⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-09-19 更新
RF-LSCM: Pushing Radiance Fields to Multi-Domain Localized Statistical Channel Modeling for Cellular Network Optimization
Authors:Bingsheng Peng, Shutao Zhang, Xi Zheng, Ye Xue, Xinyu Qin, Tsung-Hui Chang
Accurate localized wireless channel modeling is a cornerstone of cellular network optimization, enabling reliable prediction of network performance during parameter tuning. Localized statistical channel modeling (LSCM) is the state-of-the-art channel modeling framework tailored for cellular network optimization. However, traditional LSCM methods, which infer the channel’s Angular Power Spectrum (APS) from Reference Signal Received Power (RSRP) measurements, suffer from critical limitations: they are typically confined to single-cell, single-grid and single-carrier frequency analysis and fail to capture complex cross-domain interactions. To overcome these challenges, we propose RF-LSCM, a novel framework that models the channel APS by jointly representing large-scale signal attenuation and multipath components within a radiance field. RF-LSCM introduces a multi-domain LSCM formulation with a physics-informed frequency-dependent Attenuation Model (FDAM) to facilitate the cross frequency generalization as well as a point-cloud-aided environment enhanced method to enable multi-cell and multi-grid channel modeling. Furthermore, to address the computational inefficiency of typical neural radiance fields, RF-LSCM leverages a low-rank tensor representation, complemented by a novel Hierarchical Tensor Angular Modeling (HiTAM) algorithm. This efficient design significantly reduces GPU memory requirements and training time while preserving fine-grained accuracy. Extensive experiments on real-world multi-cell datasets demonstrate that RF-LSCM significantly outperforms state-of-the-art methods, achieving up to a 30% reduction in mean absolute error (MAE) for coverage prediction and a 22% MAE improvement by effectively fusing multi-frequency data.
精确局部化无线信道建模是蜂窝网络优化的基石，能够在参数调整过程中实现对网络性能的可靠预测。局部统计信道建模（LSCM）是目前针对蜂窝网络优化定制的最新信道建模框架。然而，传统的LSCM方法通过参考信号接收功率（RSRP）测量推断信道的角度功率谱（APS），存在关键局限性：它们通常仅限于单小区、单网格和单载波频率分析，并且无法捕捉复杂的跨域交互。为了克服这些挑战，我们提出了RF-LSCM这一新型框架，它通过在一个辐射场内联合表示大规模信号衰减和多路径分量来建模信道APS。RF-LSCM引入了一个多域LSCM公式，并配有基于物理的频率依赖衰减模型（FDAM），以促进跨频率泛化；还采用了一种点云辅助环境增强方法，以实现多小区和多网格信道建模。此外，为了解决典型神经辐射场计算效率不高的问题，RF-LSCM采用低阶张量表示，辅以新型分层张量角度建模（HiTAM）算法。这种高效设计显著减少了GPU内存需求和训练时间，同时保持了精细的准确度。在真实的多小区数据集上进行的广泛实验表明，RF-LSCM显著优于现有方法，在覆盖预测方面平均绝对误差（MAE）降低了高达30%，通过有效地融合多频率数据，MAE改进了22%。
论文及项目相关链接
Summary
基于准确的位置化无线信道建模是实现移动网络优化的核心环节，对于调整网络参数时预测网络性能起到了至关重要的作用。现有最先进的定位统计信道建模（LSCM）主要通过对接收信号强度（RSRP）测量进行推断得出信道的角功率谱（APS）。然而传统LSCM方法仅局限于单小区、单网格和单载波频率的分析，难以捕捉跨域交互的复杂性。因此，本文提出一种名为RF-LSCM的新框架，该框架结合了大规模信号衰减和无线电场的多路径分量来表示信道APS。通过引入物理频域相关的衰减模型和多环境点云辅助建模，RF-LSCM实现了跨频泛化并解决了多小区和多网格信道建模问题。此外，为了克服神经网络辐射场计算效率低的问题，RF-LSCM利用低秩张量表示和创新的分层张量角建模（HiTAM）算法来提高效率。实验证明，RF-LSCM显著优于现有技术，预测覆盖率的平均绝对误差降低了高达30%，并且融合了多频数据后的性能也有显著改善。这对于建立可靠的移动通信网络信道模型具有重要参考价值。
Key Takeaways
一、 无线信道建模在网络优化中的重要性：准确预测网络性能，便于参数调整。
二、 传统LSCM方法的局限性：局限于单小区、单网格和单载波频率分析，难以捕捉复杂交叉域交互。
三、 RF-LSCM框架的引入：结合大规模信号衰减和无线电场的多路径分量表示信道APS。
四、 RF-LSCM实现了跨频泛化：引入物理频域相关的衰减模型和多环境点云辅助建模，支持多小区和多网格建模。
五、 计算效率提升：使用低秩张量表示和创新的分层张量角建模（HiTAM）算法优化计算过程。
六、 实验验证：RF-LSCM显著优于现有技术，预测覆盖率的平均绝对误差显著下降。
七、 研究意义：对于建立可靠的移动通信网络信道模型具有重要参考价值。
点此查看论文截图
