The National Natural Science Foundation of China. 61105079 The National Natural Science Foundation of China. 61473114 The National Natural Science Foundation of China. 62002101 The Natural Science Foundation of Henan Province of China. 162300410059 Fundamental Research Funds for the Henan Provincial Col-leges and Universities in Henan University of Technology. 2018RCJH16 High-level Talent Research Fund of Henan University of Technology. 2019BS044
There exist some problems in the commonly used signal propagation models, such as single usage scenario and poor prediction accuracy.A data-driven wireless signal propagation model suitable for multiple scenarios was proposed.Firstly, the initial features were constructed from the preprocessed data according to the prior knowledge, and then the input feature set was obtained by using feature selection technique.Then analyzing the modeling requirements, selecting the deep belief network (DBN), residual network (ResNet) and stacked auto encoder (SAE) as the consequents (individual learners) of the interval type-2 fuzzy rules, and leveraged interval type-2 fuzzy inference to ensemble them.Finally, the actual measurement data of 5G signal propagation was applied for experimental verification.The results demonstrate that the performance of the three individual learners for the test set is better than those of the Cost231-Hata and back propagation neural network (BPNN), as well as the accuracy of ResNet is higher than those of DBN and SAE.Moreover, the performance of the interval type-2 fuzzy ensemble deep learning model is positively correlated with those of its individual learners and the number of fuzzy rules.Meanwhile, the heterogeneous ensemble is superior to the homogeneous counterpart for the test set.
Keywords:signal propagation model
;
feature engineering
;
interval type-2 fuzzy inference
;
ensemble learning
;
deep learning
ZHAO Liang. Modeling signal propagation in wireless network:an interval type-2 fuzzy ensemble deep learning approach. Chinese Journal of Intelligent Science and Technology[J], 2020, 2(4): 401-411 doi:10.11959/j.issn.2096-6652.202043
机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径。机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用。根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习。无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决。Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型。实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理。Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法。利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值。Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测。实验结果表明,提出的模型具有更高的相关系数。近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点。Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化。实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越。Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测。作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估。实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测。然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模。Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力。此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能。但是,该模型的超参数调整没有较为合适的解决方案。上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模。目前,能够很好地适用于多种场景的无线网络信号传输模型极少。
DBN的组成元件是受限玻尔兹曼机(restricted Boltzmann machine,RBM),每一个RBM均由两层神经元构成:一层是显层,另一层是隐层。将上一个RBM的隐层作为下一个RBM的显层,在最后一层之后加上全连接层作为回归层。在DBN的训练过程中,首先进行基于 RBM 的无监督预训练,采用对比散度(contrastive divergence,CD)算法进行权值初始化(Hinton G E[21]指出k=1时有不错的效果),然后采用批梯度下降法对参数进行微调。
