基于有限积分法和机器学习的场强分布预测方法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于实测的统计性方法 | 第10-11页 |
| 1.2.2 确定性方法 | 第11-12页 |
| 1.2.3 半统计半确定性方法 | 第12-13页 |
| 1.3 选题意义 | 第13页 |
| 1.4 本文主要内容及组织结构 | 第13-15页 |
| 第二章 场强预测的主要方法 | 第15-27页 |
| 2.1 统计性方法 | 第15-17页 |
| 2.1.1 Okumura-Hata模型 | 第15-16页 |
| 2.1.2 COST-231Hata模型 | 第16页 |
| 2.1.3 双射线模型 | 第16-17页 |
| 2.2 确定性方法 | 第17-22页 |
| 2.2.1 时域有限差分法 | 第18页 |
| 2.2.2 射线追踪算法 | 第18-22页 |
| 2.3 神经网络预测场强的常用方法 | 第22-25页 |
| 2.3.1 场强递归模型 | 第22-23页 |
| 2.3.2 射线追踪和神经网络的混合模型 | 第23-24页 |
| 2.3.3 源差分方法 | 第24-25页 |
| 2.4 总结 | 第25-27页 |
| 第三章 混合模型的建立 | 第27-49页 |
| 3.1 混合模型的建模思想 | 第27-29页 |
| 3.2 建立混合模型的方法 | 第29-32页 |
| 3.3 特征筛选 | 第32-33页 |
| 3.4 基于CST的电磁仿真二次开发 | 第33-45页 |
| 3.4.1 电磁仿真模块二次开发 | 第35-40页 |
| 3.4.2 CST中参数选择 | 第40页 |
| 3.4.3 CST仿真带来的误差 | 第40-41页 |
| 3.4.4 CST中加快仿真速度的方法 | 第41-42页 |
| 3.4.5 仿真实例 | 第42-45页 |
| 3.5 数据处理 | 第45-47页 |
| 3.5.1 数据合并及清洗 | 第45页 |
| 3.5.2 数据异常点的删除 | 第45-46页 |
| 3.5.3 数据集属性的可视化展示 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第四章 多种方法训练模型 | 第49-68页 |
| 4.1 问题概述 | 第49页 |
| 4.2 多层感知器 | 第49-54页 |
| 4.2.1 MATLAB神经网络参数设置 | 第50-51页 |
| 4.2.2 性能衡量方式 | 第51页 |
| 4.2.3 MLP神经网络的实现 | 第51-52页 |
| 4.2.4 模型表现 | 第52-54页 |
| 4.3 梯度提升决策树(GBDT) | 第54-56页 |
| 4.3.1 GBDT的原理 | 第54页 |
| 4.3.2 梯度提升算法 | 第54-55页 |
| 4.3.3 GBDT预测场强 | 第55-56页 |
| 4.3.4 模型表现 | 第56页 |
| 4.4 随机森林 | 第56-58页 |
| 4.4.1 随机森林概述 | 第56页 |
| 4.4.2 随机森林回归原理 | 第56-57页 |
| 4.4.3 构建随机森林模型 | 第57-58页 |
| 4.4.4 模型表现 | 第58页 |
| 4.5 XGBoost模型 | 第58-60页 |
| 4.5.1 XGBoost模型原理 | 第58-59页 |
| 4.5.2 模型表现 | 第59-60页 |
| 4.6 四种模型结果对比 | 第60页 |
| 4.7 远场区的场强计算 | 第60-66页 |
| 4.7.1 仿真实验 | 第60-62页 |
| 4.7.2 准确性评估 | 第62-66页 |
| 4.7.3 时间性能评估 | 第66页 |
| 4.8 本章小结 | 第66-68页 |
| 第五章 总结 | 第68-71页 |
| 5.1 论文工作总结 | 第68-69页 |
| 5.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文目录 | 第75页 |
