PulseAugur
中
实时 08:56:50
English(EN) Scene-Conditioned PINN-GNN for Multipath RF Maps: Cross-Scene Generation and In-Scene Completion

新的PINN-GNN框架增强了用于无线优化的射频地图构建

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的框架，结合了物理信息神经网络（PINN）和图神经网络（GNN）来构建射频（RF）地图。该方法支持从不同场景生成新的射频地图并补全现有地图，同时还能处理二维和2.5D环境数据。PINN整合了电磁传播规则，以确保从接收器位置到多径参数映射的物理一致性，而GNN则对附近接收器之间的空间相关性进行建模。实验表明，该方法在准确性和泛化性方面优于现有的基于图像、基于扩散和基于插值的方法，尤其是在数据有限的条件下。 AI

影响 该新框架通过从稀疏数据中构建更准确的射频地图，有望改善信道建模和无线优化。

排序理由 该集群包含一篇详细介绍射频地图构建新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的PINN-GNN框架增强了用于无线优化的射频地图构建

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Lizhou Liu, Xiaohui Chen, Zihan Tang, Mengyao Ma, Wenyi Zhang ·

    Scene-Conditioned PINN-GNN for Multipath RF Maps: Cross-Scene Generation and In-Scene Completion

    arXiv:2607.01777v1 Announce Type: cross Abstract: Radio frequency (RF) maps provide a compact representation of multipath propagation characteristics and are fundamental to channel modeling, coverage analysis, and environment-aware wireless optimization. This paper proposes a uni…

相关实体

相关话题