一种基于计算机视觉的无线信道路径损耗模型预测方法技术

本发明专利技术公开一种基于计算机视觉的无线信道路径损耗模型预测方法，通过CV中的卷积神经网络方式，对地图进行处理预测收发信机之间位置距离不同引起的路径损耗变化，弹并不将衰落信道的时频特性构建为图像进行处理。本发明专利技术也与即时定位与建图技术不同，不是去识别三维空间的结构再去基于射线跟踪等方法生成快衰信道模型，而是基于CV中的卷积神经网络，选用计算机视觉组网络，处理含有地形信息或地物信息的图像，以ITU

【技术实现步骤摘要】
一种基于计算机视觉的无线信道路径损耗模型预测方法


[0001]本专利技术涉及一种无线信道路径损耗模型预测方法，特别是一种基于计算机视觉的无线信道路径损耗模型预测方法。

技术介绍

[0002]传统的方法是基于地形简单分类进行预测，得到的模型比较简化，精度有限。而更精细的电磁场建模，例如基于射线跟踪或射线发射的方法，在射线数量非常庞大的情况下，复杂度较高。相关研究有：M.M.Taygur,et al,"A Ray
‑
Tracing Algorithm Based on the Computation of(Exact)Ray Paths With Bidirectional Ray
‑
Tracing,"in IEEETransactions on Antennas and Propagation,vol.68,no.8,pp.6277
‑
6286,Aug.2020；K.H.Ng,et al,"A New Heuristic Geometrical Approach for Finding Non本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于计算机视觉的无线信道路径损耗模型预测方法，其特征在于具体步骤为：第一步 将带有地形信息或地物信息的图像转化为供CV处理的矩阵将地图转化为可以供CV处理的矩阵H矩阵中的一个元素h
ij
代表地图中的一个小的面积元，一个面积元相当于一个网格，取中心点的地形高度，这个面积元所取的大小与待研究的传播模型对应的电磁波波长相关，波长越大，面积元越大；这个矩阵包含对应收发信机位置的两个点，这两个点的元素取值体现其高度，矩阵对应的面积范围至少包含收发信机两点确定的全部第一菲涅尔区，这两个点为所对应菲涅尔区椭球的焦点；矩阵中元素的取值当代表高度时，则其精度也与待研究传播模型的波长相关，波长越大，精度越粗；地图一个像素最小代表半个波长*半个波长，最多代表10个波长*10个波长，在这个范围内精度不够时内插像素；第二步 根据地图矩阵的大小和要预测的无线信号传播耗损的精度要求，对CNN的网络结构及参数(X、Y、Z)进行初始化并进行优化确定CNN网络结构及超参数；使用VGG网络基础结构，网络包含若干卷积池化层，紧随若干全连接层，每个卷积池化层包括两层卷积和一层最大池化；依据地图大小设定卷积核大小以保证足够的感知野，VGG网络默认输入224x224大小图片时卷积核设定为3x3大小，对于512x512地图卷积核设定为5x5；设定卷积通道数规则，初始卷积通道为8，每经过一个卷积池化层通道数翻倍；使用基于python的tensorflow架构工具包构建网络结构，配置网络参数以及训练；网络训练时将数据集中的样本作为网络输入，得到预测值，并根据预测值和标签真实值得到损失函数值，采用反向传播法更新网络各节点权值，实现一次训练，该过程迭代多次达到收敛；设数据集高度地形图矩阵为H
k
，k为数据集序号，w为所有网络权值，F
w
(H)为神经网络的损耗均值输出，K为数据集总样本数，L
k
为第k个样本的点对点损耗值，训练目标用公式(4)表示为：优化部分CNN网络参数，即：X、Y、Z和X对应卷积池化层深度，Y对应全连接层深度，Z对应神经元节点数相对于初始节点数的倍增量；基本原则，先设置较小的X、Y和Z值，进而按顺序依次增加X、Y和Z值直至误差性能改善不明显；具体的，根据收发信机连线间地形起伏特征的复杂程度确定卷积池化层深度X，越复杂的地形需要的深度越大，根据需学习的信道模型或实际环境绕射的复杂程度确定全连接层的深度Y和神经元数量，越复杂的模型或环境需要越...

【专利技术属性】
技术研发人员：赫佳峦，邢子瑞，相天麒，张欣，
申请(专利权)人：北京航天晨信科技有限责任公司，
类型：发明
国别省市：