用于基于地图的路径损耗预测的互易性感知卷积神经网络

路径损耗建模是一种广泛使用的技术，用于估计从发射机到接收机沿通信链路的点对点损耗。准确的路径损耗预测可以优化射频频谱的使用并最小化不必要的干扰。现代路径损耗建模通常利用数据驱动方法，使用机器学习在路测测量数据集上训练模型。路测主要代表下行链路场景，其中 Tx 位于建筑物上，而 Rx 位于移动车辆上。因此，训练好的模型通常仅保留用于下行链路覆盖估计，缺乏对上行链路场景的表示。在本文中，我们证明了数据增强可用于训练一个泛化到上行链路、下行链路和回传链路场景的路径损耗模型，且仅使用下行链路路测测量进行训练。通过向训练集添加少量代表上行链路场景的合成样本，测试集中上行链路样本的均方根误差降低了 > 8 dB。