面向城区的基于图去噪的小区级RSRP估计方法

doi:10.11772/j.issn.1001-9081.2023030292

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (3): 855-862.DOI: 10.11772/j.issn.1001-9081.2023030292

面向城区的基于图去噪的小区级RSRP估计方法

郑毅, 廖存燚, 张天倩, 王骥, 刘守印()

华中师范大学物理科学与技术学院，武汉 430079

收稿日期:2023-03-22 修回日期:2023-06-09 接受日期:2023-06-14 发布日期:2023-08-01 出版日期:2024-03-10
通讯作者: 刘守印
作者简介:郑毅（1993—），男，湖北武汉人，博士，主要研究方向：智能通信、深度学习
廖存燚（1998—），男，四川成都人，博士研究生，主要研究方向：深度学习、自动驾驶
张天倩（2000—），女，河南南阳人，博士研究生，主要研究方向：智能通信、深度学习
王骥（1987—），男，湖北襄阳人，副教授，博士，主要研究方向：超大规模MIMO、智能通信；
基金资助:
国家自然科学基金资助项目(62101205);湖北省自然科学基金资助项目(2021CFB248);湖北省重点研发计划项目(2021BAA170)

Image denoising-based cell-level RSRP estimation method for urban areas

Yi ZHENG, Cunyi LIAO, Tianqian ZHANG, Ji WANG, Shouyin LIU()

College of Physical Science and Technology，Central China Normal University，Wuhan Hubei 430079，China

Received:2023-03-22 Revised:2023-06-09 Accepted:2023-06-14 Online:2023-08-01 Published:2024-03-10
Contact: Shouyin LIU
About author:ZHENG Yi， born in 1993， Ph. D. His research interests include intelligent communication， deep learning.
LIAO Cunyi， born in 1998， Ph. D. candidate. His research interests include deep learning， automatic driving.
ZHANG Tianqian， born in 2000， Ph. D. candidate. Her research interests include intelligent communication， deep learning.
WANG Ji， born in 1987， Ph. D.， associate professor. His research interests include ultra-large-scale MIMO， intelligent communication.
Supported by:
National Natural Science Foundation of China(62101205);Natural Science Foundation of Hubei Province(2021CFB248);Key Research and Development Program of Hubei Province(2021BAA170)

摘要/Abstract

摘要：

移动通信系统网络的规划、部署和优化都不同程度依赖于参考信号接收功率（RSRP）估计的准确性。传统上，基站覆盖小区内某信号接收点的RSRP可由对应的无线传播模型估计。在城市环境中，不同小区的无线传播模型需要使用大量RSRP实测数据校正。由于不同小区环境存在差异，经过校正后的模型只适用于对应小区，且小区内的RSRP估计精度低。针对上述问题，将RSRP估计问题转化为图去噪问题，并通过图像处理与深度学习技术得到小区级无线传播模型，不仅能实现小区整体的RSRP估计，且能适用于相似环境小区。首先，通过随机森林回归器逐点预测每个接收点的RSRP，得到整个小区的RSRP估计图；然后，将RSRP估计图和实测RSRP分布图之间的损失视为RSRP噪声图，提出基于条件生成对抗网络（CGAN）的图去噪RSRP估计方法，通过电子环境地图反映小区的环境信息，有效地降低不同小区的RSRP。实验结果表明，在无实测数据的跨小区RSRP预测场景下，所提方法预测RSRP的均方根误差（RMSE）为6.77 dBm，相较于基于卷积神经网络的RSRP估计方法EFsNet下降2.55 dBm；在同小区RSRP预测场景下，相较于EFsNet，模型参数量减小80.3%。

关键词: 条件生成对抗网络, 机器学习, 参考信号接收功率, 无线传播模型, 图去噪

Abstract:

The planning， deployment and optimization of mobile communication system networks all depend to varying degrees on the accuracy of the Reference Signal Receiving Power （RSRP） estimation. Traditionally， the RSRP of a signal receiver in a cell covered by a base station can be estimated by the corresponding wireless propagation model. In an urban environment， the wireless propagation models for different cells need to be calibrated using a large number of RSRP measurements. Due to the environment differences of different cells， the calibrated model is only applicable to the corresponding cell， and has low accuracy of RSRP estimation within the cell. To address these issues， the RSRP estimation problem was transformed into an image denoising problem and a cell-level wireless propagation model was obtained through image processing and deep learning techniques， which not only enabled RSRP estimation for the cell as a whole， but also was suitable to cells in similar environments. Firstly， the RSRP estimation map of the whole cell was obtained by predicting the RSRP of each receiver point by point through a random forest regressor. Then， the loss between the RSRP estimation map and the measured RSRP distribution map was regarded as the RSRP noise map， and a image denoising RSRP estimation method based on Conditional Generative Adversarial Network （CGAN） was proposed to reflect the environmental information of the cell through an electronic environmental map， which effectively reduced the RSRP of different cell. Experimental results show that the root mean square error of the proposed method is 6.77 dBm in predicting RSRP in a new cross-cell RSRP scenario without measured data， which is 2.55 dBm lower than that of the convolutional neural network-based RSRP estimation method EFsNet； in the same-cell RSRP prediction scenario， the number of model parameters is reduced by 80.3% compared with EFsNet.

Key words: Conditional Generative Adversarial Network (CGAN), machine learning, Reference Signal Receiving Power (RSRP), wireless propagation model, image denoising

中图分类号:

TN98

郑毅, 廖存燚, 张天倩, 王骥, 刘守印. 面向城区的基于图去噪的小区级RSRP估计方法[J]. 计算机应用, 2024, 44(3): 855-862.

Yi ZHENG, Cunyi LIAO, Tianqian ZHANG, Ji WANG, Shouyin LIU. Image denoising-based cell-level RSRP estimation method for urban areas[J]. Journal of Computer Applications, 2024, 44(3): 855-862.

图/表 11

图1 基于随机森林回归器的RSRP预估计方法整体结构

Fig. 1 Overall structure of RSRP pre-estimation method based on random forest regressor

图2 随机森林回归器训练流程

Fig. 2 Training flow of random forest regressor

图3 图去噪估计方法整体框架

Fig. 3 Overall framework of image denoising-based estimation method

表1 鉴别器不同的输入情况及其对应的得分

Tab. 1 Different inputs and their corresponding scores of discriminator

待鉴别估计图	电子环境地图输入	得分标签
RSRP实测图 $R (i)$	匹配的环境地图 $X e i$	True
RSRP实测图 $R (i)$	不匹配的环境地图 $X e j$	False
RSRP估计图方正汇总行 $R ̂ G (i)$	匹配的环境地图 $X e i$	False

表1 鉴别器不同的输入情况及其对应的得分

Tab. 1 Different inputs and their corresponding scores of discriminator

待鉴别估计图	电子环境地图输入	得分标签
RSRP实测图 $R (i)$	匹配的环境地图 $X e i$	True
RSRP实测图 $R (i)$	不匹配的环境地图 $X e j$	False
RSRP估计图方正汇总行 $R ̂ G (i)$	匹配的环境地图 $X e i$	False

表2 RSRP数据集实测参数说明

Tab. 2 Measurement parameter description of RSRP dataset

参数符号	参数名	取值	单位
$f c$	载波中心频率	2 585.0	MHz
$h a l t$	海拔	［497.5，544.0］	m
$h b u i l d i n g$	建筑物高度	［0，339］	m
$T b s$	信号发射塔高度	［25.2，62.0］	m
$β v$	发射天线垂直下倾角	［9，13］	Deg.
$R$	信号接收点实测RSRP	［-120.3，-51.0］	dBm

表2 RSRP数据集实测参数说明

Tab. 2 Measurement parameter description of RSRP dataset

参数符号	参数名	取值	单位
$f c$	载波中心频率	2 585.0	MHz
$h a l t$	海拔	［497.5，544.0］	m
$h b u i l d i n g$	建筑物高度	［0，339］	m
$T b s$	信号发射塔高度	［25.2，62.0］	m
$β v$	发射天线垂直下倾角	［9，13］	Deg.
$R$	信号接收点实测RSRP	［-120.3，-51.0］	dBm

图4 小区电子环境地图可视化结果

Fig. 4 Visualization results of electronic environment map of cell

表3 同小区内的RSRP估计结果对比

Tab. 3 Comparison of same-cell RSRP estimation results

方法	RMSE/dBm		MAPE/dBm		参数量
方法	训练集	测试集	训练集	测试集	参数量
Cost231-Hata	17.88	17.64	8.52	8.47	—
SPM	12.26	12.44	6.64	6.98	—
线性回归	9.43	9.35	1.19	1.37	—
KNN^［12］	6.00	7.41	0.44	0.84	—
AdaBoost^［13］	7.46	7.78	0.73	0.81	—
BPNN ^［14］	6.07	7.21	0.62	0.82	—
RFR^［13］	4.97	6.58	0.39	0.75	—
EFsNet^［15］	4.56	6.11	0.33	0.66	333 085
本文方法	3.35	5.42	0.28	0.43	65 453

表4 跨小区的RSRP估计结果对比

Tab. 4 Comparison of cross-cell RSRP estimation results

方法	RMSE/dBm		MAPE/dBm		耗时/s
方法	训练集	测试集	训练集	测试集	耗时/s
线性回归	10.52	12.52	1.42	2.02	0.1
KNN^［12］	6.62	11.96	1.04	1.28	11.2
AdaBoost^［13］	7.88	10.56	1.11	1.37	10.8
BPNN ^［14］	6.39	10.69	0.92	1.21	28.4
RFR^［13］	5.18	10.38	0.64	1.15	11.6
EFsNet^［15］	5.15	9.32	0.61	0.99	29.3
UNet^［17］	4.95	8.01	0.48	0.71	0.8
本文方法	3.52	6.77	0.34	0.68	0.6

图5 不同方法的估计结果与RSRP实测图的对比

Fig. 5 Comparison between estimated results by different methods and measured RSRP

表5 中国移动信号强度等级标准

Tab. 5 Signal strength level standard of China Mobile

等级	RSRP/dBm	含义
0	$(- 75,0]$	极好
1	$(- 85, - 75]$	很好
2	$(- 95, - 85]$	一般
3	$(- 105, - 95]$	可接受
4	$(- ∞, - 105]$	差

表5 中国移动信号强度等级标准

Tab. 5 Signal strength level standard of China Mobile

等级	RSRP/dBm	含义
0	$(- 75,0]$	极好
1	$(- 85, - 75]$	很好
2	$(- 95, - 85]$	一般
3	$(- 105, - 95]$	可接受
4	$(- ∞, - 105]$	差

图6 LR、RFR、BPNN、KNN、UNet和图去噪估计方法预测的RSRP分类结果的可视化

Fig. 6 Visualization of classified RSRP results predicted by LR， RFR， BPNN， KNN， UNet and image denoising-based estimation method

参考文献 28

1	张平，牛凯，田辉，等. 6G移动通信技术展望［J］. 通信学报， 2019， 40（1）： 141-148. 10.11959/j.issn.1000-436x.2019022
	ZHANG P， NIU K， TIAN H， et al. Technology prospect of 6G mobile communications ［J］. Journal on Communications， 2019， 40（1）： 141-148. 10.11959/j.issn.1000-436x.2019022
2	尤肖虎，尹浩，邬贺铨. 6G与广域物联网［J］. 物联网学报， 2020， 4（1）： 1-11. 10.11959/j.issn.2096-3750.2020.00158
	YOU X H， YIN H， WU H Q. On 6G and wide-area IoT ［J］. Chinese Journal on Internet of Things， 2020， 4（1）： 1-11. 10.11959/j.issn.2096-3750.2020.00158
3	HATA M. Empirical formula for propagation loss in land mobile radio services ［J］. IEEE Transactions on Vehicular Technology， 1980， 29（3）： 317-325. 10.1109/t-vt.1980.23859
4	RANI M S， BEHARA S， SURESH K. Comparison of Standard Propagation Model （SPM） and Stanford University Interim （SUI） radio propagation models for Long Term Evolution （LTE）［J］. International Journal of Advanced and Innovative Research， 2012， 3： 221-228. 10.5121/ijngn.2011.3303
5	OROZA C A， ZHANG Z， WATTEYNE T， et al. A machine-learning-based connectivity model for complex terrain large-scale low-power wireless deployments ［J］. IEEE Transactions on Cognitive Communications and Networking， 2017， 3（4）： 576-584. 10.1109/tccn.2017.2741468
6	SCHAPIRE R E. Explaining AdaBoost ［M］// Empirical Inference： Festschrift in Honor of Vladimir N. Vapnik. Cham： Springer， 2013： 37-52. 10.1007/978-3-642-41136-6_5
7	KRAMER O. Dimensionality Reduction with Unsupervised Nearest Neighbors ［M］. Cham： Springer， 2013： 13-23. 10.1007/978-3-642-38652-7_2
8	AWAD M， KHANNA R. Efficient Learning Machines： Theories， Concepts， and Applications for Engineers and System Designers ［M］. Berkeley： Apress Berkeley， 2015： 67-80. 10.1007/978-1-4302-5990-9_4
9	GOEL E， ABHILASHA E， GOEL E， et al. Random forest： a review ［J］. International Journal of Advanced Research in Computer Science and Software Engineering， 2017， 7（1）： 251-257. 10.23956/ijarcsse/v7i1/01113
10	JIN D， LIN S. Advances in Computer Science and Information Engineering ［M］. Cham： Springer， 2012： 553-558. 10.1007/978-3-642-30223-7
11	李志潇，张之江，谢克斌，等. 基于SPM模型的机场环境5.1 GHz电波传播特性测量与建模［J］. 工业控制计算机， 2021， 34（12）：112-114，117.
	LI Z X， ZHANG Z J， XIE K B， et al. Measurement and modeling of 5.1 GHz radio wave propagation characteristics in airport environment based on SPM model ［J］. Industrial Control Computer， 2021， 34（12）： 112-114，117.
12	LEE J-Y， KANG M Y， KIM S-C. Path loss exponent prediction for outdoor millimeter wave channels through deep learning ［C］// Proceedings of the 2019 IEEE Wireless Communications and Networking Conference. Piscataway： IEEE， 2019： 1-5. 10.1109/wcnc.2019.8885668
13	WEN J， ZHANG Y， YANG G， et al. Path loss prediction based on machine learning methods for aircraft cabin environments ［J］. IEEE Access， 2019， 7： 159251-159261. 10.1109/access.2019.2950634
14	SOTIROUDIS S P， SARIGIANNIDIS P， GOUDOS S K， et al. Fusing diverse input modalities for path loss prediction： a deep learning approach ［J］. IEEE Access， 2021， 9： 30441-30451. 10.1109/access.2021.3059589
15	ZHENG Y， LIU Z， HUANG R， et al. Feature extraction in reference signal received power prediction based on convolution neural networks［J］. IEEE Communications Letters， 2021， 25（6）： 1751-1755. 10.1109/lcomm.2021.3054862
16	LEVIE R， YAPAR Ç， KUTYNIOK G， et al. RadioUNet： fast radio map estimation with convolutional neural networks ［J］. IEEE Transactions on Wireless Communications， 2021， 20（6）： 4001-4015. 10.1109/twc.2021.3054977
17	LI K， LI C， YU B， et al. Model and transfer spatial-temporal knowledge for fine-grained radio map reconstruction［J］. IEEE Transactions on Cognitive Communications and Networking， 2022， 8（2）： 828-841. 10.1109/tccn.2021.3133844
18	TIAN Y， YUAN S， CHEN W， et al. Transformer based radio map prediction model for dense urban environments ［C］// Proceedings of the 13th International Symposium on Antennas， Propagation and EM Theory. Piscataway： IEEE， 2022： 1-3. 10.1109/isape54070.2021.9753644
19	华中师范大学. 基于深度学习的小区级RSRP估计方法： CN113644996A［P］. 2021-11-15. 10.1109/ucet54125.2021.9674953
	Central China Normal University. RSRP estimation method based on deep learning for urban areas： CN113644996A［P］. 2021-11-15. 10.1109/ucet54125.2021.9674953
20	ZHENG Y， ZHANG T， LIAO C， et al. RadioCycle： deep dual learning based radio map estimation ［J］. KSII Transactions on Internet and Information Systems， 2022， 16（11）： 3780-3797. 10.3837/tiis.2022.11.017
21	TIAN C， XU Y， ZUO W， et al. Coarse-to-fine CNN for image super-resolution ［J］. IEEE Transactions on Multimedia， 2020， 23： 1489-1502. 10.1109/tmm.2020.2999182
22	REN D， SHANG W， ZHU P， et al. Single image deraining using bilateral recurrent network ［J］. IEEE Transactions on Image Processing， 2020， 29： 6852-6863. 10.1109/tip.2020.2994443
23	RONNEBERGER O， FISCHER P， BROX T. U-net： convolutional networks for biomedical image segmentation ［C］// Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham： Springer， 2015： 234-241. 10.1007/978-3-319-24574-4_28
24	ISOLA P， ZHU J-Y， ZHOU T， et al. Image-to-image translation with conditional adversarial networks ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 5967-5976. 10.1109/cvpr.2017.632
25	MIRZA M， OSINDERO S. Conditional generative adversarial nets ［EB/OL］. ［2023-02-14］. .
26	GUO S， YAN Z， ZHANG K， et al. Toward convolutional blind denoising of real photographs ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019： 1712-1722. 10.1109/cvpr.2019.00181
27	IOFFE S， SZEGEDY C. Batch normalization： accelerating deep network training by reducing internal covariate shift ［C］// Proceedings of the 32nd International Conference on Machine Learning. New York： JMLR.org， 2015： 448-456.
28	KINGMA D P， BA J. Adam： a method for stochastic optimization ［EB/OL］. ［2022-12-08］. .

