基于深度学习的无线电传播环境识别研究
发布时间：2021-10-16 22:02
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,...
【文章来源】：兰州交通大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
自由空间传播示意图
兰州交通大学工程硕士学位论文-7-楼宇。同时，奥村模型以900MHz为基本中场强度曲线，选择200m和30m为发射与接收天线高度，拟合出的衰减损耗曲线如图2.2所示：图2.2奥村拟合衰减曲线上图频率依次为200MHz、453MHz、922MHz、1310MHz、1430MHz、和1920MHz，测试距离在1km至20km的范围内。信号的衰减随频率距离的延伸而增加。奥村在此基础上，改变相关参数设置，在其他参数不便的情况下，重新设置基站高度后的修正因子如图2.3所示。重新设置基站高度后的修正因子，基站天线高度变化从30m到150m的衰减曲线变化。除了对于天线高度、地形等情况进行统计修正以外，奥村模型在哈塔的改进之中，除了以拟合曲线的形式表示衰减情况，还引入了拟合公式进行计算，如式（2.5）所示：12169.55+26.16lg13.82()(44.96.55lg)lgLfhhhdK（2.5）式（2.5）中f表示信号频率，单位MHz，使用范围从150MHz到1500MHz；d为信号的传播距离，单位是km，使用范围为1km至20km；1h为基站天线高度，单位是m，适用范围为30m至200m；2h为移动端天线高度，单位是m，适用范围为1m至10m；
基于深度学习的无线电传播模型环境识别研究-8-2(h)为移动天线高度增益修正因子，和信号的传播环境有关，K为郊区和开放地区的小城镇修正因子。经上式分析可以得出，当一基站位置等参数信息确定的情况下，其衰减仅与所处的环境变量有关。图2.3奥村发射天线高度修正曲线在市区情况下，其修正K=0，式（2.5）可以写为：12169.55+26.16lg13.82()(44.96.55lg)lgLfhhhd（2.6）式（2.6）中信号频率f，单位MHz、传播距离d，单位km、发射天线高度1h、接收天线高度2h的单位m，适用范围与原式保持一致。对于中小城市，2(h)为：22(h)(1.11lgf-0.7)h(1.56lgf0.8)（2.7）对于大型城市，当频率小于300MHz时，2(h)为：222(h)8.29(lg(1.54h))1.1（2.8）当频率大于300MHz时，2(h)为：222(h)3.2(lg(11.75h))4.97（2.9）
【参考文献】：
期刊论文
[1]双层可变形卷积网络的超分辨率图像重建[J]. 黄陶冶,赵建伟,周正华. 计算机应用. 2019(S2)
[2]基于深度体素卷积神经网络的三维模型识别分类[J]. 杨军,王顺,周鹏. 光学学报. 2019(04)
[3]基于改进的全卷积神经网络的资源三号遥感影像云检测[J]. 裴亮,刘阳,谭海,高琳. 激光与光电子学进展. 2019(05)
[4]基于集成卷积神经网络的遥感影像场景分类[J]. 张晓男,钟兴,朱瑞飞,高放,张作省,鲍松泽,李竺强. 光学学报. 2018(11)
[5]26GHz室外微蜂窝毫米波信道测量与建模研究[J]. 李树,赵雄文,王琦,王蒙军,孙韶辉,洪伟. 通信学报. 2017(08)
[6]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[7]基于改进全卷积神经网络的航拍图像语义分类方法[J]. 易盟,隋立春. 计算机工程. 2017(10)
[8]用傅里叶分析法研究艾里光束远场传播特性[J]. 吴云龙,聂劲松,邵立,孙晓泉. 光子学报. 2017(03)
[9]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[10]基于奥村模型的无线电监测站地貌监测范围分析方法[J]. 钟松峰,李俊杰,张艇. 中国无线电. 2005(10)
博士论文
[1]基于卷积神经网络的高效语义分割方法研究[D]. 杨威.中国科学院大学(中国科学院光电技术研究所) 2019
硕士论文
[1]射线追踪算法中射线管模型改进方法的研究[D]. 吕娜.北京邮电大学 2018
[2]遥感图像识别分类技术研究[D]. 王孟文.北京邮电大学 2017
