RADIANCE：用于自动化网络覆盖估计的射频对抗式深度学习推断
机器学习
2023-08-22 v1 网络与互联网体系结构
信号处理
摘要
射频覆盖图 (RF maps) 在无线网络中被广泛用于容量规划、接入点与基站的布设、定位以及覆盖估计。开展现场勘测以获取 RF 图费力且有时不可行。在本文中，我们提出用于自动化网络覆盖估计的射频对抗式深度学习推断 (RADIANCE)，一种基于生成对抗网络 (GAN) 的室内场景 RF 图合成方法。RADIANCE 利用语义图——室内环境的高层表示，以编码环境中物体的空间关系与属性，并引导 RF 图生成过程。我们引入一种新的基于梯度的损失函数，用于计算环境中某点处接收信号强度 (RSS) 值变化的大小与方向。RADIANCE 将该损失函数与天线方向图结合，以捕捉给定室内配置下的信号传播，并在新配置、天线（波束）方向图和中心频率下生成新模式。我们进行了大量仿真，将 RADIANCE 与 RF 图的射线追踪仿真进行比较。我们的结果表明，RADIANCE 取得了平均绝对误差 (MAE) 0.09、均方根误差 (RMSE) 0.29、峰值信噪比 (PSNR) 10.78 以及多尺度结构相似性指数 (MS-SSIM) 0.80。
引用
@article{arxiv.2308.10584,
title = {RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation},
author = {Sopan Sarkar and Mohammad Hossein Manshaei and Marwan Krunz},
journal= {arXiv preprint arXiv:2308.10584},
year = {2023}
}
备注
6 pages, 6 figures