基于密集连接自编码器的频谱补全算法研究

《AI》:Investigation into the Spectral Completion Algorithm Leveraging Dense Connection Autoencoders

【字体: 大 中 小 】 时间:2026年08月12日 来源:AI 6.5

编辑推荐:

  无线电环境图(REM)的构建常受限于稀疏且分布不均的频谱测量数据。现有补全方法主要针对功率谱密度(PSD)数据在随机缺失模式下的处理,而参考信号接收功率(RSRP)图在结构化数据丢失下的重建问题仍未得到充分探索。本研究针对这一空白,提出了一种全卷积密集连接自编

  
无线电环境图(REM)的构建常受限于稀疏且分布不均的频谱测量数据。现有补全方法主要针对功率谱密度(PSD)数据在随机缺失模式下的处理,而参考信号接收功率(RSRP)图在结构化数据丢失下的重建问题仍未得到充分探索。本研究针对这一空白,提出了一种全卷积密集连接自编码器(AE)用于RSRP图补全。编码器堆叠密集块和过渡层,瓶颈层保留潜在表示,解码器通过转置卷积恢复空间分辨率。研究引入了全局和局部跳跃连接以融合大尺度结构与细粒度细节。复合损失函数分别监督观测区域和缺失区域,在保持已知测量保真度的同时改进未观测网格点的推断。在公开DeepREM数据集上的随机、空间块状和条带状缺失模式实验表明,该方法在大多数测试设置下取得了最佳或可比的补全精度,在具有挑战性的空间块状缺失场景下,性能增益最为显著。
随着5G、物联网(IoT)、智慧城市及互联网+等新兴技术的大规模部署,射频(RF)设备广泛分布于各类场景,频谱资源需求快速增长。电磁频谱作为认知无线电系统和现代电子信息技术的核心媒介,已成为关键战略资源,其固有稀缺性日益凸显。无线电环境图(REM)由Zhao等人于2006年提出,通过整合地理信息表征电磁环境在时间、频率、空间和能量维度上的分布,为数据驱动的频谱管理提供直接精准的支持。然而,由于频谱感知设备有限、地理环境复杂及存储资源受限,实际频谱采样数据往往高度稀疏且分布不均,严重制约了REM的精度与实用性。

现有REM生成技术分为基于模型的方法、基于数据的方法及二者混合的方法三类。基于模型的方法包括先验信息正演建模、发射机位置估计和接收信号强度(RSS)差分方法。基于数据的空间插值方法中,反距离加权(IDW)以距离加权平均估计未观测点,薄板样条(TPS)拟合全局光滑曲面,克里金(Kriging)通过变差函数建模空间相关性并提供不确定性估计。但随缺失率升高,插值曲面趋于全局均值;在大面积连续块状遮挡下,Kriging缺乏局部邻域信息,精度严重退化。低秩矩阵补全将无线电图建模为近似低秩矩阵,通过核范数最小化恢复缺失项,但复杂传播环境引入的高秩局部结构及结构化缺失模式常违反其理论假设。机器学习回归模型虽在逐点RSRP估计中取得较高训练精度,但基于特征向量而非空间上下文,无法建模完整无线电图的空间一致性。

深度学习凭借从无线电图像中直接学习分层空间特征的数据驱动能力,克服了上述局限。基于卷积神经网络(CNN)的编码器-解码器架构在图像补全领域展现了强大性能,如Context Encoders、U-Net等。频谱制图领域已有研究提出深度卷积自编码器构建PSD图、全卷积残差自编码器用于数据受限条件、空间增强通道注意力机制捕捉长程依赖等。生成对抗网络(GAN)通过对抗训练产生视觉上合理的重建结果,但存在训练不稳定、模式坍缩及缺乏保持观测测量保真度的显式机制等问题。现有深度学习方法主要针对PSD数据在随机缺失模式下的处理,对RSRP在结构化数据丢失下的补全研究不足。RSRP作为LTE/5G网络中的主要覆盖指标,具有独特的统计特性,PSD导向方法的直接迁移会导致性能次优。实际频谱测量中数据缺失源于多种物理过程:终端上报随机丢包产生散乱缺失点;建筑遮挡、禁飞区形成连续空间块状缺失;中断的路测、无人机(UAV)轨迹间断导致整行连续缺失。这些局限共同促使研究者开发专门针对RSRP的补全框架,显式处理结构化缺失模式同时保障观测数据保真度。