本文编号：3440571
【文章来源】：兰州交通大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
自由空间传播示意图
兰州交通大学工程硕士学位论文-7-楼宇。同时，奥村模型以900MHz为基本中场强度曲线，选择200m和30m为发射与接收天线高度，拟合出的衰减损耗曲线如图2.2所示：图2.2奥村拟合衰减曲线上图频率依次为200MHz、453MHz、922MHz、1310MHz、1430MHz、和1920MHz，测试距离在1km至20km的范围内。信号的衰减随频率距离的延伸而增加。奥村在此基础上，改变相关参数设置，在其他参数不便的情况下，重新设置基站高度后的修正因子如图2.3所示。重新设置基站高度后的修正因子，基站天线高度变化从30m到150m的衰减曲线变化。除了对于天线高度、地形等情况进行统计修正以外，奥村模型在哈塔的改进之中，除了以拟合曲线的形式表示衰减情况，还引入了拟合公式进行计算，如式（2.5）所示：12169.55+26.16lg13.82()(44.96.55lg)lgLfhhhdK（2.5）式（2.5）中f表示信号频率，单位MHz，使用范围从150MHz到1500MHz；d为信号的传播距离，单位是km，使用范围为1km至20km；1h为基站天线高度，单位是m，适用范围为30m至200m；2h为移动端天线高度，单位是m，适用范围为1m至10m；
基于深度学习的无线电传播模型环境识别研究-8-2(h)为移动天线高度增益修正因子，和信号的传播环境有关，K为郊区和开放地区的小城镇修正因子。经上式分析可以得出，当一基站位置等参数信息确定的情况下，其衰减仅与所处的环境变量有关。图2.3奥村发射天线高度修正曲线在市区情况下，其修正K=0，式（2.5）可以写为：12169.55+26.16lg13.82()(44.96.55lg)lgLfhhhd（2.6）式（2.6）中信号频率f，单位MHz、传播距离d，单位km、发射天线高度1h、接收天线高度2h的单位m，适用范围与原式保持一致。对于中小城市，2(h)为：22(h)(1.11lgf-0.7)h(1.56lgf0.8)（2.7）对于大型城市，当频率小于300MHz时，2(h)为：222(h)8.29(lg(1.54h))1.1（2.8）当频率大于300MHz时，2(h)为：222(h)3.2(lg(11.75h))4.97（2.9）
【参考文献】：
期刊论文
[1]双层可变形卷积网络的超分辨率图像重建[J]. 黄陶冶,赵建伟,周正华. 计算机应用. 2019(S2)
[2]基于深度体素卷积神经网络的三维模型识别分类[J]. 杨军,王顺,周鹏. 光学学报. 2019(04)
[3]基于改进的全卷积神经网络的资源三号遥感影像云检测[J]. 裴亮,刘阳,谭海,高琳. 激光与光电子学进展. 2019(05)
[4]基于集成卷积神经网络的遥感影像场景分类[J]. 张晓男,钟兴,朱瑞飞,高放,张作省,鲍松泽,李竺强. 光学学报. 2018(11)
[5]26GHz室外微蜂窝毫米波信道测量与建模研究[J]. 李树,赵雄文,王琦,王蒙军,孙韶辉,洪伟. 通信学报. 2017(08)
[6]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[7]基于改进全卷积神经网络的航拍图像语义分类方法[J]. 易盟,隋立春. 计算机工程. 2017(10)
[8]用傅里叶分析法研究艾里光束远场传播特性[J]. 吴云龙,聂劲松,邵立,孙晓泉. 光子学报. 2017(03)
[9]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[10]基于奥村模型的无线电监测站地貌监测范围分析方法[J]. 钟松峰,李俊杰,张艇. 中国无线电. 2005(10)
博士论文
[1]基于卷积神经网络的高效语义分割方法研究[D]. 杨威.中国科学院大学(中国科学院光电技术研究所) 2019
硕士论文
[1]射线追踪算法中射线管模型改进方法的研究[D]. 吕娜.北京邮电大学 2018
[2]遥感图像识别分类技术研究[D]. 王孟文.北京邮电大学 2017
本文编号：3440571
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3440571.html
