本文研究了机器学习在优化 5G 基础设施部署方面的应用，例如有助于实现最佳信号覆盖的天线位置和方向。这避免了进行现场测量或大量软件模拟的需要。多变量回归（MR）和神经网络（NN）模型被用于预测室内环境的信号覆盖范围。结果表明，在 60 千兆赫工作频率的情况下，使用 NN 的平均预测误差为 7 分贝，而使用 MR 技术的误差低于 6 分贝。这项研究的独特之处在于将聚类算法和 NN 机器学习模型整合在一起，用于预测室内信号覆盖范围。
相关资源
本文研究了机器学习在优化 5G 基础设施部署方面的应用，例如有助于实现最佳信号覆盖的天线位置和方向。这避免了进行现场测量或大量软件模拟的需要。多变量回归（MR）和神经网络（NN）模型被用于预测室内环境的信号覆盖范围。结果表明，在 60 千兆赫工作频率的情况下，使用 NN 的平均预测误差为 7 分贝，而使用 MR 技术的误差低于 6 分贝。这项研究的独特之处在于将聚类算法和 NN 机器学习模型整合在一起，用于预测室内信号覆盖范围。