《表2 基于神经网络的大尺度衰落建模分类》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机器学习在信道建模中的应用综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如图5所示，针对大尺度衰落，可以得到路径损耗和阴影衰落。路径损耗决定了蜂窝网络的覆盖距离和受干扰的程度，其依赖于传播环境、频带及天线增益。阴影衰落在对数域服从均值为0的正态分布，其标准差?由路径损耗模型的预测值和实测数据的统计偏差来表示[11]。传统大尺度衰落中对路径损耗和阴影衰落进行建模时，都是基于统计分布、经验值进行通用计算的，而实际中不同场景的物理传播环境、收发天线等参数对信道模型有着重要影响，传统经验公式很难体现这些维度的信息。神经网络可以对高维度数据以及非线性映射关系进行训练和计算，解决了传统建模方法几乎无法解决的问题[59]。研究表明，神经网络适用于多种传播环境下的路径损耗建模，比如室内[60-61]、农村[62]、城市[63-66]和郊区[67-68]。如表2所示，文献[69-70]提出了一种用于矿井环境中超宽带（UWB，ultra-wideband）信道路径损耗的神经网络模型，重点研究了路径损耗衰减随着时间和距离变化的情况。Ferreira等[71]和Ayadi等[72]利用神经网络来改善对超高频（UHF，ultra high frequency）频段（300～3 000 MHz）中室外信号强度的预测，测量是在城市环境中以1 140 MHz进行的，绕射损耗和信号强度被输入神经网络中，输出层接收信号的强度来源于ITU-R模型的计算结果，结果表明神经网络可以改善UHF频带中室外信号强度的预测。Faruk等[59，73]研究了在甚高频（VHF，very high frequency）频段（30～300 MHz）下，路径损耗与传播距离之间的关系。Zhao等[17]研究了在毫米波频段（30～300 GHz）下路径损耗与传播距离之间的关系。