研究人员以RSRP数据为研究对象,提出基于密集连接自编码器的REM补全方法。在公开DeepREM数据集上,系统设计了随机、空间块状、条带状三种典型结构缺失模式及混合复合缺失场景,构建了带独立复合损失的全卷积密集连接自编码器。该方法在0.3至0.9采样率范围内取得有竞争力的重建精度,在空间块状缺失等结构化缺失场景下优势最为显著。研究证实了密集连接和复合损失设计的有效性,为稀疏RSRP条件下高精度REM生成提供了可靠支持,在蜂窝覆盖评估、无人机频谱巡检及认知无线电态势感知等实际场景中具有应用潜力。论文发表在《AI》。

研究人员采用的主要关键技术方法包括:其一,构建全卷积密集连接自编码器(AE)架构,编码器堆叠密集块和过渡层,瓶颈层保留潜在表示,解码器通过转置卷积上采样块和密集块恢复空间分辨率;其二,引入全局和局部跳跃连接融合全局结构与局部细节,全局跳跃连接通过逐元素加法将初始特征直接传递至解码器输出,局部跳跃连接经双线性插值空间对齐后在各编码器阶段与对应解码器阶段融合;其三,设计复合损失函数分别监督观测区域和缺失区域,由均方误差(MSE)损失和辅助L1损失组成,观测点使用完整强度梯度,缺失点按权重缩放;其四,基于公开DeepREM数据集开展实验,该数据集由Altair WinProp仿真平台采用射频光线追踪物理模型生成,包含1800幅单发射机RSRP频谱图,数据集随机划分为训练/验证/测试集70%/15%/15%,并通过min-max归一化后注入莱斯分布扰动以增强泛化性。

**3.1 数据集描述。** 研究使用开源DeepREM数据集,该数据集由Altair WinProp仿真平台采用射频光线追踪物理模型生成,RSRP值根据给定信道增益参数计算,包含1800幅单发射机RSRP频谱图,生成过程中集成数字高程模型和建筑地图,比传统统计传播模型更接近实际接收功率分布。为测试跨无线环境泛化能力,在min-max归一化后注入莱斯分布扰动,通过莱斯因子K设定视距与非视距分量功率比,尺度参数σ设定噪声幅度。

**3.2 数据划分与训练参数。** 全部样本按70%/15%/15%随机划分为训练集1260幅、验证集270幅和测试集270幅。预处理包括:低于-200 dBm的异常值裁剪、统一缩放至224×224尺寸、逐样本min-max归一化至[0,1]、归一化域注入K=1.0和σ=0.05的莱斯分布扰动、训练阶段随机水平垂直翻转增强。网络采用单通道224×224输入,初始卷积核3×3产生64个特征图,每个密集块含4层卷积且增长率为32,过渡层减半空间分辨率并控制通道数,瓶颈密集块保持320通道。模型训练60个epoch,批大小32,Adam优化器初始学习率1e-3,采用余弦退火暖重启调度器,复合损失权重λ=1.0,L1正则系数α=0.1,梯度裁剪全局范数1.0。采用动态掩码再生、验证集检查点选择、严格数据集划分等正则化策略防止过拟合。评估采用观测区域指标、缺失区域指标和全图指标六项度量,以缺失区域归一化均方误差(NMSE)为主要评价标准。

