中文引用格式： 胡榮青，張成挺，任國偉，等. 基于深度殘差神經網絡的5G信號室內分布預測[J]. 電子技術應用，2024，50(12)：77-81.
英文引用格式： Hu Rongqing，Zhang Chengting，Ren Guowei，et al. Prediction of indoor 5G signal distribution based on deep residual neural network model[J]. Application of Electronic Technique，2024，50(12)：77-81.
引言
無線信號的傳播會受多種因素影響，包括但不限于地形地貌、建筑物密度與材質、天氣條件、信號頻率和發射功率等。無線信號分布預測是無線通信領域的一項關鍵技術，主要用于估計特定區域內無線信號（如無線電波、移動通信信號等）的信號強度如何隨著空間位置變化。這一過程對于規劃無線網絡、優化覆蓋范圍、減少干擾以及提升用戶體驗至關重要。
在傳統的預測技術中，常見的包括確定性模型（如射線追蹤模型）和統計性模型（如Okumura-Hata模型、COST 231模型）。
確定性模型是基于電磁波傳播理論、考慮現實物理環境和分析實際傳播特性的一種方法。確定性模型的方法中，射線追蹤（Ray Tracing）是一種基于幾何光學(Geometrical Optics, GO)原理的技術，并引入了繞射射線的幾何繞射(Geometrical Theory of Diffraction, GTD)和一致繞射(Uniform Theory of Difraction, UTD)理論，它通過追蹤發射源發出的射線（即電磁波的傳播路徑），來計算射線在遇到不同介質（如建筑物、地形等）時經過反射、折射、衍射和散射后到達接收點的信號強度，從而預測出電磁波在實際環境中的傳播特性。文獻[1]~文獻[3]基于射線追蹤技術對信號覆蓋和無線信道進行了相關研究。
統計性模型的原理是利用已知的環境參數（如頻率、距離、基站高度等）和根據3GPP協議對大量傳播環境下的實際測量數據進行統計分析得出的信道模型估算出信號分布。
神經網絡是機器學習和人工智能領域的重要組成部分，尤其在模式識別、數據分類、預測分析等領域展現出強大的能力。文獻[4]~文獻[9]利用神經網絡對路徑損耗和場強預測進行了相關研究。雷泰雅等[4]研究了基于反向傳播神經網絡的無人機路徑損耗預測；王安義等[5]改進了卷積神經網絡，對礦井巷道場強進行了預測；吳麗娜等[7]基于多層感知機神經網絡建立了路徑損耗模型。
本文提出了一種基于深度殘差神經網絡的預測模型。相比于文獻[4]~文獻[9]，本文的預測模型只需采集接收機和發射機的位置坐標及相應的信號強度，就能很好地預測出空間的信號分布情況。
本文詳細內容請下載：
http://www.jysgc.com/resource/share/2000006252
作者信息：
胡榮青1，張成挺2，任國偉1，呂俊事1，許高明1，劉太君1
（1.寧波大學 信息科學與工程學院，浙江 寧波 315211；
2.浙江中煙工業有限責任公司， 浙江 寧波 315504）
