RainGaugeNet:基于CSI的Sub-6 GHz降雨衰减测量和分类用于ISAC应用

一、文献基础信息

标题:RainGaugeNet: CSI-Based Sub-6 GHz Rainfall Attenuation Measurement and Classification for ISAC Applications(RainGaugeNet:基于CSI的Sub-6 GHz降雨衰减测量和分类用于ISAC应用)

作者:Yan Li, Jie Yang, Yixuan Huang, Tao Yang, Chao-Kai Wen, Shi Jin

来源:IEEE Transactions on Communications,2025

DOI/链接:10.1109/TCOMM.2025.3606633

分类标签:开题阶段-方法类-低频段测雨

二、文献核心内容

1. 研究问题:传统降雨监测(如雨量计、雷达、卫星)在精度、覆盖和基础设施上存在局限,如何利用ISAC框架下的Sub-6 GHz CSI测量雨致衰减,并克服水分积累和无关干扰,实现准确降雨分类?特别是在Sub-6 GHz频段(通常认为衰减可忽略)中,如何提取细粒度特征?

2. 核心方法:

  • 衰减测量:使用功率延迟剖面(PDP)拟合幂律衰减模型(最小均方误差拟合前400 ns数据),分析RSS均值/方差、时延扩散和多普勒效应。

  • 分类框架:预处理CSI生成PDP矩阵,提取空间(多路径)和时间(连续快照)特征;RainGaugeNet-R使用ResNet1D块分别处理空间(单个PDP)和时间(20秒序列)特征,后接全连接层分类;RainGaugeNet-T直接用Transformer编码器建模时空特征,无需分离处理。

  • 损失函数:交叉熵,优化器Adam,学习率调度。

3. 实验设计:

  • 数据来源:四个环境(LoS/NLoS),三种雨强(轻/中/重),使用华为Mate 60 Pro和Keysight N4010A设备采集CSI(2.8 GHz,垂直极化),总数据集覆盖不同天气条件;基准模型包括RSS-Net、CNN、Single(单快照)。

  • 评估指标:准确率、混淆矩阵、FLOPs(计算复杂度);交叉验证,分LoS/NLoS场景测试鲁棒性。

  • 对比实验:与SOTA基线比较性能、复杂度;分析不同雨强和环境的敏感性。

4. 核心结果:

  • 衰减分析:雨致衰减存在,RSS均值随雨强下降,方差增加;时延扩散在降雨开始显著增加,多普勒效应轻微。

  • 分类性能:RainGaugeNet-R在LoS达95%、NLoS 85%;RainGaugeNet-T在LoS 90%、NLoS 99%,鲁棒性更强;优于基线(RSS-Net 50-89%、CNN 34-90%),复杂度低(FLOPs较低)。

  • 鲁棒性:整合时序特征克服单快照局限,Transformer变体处理干扰更好。

5. 局限性:水分积累(如天线水膜)引入额外衰减,需进一步建模;数据集限于特定环境和频段,泛化需更多验证;Sub-6 GHz衰减较弱,轻雨分类挑战大;未考虑混合相降水或极端天气。

三、与我的课题关联

1. 可复用内容:RainGaugeNet框架可整合到课题RNN模型中,利用PDP和时序特征提升CSI降雨分类精度;引用场景:Sub-6 GHz ISAC降雨监测,与前述微波链路方法结合。

  • 数据集相关:自定义数据集,覆盖LoS/NLoS和不同雨强。

  • 方法相关:[19] ITU-R模型(雨衰减预测);[26] Fang et al.(天气对无线电影响);[45] Mello et al.(雨衰减预测模型)。

2. 待改进方向:/

3. 引用场景:/

四、疑问和待跟进

1. 疑问:/

2. 待跟进:/

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/1144536.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python真题库之CCF GESP 2024年12月认证 Python 4级试题含正确答案与解析(考级教程与教材)

系列文章 《GESP系列教程之 什么是GESP?》 《GESP 认证标准之 Python 编程一级标准(考试大纲与要求含考试真题)》 《GESP 认证标准之 Python 编程二级标准(考试大纲与要求含考试真题)》 《GESP 认证标准之 Python 编程三级标准(考试大纲与要求含考试真题)》 《GESP …

中文文本情感分类教程:StructBERT模型应用详解

中文文本情感分类教程:StructBERT模型应用详解 1. 引言:中文情感分析的重要性与挑战 在当今信息爆炸的时代,中文互联网每天产生海量的用户评论、社交媒体内容和产品反馈。如何从这些非结构化文本中快速提取情绪倾向,成为企业舆情…

AI智能体数据流水线搭建:从采集到分析全流程,3块钱搞定POC

AI智能体数据流水线搭建:从采集到分析全流程,3块钱搞定POC 1. 为什么你需要这个方案? 想象一下这样的场景:周一晨会上老板突然问"这个实时用户行为分析方案到底靠不靠谱?",而公司的测试环境被项…

基于PLC的污水处理:组态王动画仿真、源代码、图纸及IO地址分配

基于plc的污水处理,组态王动画仿真,带PLC源代码,组态王源代码,图纸,IO地址分配 最近在搞一个PLC控制的污水处理项目,发现用组态王做动画仿真真是绝配。今天就把实战中攒的干货甩出来,包括西门子S7-1200的梯…

StructBERT部署案例:用户反馈分析实战

StructBERT部署案例:用户反馈分析实战 1. 背景与应用场景 在当今以用户体验为核心的产品运营体系中,用户反馈的情感倾向分析已成为企业优化服务、提升满意度的重要手段。无论是电商平台的评论、客服对话记录,还是社交媒体上的讨论&#xff…

Python真题库之CCF GESP 2024年12月认证 Python 5级试题含正确答案与解析(考级教程与教材)

