神经网络架构在无线通信射频地图预测中的性能对比研究

本项目由Luo-Chenxin开发，旨在系统性对比多种神经网络架构在射频地图预测任务中的性能，解决传统射频地图构建方法计算复杂、泛化性差等问题，为无线通信领域提供标准化评估平台，助力5G/6G网络规划与优化。项目涉及CNN、U-Net、GAN等主流架构，通过MSE、MAE等指标评估模型效果，应用场景涵盖网络规划、动态频谱管理等。

现代无线通信中，传统射频地图构建依赖射线追踪（计算复杂）、统计模型（泛化性差）等，难以适应5G/6G动态环境。深度学习方法具有数据驱动、端到端预测、快速推理等优势，可从历史数据学习信号传播规律，降低对物理模型的依赖。

本项目测试CNN（捕捉空间局部特征）、U-Net（融合多尺度特征）、GAN（生成高保真地图）、GNN（处理不规则场景）等架构。评估指标包括MSE、MAE、PSNR、SSIM，实验覆盖不同城市环境、频段及发射功率配置，为模型选择提供依据。

该技术可用于运营商优化基站部署、认知无线电系统智能频谱共享、无人机/车联网通信链路维持、室内定位导航等场景，降低实地测量成本，提升通信系统效率。

当前面临数据获取昂贵、模型泛化性不足、黑盒特性、实时性要求高等挑战。未来可探索物理知识与深度学习结合的混合模型、小样本迁移学习、不确定性量化及边缘设备轻量化部署等方向。

本项目为无线通信领域提供了神经网络架构的基准测试工具，帮助研究人员选择合适模型。随着6G与AI技术发展，射频地图预测将在智能网络、数字孪生等场景发挥重要作用，开源项目促进了技术协作与进步。