**3.3 重建性能分析。** 在0.5采样率下,方法在三种缺失模式下均保持高重建质量,全图SSIM超过0.75,PSNR超过23.6 dB。三种模式难度不同:空间缺失最难,条带状缺失次之,随机缺失最简单。随机缺失收敛最快,第五个epoch即达最佳性能的90%;条带状缺失感知质量最佳,SSIM=0.7636且最稳定;空间缺失NMSE约为随机缺失的两倍。观测区域失真可忽略,观测区域RMSE比缺失区域低5至14倍。与Deep AE、Deep Kriging、ResNet AE和全卷积残差AE相比,方法在0.9、0.7和0.3三种采样率下取得最佳或可比精度,且随缺失模式结构化程度提高优势更明显。0.7采样率下,随机缺失模式与ResNet AE接近但略优;条带状缺失PSNR比ResNet AE高1.88 dB;空间缺失PSNR高3.21 dB。Deep Kriging在所有模式下均表现不佳,尤其结构化缺失下严重退化。全卷积残差AE由于对抗训练缺乏区域特定监督,不仅补全效果有限,还扭曲已知观测点。混合缺失模式下性能介于随机缺失和空间块状缺失之间,观测区域保真度不受影响。消融实验表明,移除密集连接使参数减少64.7%但SSIM从0.8802降至0.6666;移除密集瓶颈导致NMSE从0.0047升至0.0065,PSNR下降6.5 dB;以普通MSE替代复合损失使SSIM从0.8802降至0.6722,PSNR从36.69 dB降至34.95 dB,证实L1辅助项在保持局部边缘和细节方面的关键作用。

**3.4 噪声敏感性分析。** 在0.3采样率下设计噪声模型敏感性实验,分别检验莱斯K因子{0,1,3,5}和噪声尺度σ{0.01,0.05,0.10}的影响。σ的影响单调且显著,从0.01增至0.05使NMSEmiss上升约0.003-0.004,增至0.10则放大2-3倍;K因子在[0,5]范围内影响较小,NMSEmiss变化不超过0.003,表明对莱斯与瑞利选择不敏感。默认配置K=1、σ=0.05在所有条件下均取得稳定且有竞争力的性能。

**3.5 计算效率。** 模型仅含3.17M参数,1×224×224输入需78.87G乘累加操作(MACs),推理峰值GPU内存仅0.307 GB。批大小1时平均推理时间32.79 ms/幅,批大小32时为12.90 ms/幅,可在消费级笔记本GPU上近实时运行。训练每epoch约32.9秒,完整60 epoch训练约33分钟。

**4 讨论。** 方法在结构化缺失模式下性能增益最显著,归因于两个核心设计:密集块编码器-解码器架构充分捕捉电磁传播的长程空间相关性,可利用周围有效测量推断连续缺失区域信号分布;全局跳跃连接保留原始测量点的细粒度空间特征,避免多层下采样和上采样导致的边界细节模糊。局限性包括:缺失率超过90%时所有方法精度均显著下降;模型在城域宏蜂窝传播场景训练验证,对密集城市峡谷或山区等高度异构场景需进一步验证泛化性;当前方法聚焦静态单频REM重建,未考虑频谱占用的时间动态特性。方法以RSRP为研究对象,该指标是覆盖强度指示但不表征干扰或噪声受限链路质量,架构可扩展至RSRQ、SINR、RSSI或PSD图,但需进行指标特定归一化、复合损失权重重调及独立验证。工程应用方面,对路测蜂窝覆盖评估可减少测量点并降低成本,对UAV频谱监测可有限航线下实现高精度全域测绘。

**5 结论。** 针对稀疏非均匀测量条件下高精度无线电环境图重建的挑战,本文提出一种带全局跳跃连接的密集块编码器-解码器重建网络,并在三种典型缺失模式下系统评估其性能。在公开DeepREM数据集上,方法在0.3至0.9采样率范围内取得有竞争力的重建精度,在空间块状缺失这一挑战性场景下优势最为显著。实验结果表明,方法在所有测试缺失模式和缺失率下均一致优于传统插值和基线深度学习方法,尤其条带状和空间缺失等结构化场景下优势明显,验证了网络设计在利用空间传播相关性方面的有效性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号