无线网络信号传输建模：一种区间二型模糊集成深度学习方法

针对常用的信号传输模型存在使用场景单一、预测精度不佳的问题，提出一种适用于多场景的数据驱动无线信号传输模型。首先根据先验知识从预处理后的数据构造初始特征，接着进行特征选择，以得到输入特征集合。然后分析建模需求，选择深度置信网络（DBN）、残差网络（ResNet）和堆叠自编码器（SAE）作为区间二型模糊规则的后件（个体深度学习器），经过区间二型模糊推理进行集成。最后采用5G网络信号传输实测数据，并进行实验验证。结果表明，3种个体深度学习器在测试集上的表现均优于Cost231-Hata模型和反向传播神经网络（BPNN）模型，其中ResNet的准确度高于DBN和SAE模型。区间二型模糊集成深度学习模型的性能与其个体深度学习器的性能以及模糊规则数目呈正相关，同时异质集成在测试集上的表现优于同质集成。