《表3 模型的优化算法及特点》
此外,神经网络还可以与一些算法或者技术相结合来优化路径损耗模型的性能来提高模型的预测精度、效率或者扩展其适用的场景、频段,如表3所示。Salman等[73]评估了降维对路径损耗预测精度的影响,通过实验表明降维提高了机器学习模型的预测精度,且神经网络预测路径损耗的性能优于支持向量机。Sotiroudis等[78]结合了复合差分进化(CDE,composite differential evolution)算法来构造模型,结果表明,CDE算法高效、易于实现和调整,Sotiroudis等还建议通过构建非均匀的环境数据集来提高NN的泛化性和逼近能力。Zineb等[79]构造了一种将神经网络和数据挖掘技术相结合的新模型,该模型从多墙模型派生而来,适用于包括UMTS、GSM和Wi-Fi在内的多个频带,使用MLP框架以及BP算法对测量数据(包括频率、楼层衰减、收发器距离和频率)进行训练,该多频段的多墙模型相比校正后的多墙模型表现出更好的性能和更高的精度。Bhuvaneshwari等[80]评估了3个动态神经网络,即聚焦时延神经网络(FTDNN,focusing on the time delay neural network)、分布式时延神经网络(DTDNN,distributed delay neural network)和分层递归神经网络(LRNN,layered recursive neural network)在路径损耗预测中的应用,每个动态神经网络都使用LM(levenbergmarquardt)优化算法和SCG (scaled conjugate gradient)算法进行训练。结果表明,随着计算时间的增加,LRNN的性能最佳,FTDNN的性能优于DTDNN。
图表编号 | XD00211588500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.25 |
作者 | 刘留、张建华、樊圆圆、于力、张嘉驰 |
绘制单位 | 北京交通大学电子信息工程学院、北京邮电大学网络与交换技术国家重点实验室、北京交通大学电子信息工程学院、北京邮电大学网络与交换技术国家重点实验室、北京交通大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |