Multimodal Knowledge Guided Framework for Physics-Conditioned Radio Map Estimation

Cunyi Liao

doi:10.1109/tccn.2026.3745629

Multimodal Knowledge Guided Framework for Physics-Conditioned Radio Map Estimation

2026-10-22

0

PRE

AI

DOI：10.1109/tccn.2026.3745629

原文链接

原文求助

摘要

En 中文

无线电地图提供了特定地理区域内大尺度无线电信号功率的空间分布，并被广泛应用于资源分配优化和网络规划设计等领域。然而，当前研究将基站属性视为隐式静态上下文信息，并学习环境几何与信号分布之间的统计相关性。这种简化将这些方法局限于单基站（SBS）场景，难以捕捉真实世界中复杂通信系统的无线电传播物理特性，这些系统本质上具有多基站（MBS）和多天线类型（MAT）异构性。为解决此挑战，我们利用注意力机制构建动态干扰预测机制，并提出一种新型物理条件下的无线电地图估计（RME）模型，命名为多模态知识引导多基站U型无线电网络（MMKG-MBURNet）。首先，提出了一种高效的多模态融合框架，用于整合不同基站的物理参数，使其能够学习多源信号叠加的复杂动态并捕捉MBS和MAT场景下的传播规律。然后，基于低秩近似提出Agent潜注意力（ALA）机制，以解决大规模数据场景中的计算瓶颈。最后，构建了一个更接近真实世界参数设置的仿真数据集，为模型验证提供了坚实的数据基础。实验表明，MMKG-MBURNet在多个数据集上表现出卓越的准确性和鲁棒性，证明了其实用性和有效性。

Keyword:

Wireless Propagation Model

Radio Map Estimation

Intelligent communication

Multimodal Knowledge Guided Framework for Physics-Conditioned Radio Map Estimation

摘要

期刊

机构

引用论文