[论文解读] Artificial Neural Network Modeling for Path Loss Prediction in Urban Environments

Chanshin Park, Daniel K. Tettey+1 more|arXiv (Cornell University)|Apr 4, 2019

Millimeter-Wave Propagation and Modeling参考文献 12被引用 9

一句话总结

该论文提出了一种基于人工神经网络（ANN）的多维回归模型，用于在3–6 GHz频段的城市环境中预测路径损耗，输入参数为距离和频率。与传统的线性对数距离模型相比，该模型在区域B中实现了高达24.18%的RMSE降低，其中双曲正切激活函数在两个测试区域中均提供了最精确的预测结果。

ABSTRACT

Although various linear log-distance path loss models have been developed, advanced models are requiring to more accurately and flexibly represent the path loss for complex environments such as the urban area. This letter proposes an artificial neural network (ANN) based multi-dimensional regression framework for path loss modeling in urban environments at 3 to 6 GHz frequency band. ANN is used to learn the path loss structure from the measured path loss data which is a function of distance and frequency. The effect of the network architecture parameter (activation function, the number of hidden layers and nodes) on the prediction accuracy are analyzed. We observe that the proposed model is more accurate and flexible compared to the conventional linear model.

研究动机与目标

• 开发一种在复杂城市环境中更精确且更具弹性的路径损耗模型，以应对传统线性模型在短距离下失效的问题。
• 研究神经网络架构（特别是激活函数、隐藏层和节点数）对路径损耗预测精度的影响。
• 利用真实的城市传播数据，将多维ANN回归模型的性能与传统线性模型（如修订版COST-231 Hata模型）进行对比。
• 在两个具有不同传播特性的城市区域（A区和B区）中评估模型的泛化能力，特别是在高层建筑环境中的表现。
• 识别能够最小化城市无线信道建模预测误差的最优超参数和激活函数。

提出的方法

• 采用多层感知器神经网络（MLP-NN），输入特征为距离和频率（D=2），大多数模型使用单隐藏层，ReLU模型最多使用八层。
• 评估了三种激活函数：修正线性单元（ReLU）、逻辑斯蒂S形函数和双曲正切函数，分别用于变换隐藏层中的加权输入。
• 使用L-BFGS优化算法，固定超参数（学习率=0.001，训练轮数=1000，容差=0.00001）以最小化均方误差（MSE）损失函数。
• 在17,728个样本上进行训练（A区11,100个，B区8,864个），并分别设置验证集和测试集以评估泛化能力并避免过拟合。
• 应用通用近似定理原理，通过足够的隐藏节点和层数确保网络能够建模复杂的非线性路径损耗关系。
• 以RMSE为主要指标比较模型性能，结果按不同频段（3.4、5.3、6.4 GHz）及总体进行报告。

实验结果

研究问题

• RQ1 基于ANN的多维回归模型在城市环境中预测路径损耗时，与传统线性对数距离模型相比表现如何？
• RQ2 不同激活函数（ReLU、Sigmoid、tanh）对城市无线传播中路径损耗预测的精度和稳定性有何影响？
• RQ3 隐藏层和节点数的多少如何影响ANN模型在不同城市传播条件下的预测性能？
• RQ4 与简单环境（如A区）相比，ANN模型在具有复杂传播效应的区域（如高层建筑密集区B区）是否表现出更高的预测精度？
• RQ5 在3–6 GHz频段的城市场景中，哪种激活函数和网络配置能实现最低的RMSE路径损耗预测误差？

主要发现

• 与传统线性模型相比，ANN模型在A区将RMSE降低了7.74%，在B区降低了21.70%，表明在两种城市环境中均具有更高的预测精度。
• 双曲正切激活函数在两个区域中均实现了最低的RMSE，其表现优于ReLU和逻辑斯蒂S形函数，且在所有频段中均保持一致。
• 对于ReLU模型，更深的网络结构（最多八层）提升了性能；而Sigmoid和tanh模型在超过三层后出现欠拟合现象。
• 当每层隐藏节点数超过40个时，性能趋于稳定，因此选定40个节点作为所有激活函数的最优基线配置。
• ANN模型在B区表现出显著更高的预测精度——该区域路径损耗在短距离内急剧下降，表明其能更有效地建模非线性的城市传播特性。
• 在高频段（5.3和6.4 GHz）中改进效果更为显著，其中双曲正切模型在B区将RMSE降低了24.18%，凸显其在高频城市场景中的有效性。