DRaGon：利用深度学习从地理数据中挖掘潜在无线信道信息
网络与互联网体系结构
2021-12-16 v1 信号处理
摘要
无线信道建模是设计、优化与仿真无线通信网络过程中最基础的方面之一。在该领域，解析信道模型与射线追踪技术等 longstanding 方法代表着事实上的标准方法。然而，如近期结果所示，通过以机器学习技术丰富基于模型的方法，这一研究领域仍存在未开发的创新潜力。在本文中，我们提出 Deep RAdio channel modeling from GeOinformatioN (DRaGon) 作为一种新颖的机器学习赋能方法，用于从地理数据自动生成无线电环境地图（REMs）。为获得准确的路径损耗预测结果，DRaGon 将来自无线电传播环境三维模型的决定性特征与接收区域原始图像在深度学习模型中结合。在全面的性能评估与验证活动中，我们将所提方法的精度与真实世界测量、射线追踪分析以及知名信道模型进行比较。研究发现，通信领域的专家知识与深度学习的数据分析能力相结合，可实现比参考方法显著更高的预测精度。
引用
@article{arxiv.2112.07941,
title = {DRaGon: Mining Latent Radio Channel Information from Geographical Data Leveraging Deep Learning},
author = {Benjamin Sliwa and Melina Geis and Caner Bektas and Melisa Lopéz and Preben Mogensen and Christian Wietfeld},
journal= {arXiv preprint arXiv:2112.07941},
year = {2021}
}