ResNet的提出是为了克服随着神经网络深度持续增加,网络性能接近饱和甚至下降的难题。针对这种“退化现象”,He K M等人[22]提出“快捷连接”,解决了由于梯度消失引起的网络参数调整失效问题,使得更深层神经网络的训练和应用成为可能。本文对“快捷连接”做了部分改进,如图4所示,每个残差块采用层间神经元节点全连接方式,由于样本特征维度是48,故采用全连接方式兼顾信息完整性和算法复杂性。
Application of machine learning in wireless networks:key techniques and open issues
1
2019
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
Machine learning for wireless communication channel modeling:an overview
1
2019
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
ANN prediction models for outdoor environment
1
2006
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
A new SVM-based modeling method of cabin path loss prediction
1
2013
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
A multi-wall and multi-frequency indoor path loss prediction model using artificial neural networks
1
2016
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
A deep learning model for wireless channel quality prediction
1
2019
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
Deep learning for radio propagation:using image-driven regression to estimate path loss in urban areas
1
2020
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
Model-aided deep learning method for path loss prediction in mobile communication systems at 2.6 GHz
1
2020
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
Ray tracing for radio propagation modeling:principles and applications
1
2015
... 机器学习技术的兴起为无线网络信号传输建模提供了一种新的途径.机器学习是一类以数据样本为分析对象的计算机算法程序,已经在自然语言处理、图像分类、机器视觉等方面得到广泛应用.根据训练集是否拥有标注信息,可大致将机器学习划分为监督学习和无监督学习.无线网络信号传输模型的构建本质上是监督学习中的回归问题[10],因此可以使用相应算法[11]解决.Popescu I等人[12]采用多层感知机和广义径向基神经网络对室外环境的无线传输路径损耗进行预测,在理论模型和神经网络相结合的基础上,提出一种误差修正模型.实验结果表明,与传统模型相比,提出的模型能够容易地适应某些特定环境和复杂的传输条件,具有良好的预测精度,但是该模型需要大量先验知识对数据样本进行处理.Zhao X N等人[13]提出基于支持向量机的飞机客舱环境下的无线传输路径损失预测建模方法.利用舱内测量点的路径损耗数据进行训练,用于预测未测量点的路径损耗值.Zineb A B等人[14]考虑室内信号累计穿透损耗与穿透地板层数和墙数之间的非线性关系,提出一种新的人工神经网络模型,该模型适用于大尺度衰减的室内路径损耗预测.实验结果表明,提出的模型具有更高的相关系数.近年来,深度学习在大数据建模方面表现出比传统机器学习更加优良的性能,因此,采用深度学习构建无线网络信号传输模型成为研究的热点.Herath J D等人[15]提出基于编解码器序列到序列(sequence-to-sequence)的深度学习模型,并考虑分别使用长短期记忆网络和门控循环单元作为其基本单元结构,预测未来无线信号强度的变化.实验结果表明,在不同的网络配置下,相较于自回归模型和线性回归模型,提出的深度学习模型性能更加优越.Sotiroudis S P等人[16]通过将表格数据信息转化为地图信息,采用深度卷积神经网络进行图像处理,成功实现城市环境中的无线网络信号传输建模和路径损耗预测.作者同时构建了多层感知机模型,从数据驱动和图像驱动两方面进行比较评估.实验结果表明,一个合适的图像可以代替表格数据向量产生可靠的预测.然而,因为用于构建地图信息的表格数据的选择较为苛刻,该方法难以适用于其他环境中的无线网络信号传输建模.Thrane J 等人[17]对卫星图像使用深度卷积神经网络实现精准路径损耗预测,与射线追踪模型[18]和统计模型等传统建模方法相比,该方法拥有更准确的预测性能和更好的模型泛化能力.此外,Thrane J等人还通过一个简单的路径损耗模型辅助卷积神经网络学习,提高预测性能.但是,该模型的超参数调整没有较为合适的解决方案.上述几种模型在场景普适性方面具有较大的局限性,只能适用于单一场景的无线网络信号传输建模.目前,能够很好地适用于多种场景的无线网络信号传输模型极少. ...
A survey of feature selection and feature extraction techniques in machine learning
Reducing the dimensionality of data with neural networks
1
2006
... DBN的组成元件是受限玻尔兹曼机(restricted Boltzmann machine,RBM),每一个RBM均由两层神经元构成:一层是显层,另一层是隐层.将上一个RBM的隐层作为下一个RBM的显层,在最后一层之后加上全连接层作为回归层.在DBN的训练过程中,首先进行基于 RBM 的无监督预训练,采用对比散度(contrastive divergence,CD)算法进行权值初始化(Hinton G E[21]指出k=1时有不错的效果),然后采用批梯度下降法对参数进行微调. ...
Deep residual learning for image recognition
1
2016
... ResNet的提出是为了克服随着神经网络深度持续增加,网络性能接近饱和甚至下降的难题.针对这种“退化现象”,He K M等人[22]提出“快捷连接”,解决了由于梯度消失引起的网络参数调整失效问题,使得更深层神经网络的训练和应用成为可能.本文对“快捷连接”做了部分改进,如图4所示,每个残差块采用层间神经元节点全连接方式,由于样本特征维度是48,故采用全连接方式兼顾信息完整性和算法复杂性. ...
The concept of a linguistic variable and its application on approximate reasoning-I