无线电传播中的图像驱动回归路径损耗预测

⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 6（2020）160www.elsevier.com/locate/icte无线电传播的深度学习：使用图像驱动回归来估计城市地区的路径损耗Sotirios P.Sotiroudis，Sotirios K.凯瑟琳？西亚卡瓦拉？希腊塞萨洛尼基亚里士多德大学物理系接收日期：2020年2月28日;接收日期：2020年4月2日;接受日期：2020年4月16日2020年5月11日网上发售摘要无线电传播建模和路径损耗预测已经成为许多基于机器学习的估计尝试的主题。我们目前的工作使用深度学习来完成相关任务，试图利用卷积神经网络的潜力来执行基于图像的预测。数据驱动和图像驱动的估计之间的比较已经进行，以评估所提出的方法。结果表明，一个适当选择的图像本身可以被视为一个替代的表格数据的矢量，并产生可靠的预测。图像的大小的影响c2020年韩国通信与信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：深度学习;人工智能;图像驱动回归;无线电传播;路径损耗预测1. 介绍基于机器学习的方法在过去几年中已经发展，以解决城市环境中估计路径损耗的问题[1它们的性能很大程度上取决于它们作为输入的特征类型[6]。这些特征主要代表了建筑环境的特征，以及无线电链路的特征[7这些特征连同相应的路径损耗值一起用于训练模型（例如，多层感知器、随机森林或能够执行回归的任何其他模型）以用于路径损耗估计的任务。因此，可以直截了当地宣称，预测只能和预测所依据的特征一样好。目前的工作提出了一个框架，将特征提取的任务转移到深度学习模型。代替计算表征人造地形和无线电链路的各种量[8，9]（例如由发射器和接收器之间的视线路径包围的建筑物的数量），∗ 通讯作者。电子邮件地址：ssoti@physics.auth.gr（S.P. Sotiroudis），sgoudo@physics.auth.gr（S.K.Goudos），skv@auth.gr（K.Siakavara）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2020.04.008只应提供所考虑区域内建筑物的坐标和高度。然后，这些信息可以很容易地用于创建地图，其中建筑物的颜色与它们的高度相对应：建筑物越高，颜色越深根据发射机和接收机的位置 映射并用作卷积神经网络（CNN）的输入。卷积神经网络[10]和深度学习通常主要用于分类[11]，而不是基于图像进行回归。然而，有作品[12，13]发生了图像驱动的回归。我们的方法的CNN能够直接预测地图特定点的路径损耗值，而无需隐藏任何特征。我们工作的基本思想是，所选区域的图像以及接收器处相应的路径损耗值可以分别被CNN用作训练输入和目标值。也就是说，可以跳过计算数值特征并将其以表格数据格式传递到机器学习模型的预处理步骤;表格输入数据的角色被赋予图像的所选区域，CNN被分配从图像中提取适当信息的任务。该过程有助于路径损耗的估计2405-9595/2020韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。S.P. Sotiroudis，S.K.Goudos和K.Siakavara/ICT Express 6（2020）160161Fig. 1. 无论它们在地图中的位置如何，所有测量值都与等尺寸的正方形相关联。2. 用方法2.1. 将图像映射到每个路径损耗测量建筑物高度信息是构建图像的关键。如果所考虑的区域的建筑物数据库可用，则可以直接从数据库获得高度。但是，在没有特定数据库的情况下，仍然可以通过两步过程构建图像： 建筑物的足迹可以通过Open-StreetMap [14]获得，而它们的高度可以通过开源软件QGIS检索。由于可以从同一张地图中获取许多不同的测量值，因此我们需要找到一种方法，将每个测量值分配给地图的不同部分。因为这条路损失已经显示出很大程度上取决于沿视线路径的建筑物，以及接收器附近的建筑物[7该概念，为两个不同的测量点的同一地图，提出了在图。1.一、在准备的最后阶段，每个图像都被调整为预定义尺寸的正方形，以便从卷积神经网络中进行处理。一个明显的问题，关于这种转换等大小的广场是一个指的可能性，失去信息的距离之间的发射机和接收机。也就是说，正方形的尺寸不会反映图二、C N N 回 归 器 的主要部分。来源：图片改编自[16]。上述距离。这个问题的答案是，每个图像的内容（而不是尺寸）根据这个距离而变化。例如，图中左边正方形的建筑物。1已经被水平拉伸，因为接收器与发射器具有小的水平距离。另一方面，图1右侧方格的建筑物被垂直拉伸，导致与水平道路相比，垂直道路非常狭窄。