产品中心

基于MATLAB平台的电波传播可视化虚拟仿真研究,是南京邮电大学刘芫健教授科研团队主持的虚拟仿真实验教学项目,面向广大电子信息类专业的本科生构建开放共享的在线互动教学平台,致力于全面提升学生的实践能力与创新精神。项目始终贯彻“系统化、多元化、场景化”教学方法,依托MATLAB仿真技术和可视化技术,全方位覆盖课前预习、课堂教学、课后评测课外扩展致力于引导形成具有创新性、实践性、专业性的学习氛围

该平台有效预测室内外无线传播信道特性评估路径损耗、到达角度以及时延等信道参数形象生动地再现每一条电波传播路径动画,对于无线网络规划与设计具有重要理论意义和工程实用价值。产品特色包含:

算法高效精准

算法

算法描述

代表性算法

决策树

使用树状图或模型来学习决策规则

ID3C4.5CART

贝叶斯

使用贝叶斯准则来推断模型参数

朴素贝叶斯(Naïve Bayesian)

贝叶斯网络(Bayesian Network)

聚类

将相似的数据点聚成一类

K均值(K-mean)K近邻(K-Nearest NeighborKNN)、模糊C均值(Fuzzy C-meansFCM)DBSCANEM

分类

将数据点分到给定的类

AdaBoost、支持向量机(Support Vector MachineSVM)、相关向量机(Relevance Vector MachineRVM)

回归

学习数据集中变量之间的关系

Lasso、最小最大概率机(Minimax Probability MachineMPM)、高斯回归过程(Gaussian Process RegressionGPR)

降维

发掘数据集的内在结构,使用更少的信息来描述

主成分分析(Principal Component AnalysisPCA)、随机森林(Random Forests)

人工神经网络

受神经科学启发,具有多个神经元的数据处理网络

前向神经网络(Feedforward Neural network,FNN)、径向基函数神经网络(Radial Basis Function Neural Network,RBF-NN)、多层感知器(Multilayer Perceptron,MLP)、极限学习机(Extrem Learning Machine,ELM)、小波神经网络(Wavelet Neural Network,WNN)

深度学习

通过由非线性处理单元构成的多层级联来进行特征提取与变换

卷积神经网络(Convolution Neural Neteork,CNN)、递归神经网络(Recurrent Neural Network,RNN)、深度置信网络(Deep Belief Network,DBN)、深度玻尔兹曼机(Deep Boltzmann Machine,DBM)

 

信道参数预测

 

传统聚类方法

内容

典型算法

基于层次的方法

对样本集合进行层次化的聚类,或自下而上相继合并相近的簇,或自上而下将簇分解为更小的簇,直到终止条件。

BIRCH算法、ROCK算法

基于划分的方法

根据样本间的距离构建数据集合的k个划分,需要创建一个初始化划分,使用迭代重定位的方式寻找最佳簇结构,划分好坏的判定准则是在相同簇中的样本之间的相似度和不同簇中样本之间的相异度。

K-mean算法、K-mediods算法

基于密度的方法

基于划分的方法仅仅能够识别凸形簇,由此出现了基于密度的聚类方法,此方法的基本思想是根据样本点的局部密度进行聚类

DBSCAN

基于模型的方法

此类方法为簇划分的每一个规定了一个拟合分布,探索样本分布与既定模型间的最优拟合,它的基本先验是数据由内在的概率分布生成,包括网络神经方法和统计学方法两种

COBWEBSOM算法

基于网格的方法

基于网格的算法把数据所在的实例空间划分为网格结构的若干数量的单元进行分簇操作,因为分簇划分只在网格结构上划分,其效率只与网格数目有关,聚类速度很快,但也牺牲了精确性

STING算法



算法

应用

RBF-NN

根据测量数据预测路径损耗。输入:收发天线高度、收发天线距离、载频与调节范围;输出:路径损耗。

SVM

根据测量数据预测路径损耗。

RVM

估计到达角。首先使用稀疏的RVM在设定的空间网格上获取粗略的信号位置,然后通过搜索得到精确的角度估计结果。

K-means、FCMDBSCAN

对多径进行分簇与追踪

MLP

预测室外环境下的接收信号强度。输入:收发天线距离和绕射损耗,输出:接收信号强度。

CNN

基于信道测量数据提取信道特征,自动识别不同的无线信道。输入:通过SAGE算法提取的幅度、时延、多普勒频移等多径参数;输出:无线信道的类别。

FNN、RBF-NN

预测射线发射仿真中的中间点,获取室内环境下的接收功率


室内外环境建模


可视化交互界面


全阶段教学支持