылка.
Не забудьте присоединиться к нашему сообществу в Reddit.