这是由于较大的水平Tx-Rx距离。可以直接得出结论，具有与图1的右侧正方形类似的内容的正方形对应于放置在距发射机较大水平距离处的接收机。也就是说，2.2. 基于卷积神经网络的在众多类型的深度神经网络中[15]，通过卷积层、池化层和全连接层的组合，卷积层在图像处理[11]中表现出显著的性能。路径损耗是一个连续值的量;因此CNN应该被训练来解决回归任务。CNN如图2表示，特征提取部分的主要组件是卷积层和池化层。每个卷积层都由过滤器和特征映射组成每个过滤器都是一个特定大小的数组，由数字（称为权重）组成。这个数组正在逐步应用于整个图像。也就是说，过滤器滑过图像，在每一步与特定部分交互，并返回一个值到特征图，作为滤波器和特定图像部分之间的卷积。在下一步，过滤器与图像的相邻部分交互并返回不同的值。当过滤器滑过整个图像时，该过程终止。然后，第二个过滤器（不同的权重）执行相同的任务，从而填充第二个特征图。然后，对每个特征图中包含的信息进行下采样162S.P. Sotiroudis，S.K.Goudos和K.Siakavara/ICT Express 6（2020）160∑1Ntest×（p）∑=p=1×RMSE=0通过池化层。也就是说，池化层从每个特征图的子区域中选择最大值（或平均值），从而压缩卷积层中包含的信息。卷积层和池化层的组合可以重复，以便逐步提取高阶特征[15]。也就是说，每个新的卷积层将其滤波器应用于前一个池化层的压缩特征图，并从中提取新的特征先前描述的过程没有完全考虑输入图像的边缘上的像素。换句话说，边缘上的像素仅与滤波器的边缘交互。如果这些像素可以放置在过滤器的中心，它们与过滤器的交互将更能代表它们的内容。这可以通过在图像的边界周围添加像素来实现。这种操作称为填充。另一个决定滤波器移动的操作称为步幅。它的默认值是（1，1），这意味着过滤器在水平移动时以1像素的步长滑动，在垂直移动时也以1像素的步长滑动。更大的步幅值将导致过滤器移动的更大步长当特征提取阶段完成时，网络就准备好执行它的学习任务，在我们的例子中是回归。来自最终池化层的信息被重新排列为一维特征向量，该特征向量被提供给任意数量的全连接层。这个阶段的任务是基于从CNN的第一部分提取的特征执行回归2.3. 评估指标误差测量度量反映了实际值和预测值之间的距离。五个最广泛使用的错误度量及其定义可以在以下等式中找到：N个测试平均绝对误差M AE =|t（p）−y0（p）|（一）值Ntest是测试模式的数量，而p表示根据其进行预测的输入（其是CNN的图像或MLP-NN的表格数据的向量）。3. 获得的结果3.1. 数据准备从146个不同的城市环境中获得了总共35395个路径损耗值，通过特定软件[17]实现了光线跟踪技术。在所有情况下，发射机都被放置在35米的高度，在左下角第一栋建筑物的顶部。每个区域由100座建筑物组成，其宽度、长度和高度随机。建筑物的高度在5米到29米之间。工作频率设定为900 MHz。根据第2.1节中提出的方法，每个路径损耗值都与一个特定的图像相关联，该图像描述了从发射机和接收机界定的正交区域。这35395对图片和路径损耗值被随机分成三个不相交的集合，比例为60/ 20/ 20，形成训练集、验证集和测试集。CNN然后，通过对测试集的估计来评估完全指定的CNN的性能除了基于图像的数据集之外，还同时创建了基于表格数据的对应组。更准确地说，每个路径损耗值与23个数字输入相关联，描述了视线路径沿线和接收器附近的建筑物[9]。使用这些集合以便基于表格数据通过多层感知器神经网络（MLP-NN）来估计路径损耗值。然后将这些基于表格数据的估计与基于图像的估计进行比较，是从CNN那里得到的。N个测试平均绝对百分比误差1 ∑<$t（p）−y0（p）<$p=1在注入CNN之前，所有图像都必须调整为相同的大小。我们选择这个尺寸为64 64像素。为了检测图像大小的影响，创建了另外四组不同大小的图像，即M AP E=N检验p=1（二）N个测试具有16、32、128和256像素的边均方误差MSE1N个测试决定系数 ∑N检验[t（p）−y0（p）]2[t（p）−y0（p）]2（3）p=13.2. 训练CNN和MLP-NNCNN的特征提取部分由四个卷积层组成，每个卷积层后面都有一个池化层。的R2=1−∑p=1N检验[t（p）-t均值（p）]2（四）第一个卷积层有16个滤波器，而接下来的层分别有32、64和128个过滤器所有卷积滤波器尺寸为3× 3像素，以提取局部特征均方根误差1N∑testN个测试p=1人造环境，如建筑物角落，道路宽度等，这些局部特征决定了传播轮廓和它们的存在将不能通过较大尺寸的滤波器充分地表示。每个池层都是亲-其中t（p）是实际路径损耗值，tmean（p）是平均实际路径损耗值，yo（p）是预测路径损耗从每22中选择最大值大小的子区域，从而消除[t（p）−y0（p）]2（S.P. Sotiroudis，S.K.Goudos和K.Siakavara/ICT Express 6（2020）160163×图3.