文献综述（或调研报告）：
在未来的移动通信网络中，无人飞行器（UAV）有望发挥重要的作用[1]。无论是利用无人机作为平台辅助无线通信或者将无人机连接到蜂窝网络中都具有广泛应用前景。然而即使在蜂窝系统已经历了数次革命性发展的今天，空中仍然存在大量的覆盖空洞。即使将来的5G蜂窝网络含有为新型无人飞行器提供服务的设计也不太可能实现对低空的完全覆盖。而且由于网联飞行器与非关联基站具有强直射路径的可能很高，这种覆盖不连续的问题会被飞行器受到的干扰所加剧。但与地面用户设备易于随机移动不同，无人飞行器的移动路线通常可以得到一定的控制。只要知晓飞行区域各处的信号覆盖强度，就有可能规避上述的覆盖空洞。因此，构建一张无线射频地图（radio map）就显得十分的必要。
Radio map通常指的是信号功率谱密度地图，是无线射频信号在时间、位置和频率上的分布。基站信号在复杂的城市环境里反射、衰落、叠加，构成了一张复杂的radio map。不论是无线通信网络的规划还是无人机的导航，radio map都是不可或缺的一部分。依据蜂窝基站的发射信号对城市环境的radio map进行建模是一个具有创新性的想法。Radio map的构建需要知晓不同位置的路径损耗。随着时代的发展，学界提出了许多能快速且精确的计算路径损耗的方法。
由于构建radio map所需的数据较为庞大，所以这些方法均试图在计算路径损耗的速度与精确性间取得一定的平衡。随着时代的进步，新的方法能在两者间都取得更好的效果，但也都各有优劣之处。目前学界主要应用了以下几种方法来计算路径损耗：
- 基于路径损耗模型
基于路径损耗模型来计算路径损耗的方法是最传统也是最原始的方法。这种方法最初是利用基础的电磁传播原理去计算信号在不同位置的分布。但若完全依照路径衰落、阴影衰落、多径衰落等公式去计算衰落则由于复杂的传播环境与算力的不足而难以实行。于是人们针对不同的环境提出了许多基于实测数据的经验模型，包括城市宏小区、城市微小区等[2]。奥村模型[3]是城市宏小区中信号预测最常用的模型之一。其基于奥村对东京地区基站到移动台的信号传播衰减进行的大量测量，给出了经验曲线图。[3]中给出了奥村模型的经验路径损耗公式与不同地形的矫正因子，使其更适用于不同的情况。但与实测的误差标准差约为10dB~14dB。而哈塔模型[4]则将奥村的曲线图拟合为经验公式，简化计算。这些常用的统计模型将路径损耗近似为点之间距离的衰减函数。然而，在复杂的真实传播环境中，这种径向对称函数并不精确，会产生误导性的结果。
- 基于城市的主导路径预测模型
基于城市的主导路径预测模型的方法在一定程度上克服了经验模型的缺点，如在城市场景中，信号通过直射穿过屋顶时，并不是总是占主导地位，因为信号是高度衰减的。将模型聚焦在这条路径上必然会导致错误，因为在这种情况下，屋顶上的传播只占接收信号总功率的很小一部分[5]。而多径传播时，传统的射线追踪模型需要计算大量的射线，且对建筑数据的精准度要求非常高。这导致射线追踪模型的计算时间很长。而[5]中提出的方法基于大多数情况下，只需2或3条射线就贡献了超过95%的能量，也就是说，聚焦在这些主要射线上，精度就足够了。[5]中提出的方法可以在较短的时间内计算出较高精度的数据，且适用于大规模的场景，能较好的计算出不同位置的路径损耗。
- 基于支持向量回归的城市环境路径损耗预测
基于支持向量回归的城市环境路径损耗预测方法是一种利用支持向量机技术来预测无线信道特性的方法[6]。使用支持向量机的主要优点是不存在局部极小值、解的稀疏性和通过优化裕度获得的容量控制[7]。近年来，使用机器学习对无线网络系统进行规划和优化是研究者所热衷的方法。而多层感知器人工神经网络（MLP-ANN）也已成功地应用于农村、城市、郊区和室内环境[8][9][10]。通过采用合适的核函数与参数，该方法能够较好的克服MLP-ANN训练时间过长，计算复杂度过高的问题。[6]中采用了三种不同的核函数：多项式核函数、高斯核函数与拉普拉斯核函数进行训练，最终表明只要采用的核函数与参数适当，支持向量回归方法得到的效果与MLP神经网络相似。然而该方法不论是计算速度还是精确度均逊于基于卷积神经网络的路径损耗估计[11]。
- 基于卷积神经网络的路径损耗估计
基于卷积神经网络（CNN）的路径损耗估计利用训练好的CNN来估计路径损耗。在给定城市建筑几何结构与基站的前提下构建radio map[11]。与支持向量机的方法相似，CNN也是机器学习算法中的一种。[11]中所使用的基于CNN的方法优于以往基于径向基函数插值[12]和张量补全[13]的方法，这种方法称之为RadioUNet。RadioUNet是一种基于UNet[17]的CNN特殊体系结构。该方法利用OSM[14]的真实城市场景辅以winprop[16]软件来仿真得到射频地图相关的数据作为训练数据集。其中winprop软件使用主导路径损耗模型[5]进行计算。RadioUNet使用Adam[15]方式进行训练。最终得出的神经网络误差只有10-2的标准化均方误差，与物理模拟的精度[5]相当,且速度快上约3个数量级。这是目前计算路径损耗时在准确度与速度都最优的方法之一。
上述几种方法均可用于计算路径损耗。但基于路径损耗模型的方法精度不高较为落后，而基于支持向量回归的城市环境路径损耗预测应用较为复杂，实用性不高。主导路径模型能够获得精确的结果，但需要较长的计算时间。综合而言，基于卷积神经网络的路径损耗估计更值得尝试与推广。同时这些方法多是对基于二维平面的信号覆盖强度进行近似与预测，少有三维空间的路径损耗计算。少数仿真软件如winprop[16]利用主导路径模型[5]可以对三维空间的信号分布进行建模计算，但计算量大，需要长时间计算。利用类似于RadioUNet的方法去计算三维空间不同位置的路径损耗，构建三维的radio map是一个值得尝试的方向。
【参考文献】
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
