基于主路径的射线跟踪和神经网络混合场强预测模型
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 概述 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文结构安排 | 第10-12页 |
| 第二章 场强预测建模方法和神经网络 | 第12-21页 |
| 2.1 场强预测建模方法 | 第12-13页 |
| 2.1.1 统计模型 | 第12-13页 |
| 2.1.2 确定性模型 | 第13页 |
| 2.2 神经网络方法 | 第13-20页 |
| 2.2.1 神经网络的概述 | 第13-14页 |
| 2.2.2 神经网络的基本特点 | 第14-15页 |
| 2.2.3 神经网络的基本功能 | 第15-16页 |
| 2.2.4 神经网络的基本原理 | 第16-20页 |
| 2.2.5 神经网络的局限性 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 主路径射线跟踪建模 | 第21-39页 |
| 3.1 射线跟踪的理论基础 | 第21-27页 |
| 3.1.1 自由空间电波传播 | 第21-24页 |
| 3.1.2 反射场的计算 | 第24-27页 |
| 3.2 射线跟踪的方法 | 第27-28页 |
| 3.2.1 反向算法 | 第27页 |
| 3.2.2 正向算法 | 第27-28页 |
| 3.3 主路径射线跟踪方法的建立 | 第28-37页 |
| 3.3.1 主路径射线跟踪的整体算法流程图 | 第28-30页 |
| 3.3.2 场景模型信息提取 | 第30-32页 |
| 3.3.3 射线跟踪中的主路径 | 第32-35页 |
| 3.3.4 接收点场强的计算 | 第35-37页 |
| 3.4 算法小结 | 第37-39页 |
| 第四章 主路径RT-ANN混合预测模型 | 第39-50页 |
| 4.1 混合预测模型的概念 | 第39页 |
| 4.2 混合预测模型方法流程 | 第39-43页 |
| 4.2.1 混合模型中神经网络的训练 | 第40-42页 |
| 4.2.2 混合模型中神经网络的预测 | 第42-43页 |
| 4.3 应用实例 | 第43-49页 |
| 4.3.1 USRP测量 | 第43-45页 |
| 4.3.2 办公室场景 | 第45-47页 |
| 4.3.3 楼道场景 | 第47-49页 |
| 4.4 结论 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 发表论文和参与科研情况说明 | 第56-57页 |
| 致谢 | 第57-58页 |