第三章。 a和b：CNN（基 于大 小为 64 × 64 像素 的图 像） 和 ML P - N N 的预 测， 相对 于Ra y - T r a ci n g 产生的 值， c 和d ：两 种模 型的 误差 和误 差度 量的 统计 分布 。每次四个像素中的三个。池化层大小的具体选择是基于人造地形是统一建造的事实。也就是说，所有的道路和建筑物都是垂直和水平对齐的。因此，即使在通过池化执行的下采样之后，传播环境也可以被等同地在城市和街道规划较差的地形中，可以省略池层，以保留建筑环境的所有细节。CNN的回归部分由三个完全连接的层组成，分别有32、8和1个节点。最终节点的输出是路径损耗估计。CNN被训练了200个epoch，并选择了初始学习率为0.001的Adam opti- mizer [15]。在每个时期之后，计算训练集和验证集上的MAPE误差。CNN在然后将该模型应用于测试集，产生CNN类似地，根据（基于表格数据）相应的训练集和验证集选择MLP-NN的参数。结果，最终产生了具有16个和8个神经元的两个隐藏层的MLP-NN，以便对相应的测试集进行预测3.3. 比较结果主要结论从图中所示的结果。 3这两种方法是等价的也就是说，CNN的基于图像的预测与从MLP-NN（其基于表格数据）做出的预测同样可靠。3.4. 图像大小和CNN性能关于CNN性能的一个明显问题是调查其预测与图像大小之间的关联。如图4表明，小尺寸的图像产生相对较差的估计。这可以归因于图像内容的压缩导致较弱的泛化能力的事实。然而，当选择大的图像尺寸时获得的改进并不显著。也就是说，额外提供的视觉信息不能有效地解决所讨论的问题。3.5. 讨论由于这两种方法具有相似的性能，因此部署和讨论我们提出的方法的好处将是有用的。这些可分为两类：1. 适应新环境：我们的新方法可以直接应用于其他工作频率，164S.P. Sotiroudis，S.K.Goudos和K.Siakavara/ICT Express 6（2020）160见图4。 图像尺寸的增加增强了预测效率。一个CNN。小图像的性能比表格数据差发射机高度基于表格数据的方法则不是这种情况。在这种情况下，应该设计新的输入特征集，以表示新出现的传播机制。例如，在将发射机放置在屋顶水平以下的情况下，屋顶上的衍射不会产生显著影响[8]，从而削弱了来自LOS路径的输入。与城市街道峡谷机制相对应的其他输入应该取代它们。然而，基于图像的方法可以按原样应用：CNN将找到进入新环境的方法，因为所有相关信息都可以通过地图获得。2. 计算复杂性：两种方法都需要建筑物的足迹和高度才能应用。然而，从这一点开始，基于图像的方法在计算上更容易：它的复杂性与每个地图的建筑物数量成正比。同样地，以表格数据形式提取关于LOS路径的输入引起与数目的平方成比例的计算复杂度由于需要根据其余建筑物在LOS路径中的相关位置检查每座建筑物，因此，4. 结论和今后的工作根据图像估计路径损耗值的概念已经得到充分部署。新提出的方法具有类似的效率已经建立的方法，依赖于表格数据。然而，新方法具有计算量较小的优点，以及能够容易地适应修改的环境。我们的方法的预测可以通过实施图像增强和/或迁移学习等技术来进一步改进。还有可能将基于数据和图像的模型整合为混合输入模型，以获得两种方法的好处竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢这项研究由欧盟和希腊国家基金通过竞争力，创业和创新业务计划共同资助，称为研究-创造-创新（项目代码：T1 EDK-05274）。引用[1] S.P. Sotiroudis ， K. Siakavara ， J.N. Sahalos ， A neural networkapproachtothepredictionofthepropagationpathlossformobilecommunications systems in urban environments，in：Progressin ElectromagneticsResearch Symposium 2007，PIERS 2007 Prague，ElectromagneticsAcademy，2007，pp. 162比166[2] Nasir Faruk，Nazmat Surajudeen-Bakinde，A. Abdulkarim，SegunPopoola ， Olawoyin Abiodun ， Atayero 教 授 ， 城 市 地 区 GSM 和WCDMA频段路径损耗预测的ANFIS模型，ELEKTRIKA- J. Electr.Eng. 18（2019）1 http://dx.doi.org/10。