系列文章 《GESP系列教程之 什么是GESP?》 《GESP 认证标准之 Python 编程一级标准(考试大纲与要求含考试真题)》 《GESP 认证标准之 Python 编程二级标准(考试大纲与要求含考试真题)》 《GESP 认证标准之 Python 编程三级标准(考试大纲与要求含考试真题)》 《GESP …

智能驾驶AI体仿真:云端GPU加速训练过程

智能驾驶AI体仿真:云端GPU加速训练过程 引言 想象一下,你正在训练一位新手司机。如果只能在一条200米的小路上反复练习,要多久才能掌握复杂路况?传统自动驾驶算法训练就像这个场景,受限于本地GPU算力,每次…

Mac用户福音:无需显卡跑AI智能体,云端按分钟计费

Mac用户福音:无需显卡跑AI智能体,云端按分钟计费 1. 为什么Mac用户需要云端AI智能体? 作为Mac用户,你可能已经注意到AI智能体正在改变我们的工作方式。这些智能助手可以帮你写代码、分析数据、生成报告,甚至自动完成…

Python真题库之CCF GESP 2024年12月认证 Python 6级试题含正确答案与解析(考级教程与教材)

系列文章 《GESP系列教程之 什么是GESP?》 《GESP 认证标准之 Python 编程一级标准(考试大纲与要求含考试真题)》 《GESP 认证标准之 Python 编程二级标准(考试大纲与要求含考试真题)》 《GESP 认证标准之 Python 编程三级标准(考试大纲与要求含考试真题)》 《GESP …

StructBERT轻量级情感分析:CPU优化部署实战

StructBERT轻量级情感分析:CPU优化部署实战 1. 中文情感分析的现实需求与挑战 在当今数字化时代,用户生成内容(UGC)呈爆炸式增长,社交媒体、电商平台、客服系统中每天产生海量中文文本。如何从中快速识别用户情绪倾向…

AI红蓝对抗沙盒:预装攻防工具集,团队协作不抢资源

AI红蓝对抗沙盒:预装攻防工具集,团队协作不抢资源 引言:为什么企业需要AI红蓝对抗沙盒? 想象一下,你的企业安全团队正在进行一场网络安全演练。红队(攻击方)正在尝试突破防线,蓝队…

Python真题库之CCF GESP 2024年12月认证 Python 1级试题含正确答案与解析(考级教程与教材)

系列文章 《GESP系列教程之 什么是GESP?》 《GESP 认证标准之 Python 编程一级标准(考试大纲与要求含考试真题)》 《GESP 认证标准之 Python 编程二级标准(考试大纲与要求含考试真题)》 《GESP 认证标准之 Python 编程三级标准(考试大纲与要求含考试真题)》 《GESP …

中文情感分析实战:StructBERT轻量版部署案例

中文情感分析实战:StructBERT轻量版部署案例 1. 引言:中文情感分析的现实需求 在社交媒体、电商评论、用户反馈等场景中,海量中文文本背后蕴含着丰富的情感信息。如何快速、准确地识别这些情绪倾向,已成为企业洞察用户心理、优化…

中文情感分析技术前沿:StructBERT轻量版创新

中文情感分析技术前沿:StructBERT轻量版创新 1. 引言:中文情感分析的技术演进与现实需求 随着社交媒体、电商平台和用户评论系统的普及,中文情感分析已成为自然语言处理(NLP)领域最具实用价值的方向之一。企业需要从…

中文情感分析模型应用:StructBERT实战教程

中文情感分析模型应用:StructBERT实战教程 1. 引言:中文情感分析的现实价值 在社交媒体、电商评论、用户反馈等大量非结构化文本数据中,中文情感分析已成为企业洞察用户情绪、优化产品体验的关键技术。通过自动化识别用户表达中的情绪倾向&…

中文文本情感分析API:StructBERT教程

中文文本情感分析API:StructBERT教程 1. 引言:中文情感分析的现实需求 在当今信息爆炸的时代,用户每天在社交媒体、电商平台、评论区等场景中产生海量的中文文本数据。如何从这些非结构化文本中快速提取情绪倾向,成为企业洞察用…

【测试用例设计方法论】如何构建“可定位、可维护、不漏测”的用例体系

目录 一、测试用例开发的总体方法论框架 二、第一性原则:先建「覆盖模型」,再写用例 1)覆盖模型有哪些(通用) 三、用例颗粒度怎么把握:1 个用例还是多个用例? 1)一个好用例的“边界” 2)什么时候拆成多个用例 3)什么时候合并成一个用例(可以) 四、推荐的颗粒度分层…

中文文本情绪识别部署:StructBERT轻量版环境配置

中文文本情绪识别部署:StructBERT轻量版环境配置 1. 引言:中文情感分析的现实需求 在当今信息爆炸的时代,中文互联网每天产生海量的用户评论、社交媒体内容和客户反馈。如何从这些非结构化文本中快速提取情绪倾向,成为企业舆情监…

中文文本情感分析教程:StructBERT实战

中文文本情感分析教程:StructBERT实战 1. 引言:中文情感分析的现实价值 在社交媒体、电商评论、用户反馈等场景中,海量中文文本背后隐藏着丰富的情绪信息。如何自动识别这些情绪倾向——是满意还是不满?是推荐还是投诉&#xff…

中文情感分析实战:StructBERT模型应用全指南

中文情感分析实战:StructBERT模型应用全指南 1. 引言:中文情感分析的现实价值与挑战 在社交媒体、电商评论、客服对话等场景中,用户生成的中文文本蕴含着丰富的情感信息。如何自动识别这些文本的情绪倾向——是满意还是不满,是推…