مقاله ACT-GAN: ساخت نقشه رادیویی بر اساس شبکه های متخاصم مولد با بلوک های ACT

چکیده

The radio map, serving as a visual representation of electromagnetic spatial characteristics, plays a pivotal role in assessment of wireless communication networks and radio monitoring coverage. Addressing the issue of low accuracy existing in the current radio map construction, this paper presents a novel radio map construction method based on generative adversarial network (GAN) in which the Aggregated Contextual-Transformation (AOT) block, Convolutional Block Attention Module (CBAM), and Transposed Convolution (T-Conv) block are applied to the generator, and we name it as ACT-GAN. It significantly improves the reconstruction accuracy and local texture of the radio maps. The performance of ACT-GAN across three different scenarios is demonstrated. Experiment results reveal that in the scenario without sparse discrete observations, the proposed method reduces the root mean square error (RMSE) by 14.6% in comparison to the state-of-the-art models. In the scenario with sparse discrete observations, the RMSE is diminished by 13.2%. Furthermore, the predictive results of the proposed model show a more lucid representation of electromagnetic spatial field distribution. To verify the universality of this model in radio map construction tasks, the scenario of unknown radio emission source is investigated. The results indicate that the proposed model is robust radio map construction and accurate in predicting the location of the emission source.

چکیده به فارسی (ترجمه ماشینی)

نقشه رادیویی ، که به عنوان نمایانگر بصری از خصوصیات مکانی الکترومغناطیسی است ، نقش مهمی در ارزیابی شبکه های ارتباطی بی سیم و پوشش نظارت رادیو دارد.این مقاله با پرداختن به مسئله دقت کم موجود در ساخت نقشه رادیویی فعلی ، یک روش جدید ساخت و ساز نقشه رادیویی را بر اساس شبکه مخالف تولید کننده (GAN) ارائه می دهد که در آن بلوک انتقال متنی (AOT) جمع شده ، ماژول توجه بلوک Convolutional (CBAM)، و بلوک Convolution (T-CONV) برای ژنراتور اعمال می شود ، و ما آن را به عنوان ACT-GAN نامگذاری می کنیم.این به طور قابل توجهی دقت بازسازی و بافت محلی نقشه های رادیویی را بهبود می بخشد.عملکرد ACT-GAN در سه سناریو مختلف نشان داده شده است.نتایج آزمایش نشان می دهد که در سناریو بدون مشاهدات گسسته پراکنده ، روش پیشنهادی در مقایسه با مدلهای مدرن ، میانگین خطای مربع (RMSE) را 14.6 ٪ کاهش می دهد.در سناریو با مشاهدات گسسته پراکنده ، RMSE با 13.2 ٪ کاهش می یابد.علاوه بر این ، نتایج پیش بینی کننده مدل پیشنهادی نمایشی شفاف تر از توزیع میدان مکانی الکترومغناطیسی را نشان می دهد.برای تأیید جهانی این مدل در کارهای ساخت و ساز نقشه رادیویی ، سناریوی منبع انتشار رادیو ناشناخته مورد بررسی قرار گرفته است.نتایج نشان می دهد که مدل پیشنهادی ساخت نقشه رادیویی قوی است و در پیش بینی محل منبع انتشار دقیق است.