11113/elektrika.v18n1.140。[3] S.P. Sotiroudis ， S.K. Goudos ， K.A. Gotsis ， K. Siakavara ， J.N.Sahalos ， Optimal Artificial Neural Network design for propagationpath loss prediction using adaptive evolutionary algorithms，in：2013年第7届欧洲神经网络和传播会议（EuCAP），哥德堡，2013年，第100页。3795-3799。[4] M. Piacentini，F.李文，利用学习机和降维技术预测城市环境中的路径损耗，管理。Sci. 8（2011）371[5] T. Surajudeen-Bakinde等人，使用自适应神经模糊推理系统预测VHF波段多发射机无线电传播的路径损耗。Technol.（ISSN：2215-0986）21（4）（2018）679-691.[6] Segun Popoola ， Abigail Jefia ， Aderemi Atayero ， OgbeideKingsley，Nasir Faruk，Olasunkanmi Oseni，Robert Abolade，用于甚高频无线信道中路径损耗预测的神经网络参数的确定，IEEEAccess（2019）1，http://dx.doi.org/10.1109/ACCESS.2019.2947009。[7] S.P. Sotiroudis ， S.K. Goudos ， K.A. Gotsis ， K. Siakavara ， J.N.Sahalos，Modeling by optimal artificial neural networks the predictionof propagation path loss in urban environments，in：Proceedings ofthe2013IEEE-APSTopicalConferenceonWirelessCommunications，IEEEAPWC2013，2013，pp.599http://dx.doi.org/10.1109/APWC.2013.6624896[8] S. Sotiroudis，K. Siakavara，移动无线电传播路径损耗预测使用人工神经网络与城市环境的最佳输入信息，AEU -国际电子通讯杂志。69（10）（2015）。[9] S.P. Sotiroudis，S.K.古多斯湾Siakavara，神经网络和随机森林：关于NB-IoT网络传播路径损耗预测的比较，2019年第8届现代电路和系 统 技 术 国 际 会 议 （ MOCAST ） ， 2019 年 ， 第 10 页 。 1-4.https://ieeexplore.ieee.org/document/8741751网站，[10] Y.莱昆湾，巴西-地本焦湾，澳-地Hinton，Deep learning，Nature521（7553）（2015）436-444.[11] Stéphane Lathuilière ， Pablo Mesejo ， Xavier Alameda-Pineda ，RaduHoraud ， A comprehensive analysis of deep regression ， IEEETrans. 模式肛门。马赫内特尔41（2019）1S.P. Sotiroudis，S.K.Goudos和K.Siakavara/ICT Express 6（2020）160165[12] T. Shimobaba、T. Kakue，T. Ito，基于卷积神经网络的数字全息深度预测回归，2018，arXiv：1802.00664。[13] S.劳湾佩奇角罗素，看看周围：使用街景和卫星图像来估计房价，10，ACM，2019年，pp。1-19[14] OpenStreetMap 贡 献 者 ， Planet dump ， 检 索 自 planet.osm.org ，2017。[15] Ian Goodfellow，Yoonge Bengio，Deep Learning，The MIT Press，ISBN：0262035618，2016，800pp.[16] M. Cos Zakkun，A. Uçar，Ukraine.耶尔德勒姆岛Demir，基于卷积神经网络的人脸识别，在：2017年现代电气和能源系统国际会议，MEES，Kremenchuk，2017年，pp. 376-379.[17] EDX Wireless ， EDX Wireless Microcell/Indoor Module ReferenceManual，Version7 2006