基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值，存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave，CW）测试，对无线信号穿墙损耗的影响因素和变化规律进行分析，提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法，对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则，在实际场景下具有良好的预测准确度。     

基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值，存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave，CW）测试，对无线信号穿墙损耗的影响因素和变化规律进行分析，提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法，对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则，在实际场景下具有良好的预测准确度。     

利用无线通信链路进行基于深度学习的大雾天气监测

为了以低成本、高时空分辨率进行大雾天气监测，提出一种利用无线通信链路进行基于深度学习的大雾天气监测方法。由于信道中不同浓度的大雾天气在信号中留有的特征不同，采集了4种不同浓度大雾下的无线电信号，建立无线电大雾天气监测数据集；通过在传统ResNet50网络中引入注意力机制并进行特征融合，得到改进后的A-ResNet50模型。利用A-ResNet50网络提取接收信号中留有的不同浓度大雾天气的特征，对四类不同浓度大雾天气进行分类识别，达到监测大雾天气的目的。所提方法在建立的数据集上进行了验证，相较于其他传统分类算法，本方法性能最优，最终识别准确率达到86.18 %，结果证明了该方法的可行性和有效性。