论文部分内容阅读
经济社会的快速发展推动了无线电业务需求的爆发式增长,但同时也带来一些问题。它即表现在无线电频谱资源的紧张,也表现在无线电传播环境的日趋复杂,这种环境的多样性给电波传播的预测与覆盖带来了新的挑战。大量的研究和实验表明,无线电传播路径过程中的环境变量对信号衰落和覆盖准确预测有着重要影响。特别是5G时代的到来,随着频率的提高,波长将进一步减小,其受环境变量的影响将进一步加深。因此,一种可以快速、准确识别无线电传播环境的方法将对判别某一地区使用何种无线电传播模型进行预测提供有效参考和关键支撑。本文首先介绍了典型的无线电传播模型种类,包括基于实际测试拟合出的经验模型:自由空间损耗模型,奥村-哈塔模型、COST-231哈塔模型、Lee模型,以上模型都是通过的大量的数据拟合和测试,在无线电传播预测和网络优化领域内有着广泛的应用,并得到了大量的验证;以及通过数学推导得出的理论模型:射线追踪、FDTD(时域有限差分)。通过概述以上模型的拟合计算方法和适用范围,包括适用频段等参数信息,分析了造成信号衰减的主要原因和衰减类型,并得到了环境变量是影响其信号衰减的主要因素这一判断,为接下来的研究提供基础。其次,针对传统无线电传播过程中,依靠人工识别传播环境方法存在效率低、准确率依靠判别人员经验的问题,提出基于深度学习对其进行智能识别的方法。首先介绍了深度学习和卷积神经网络,描述了其发展历程和基本原理。之后针对无线电传播模型目标识别过程中会遇到的问题,引入2个基本操作(下采样和池化)与3个基本方法(基于区域建议的方法、基于回归的方法、多任务模型方法)。为识别无线电传播环境变量提供了模型和方向。然后,通过选取8种卷积神经网络作为基础网络训练,选取识别效率和准确率最高的ResNet50作为基础网络,融合高低层特征及增强形变模型的识别能力,同时经过改进的非极大线性抑制方法处理特征边框重叠的问题,结合无线电传播模型提出改进算法,对无线电传播环境变量的识别率达到了95.8%,单张识别效率达到0.43s。之后选取适用于本地区的无线电传播模型的理论计算和实测结果进行对比分析,总体结果与预期保持一致。验证了本方法在无线电传播模型环境识别时,针对所测试场景的有效性。最后,总结实验过程中无线电传播模型的选取和网络训练过程中的问题,分析了实验和数据处理中得失,归纳了实验得到结果,并提出了下一步工作计划和前景展望。