[1]	陈学斌, 任志强, 张宏扬. 联邦学习中的安全威胁与防御措施综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1663-1672.
[2]	姚梓豪, 栗远明, 马自强, 李扬, 魏良根. 基于机器学习的多目标缓存侧信道攻击检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1862-1871.
[3]	佘维, 李阳, 钟李红, 孔德锋, 田钊. 基于改进实数编码遗传算法的神经网络超参数优化[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 671-676.
[4]	李博, 黄建强, 黄东强, 王晓英. 基于异构平台的稀疏矩阵向量乘自适应计算优化[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3867-3875.
[5]	陈学斌, 屈昌盛. 面向联邦学习的后门攻击与防御综述[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3459-3469.
[6]	孙仁科, 皇甫志宇, 陈虎, 李仲年, 许新征. 神经架构搜索综述[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 2983-2994.
[7]	柴汶泽, 范菁, 孙书魁, 梁一鸣, 刘竟锋. 深度度量学习综述[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 2995-3010.
[8]	尹春勇, 周永成. 双端聚类的自动调整聚类联邦学习[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3011-3020.
[9]	崔昊阳, 张晖, 周雷, 杨春明, 李波, 赵旭剑. 有序规范实数对多相似度K最近邻分类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2673-2678.
[10]	钟静, 林晨, 盛志伟, 张仕斌. 基于汉明距离的量子K-Means算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2493-2498.
[11]	蓝梦婕, 蔡剑平, 孙岚. 非独立同分布数据下的自正则化联邦学习优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2073-2081.
[12]	黄晓辉, 杨凯铭, 凌嘉壕. 基于共享注意力的多智能体强化学习订单派送[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1620-1624.
[13]	郝劭辰, 卫孜钻, 马垚, 于丹, 陈永乐. 基于高效联邦学习算法的网络入侵检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1169-1175.
[14]	孙晓飞, 朱静远, 陈斌, 游恒志. 融合多模态数据的药物合成反应的虚拟筛选[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 622-629.
[15]	张军鹏, 施玉杰, 蒋睿, 董静静, 邱昌建. 基于脑电信号的认知功能障碍识别与分类进展综述[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3297-3308.

面向城区的基于图去噪的小区级RSRP估计方法

Image denoising-based cell-level RSRP estimation method for urban areas

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 28

相关文章 15

编辑推荐

Metrics