隨著5G技術的出現(xiàn)和發(fā)展,人們對無線傳播的信號接收率提出了更高的要求,越來越多的學者加入了無線傳播模型的研究,以便更好的進行網(wǎng)絡部署,選擇合適的信號基站站址,劃分信號小區(qū)。傳統(tǒng)的無線傳播模型按照研究方法主要可以分為經(jīng)驗模型、理論模型和改進型經(jīng)驗模型,在模型建立時,往往需要先對傳播場景劃分,按照場景進行建模,每個場景對應一個特定的模型,然而這些模型在實際應用中經(jīng)常出現(xiàn)精度較低的情況,還需要采集大量的實地數(shù)據(jù)通過最小二乘法對模型進行修正。因此建立一個合適的傳統(tǒng)無線傳播模型通常是耗時耗力的,而且模型精度也無法保證。為了提高模型的適用性和準確度,同時降低模型的建立成本,本文利用采集的歷史數(shù)據(jù),建立了基于深度學習的智能無線傳播模型,不僅節(jié)省了傳統(tǒng)無線傳播模型的修正成本,還能夠在新環(huán)境中更加快速的預測特定地理位置的信號接收率。本文所用數(shù)據(jù)集為華為無線傳播數(shù)據(jù)集,結合傳統(tǒng)的無線傳播模型,設計了14個特征,包括發(fā)射機的實際高度、發(fā)射機和信號接收處之間的水平距離、信號線的實際下傾角、信號接收處的高度等。在對數(shù)據(jù)進行預處理后,根據(jù)特征的發(fā)散性、與預測變量的相關性以及對預測變量的重要程度,計算了特征綜合指數(shù)...

【文章頁數(shù)】：50 頁

【學位級別】：碩士

圖4特征重要性排序圖

圖8神經(jīng)網(wǎng)絡模型

圖9訓練集和測試集的RMSE變化

本文編號：3884771