1 北京邮电大学电子工程学院, 北京 100876
2 中国联合网络通信集团有限公司, 北京 100048
3 中讯邮电咨询设计院有限公司郑州分公司, 河南郑州 450007
4 中兴通讯股份有限公司, 广东深圳 510000
5 中国铁塔股份有限公司河南省分公司, 河南平顶山 467035
为更好地表征 5G基站电磁辐射水平, 本文针对电磁辐射预测方法进行研究, 提出了一种基于广义回归神经网络 (GRNN)模型的基站电磁辐射环境表征方法, 对基站周围的理论最大辐射点接地平面处的瞬时宽带电场强度进行预测。在给定天线发射功率、5G基站与其理论最大辐射点的距离和数据传输时间的情况下, 利用 80%的数据作为训练集, 20%的数据作为测试集, 所得平均绝对百分比误差(MAPE)为 0.087 1, 运行时间为 3~5 min, 表现出较好的预测精确度和较快的运行速度。与其他模型进行对比, 预测精确度和求解效率大幅提高, 且随着基站周围区域面积增大, 优势愈发明显, 具有很好的场景适用性。
基站电磁辐射 GRNN模型 电场强度 电磁环境表征 electromagnetic radiation of base station GRNN model electric field strength electromagnetic environment characterization 太赫兹科学与电子信息学报
2023, 21(11): 1357
1 中国科学院南京土壤研究所, 土壤与农业可持续发展国家重点实验室, 江苏 南京 210008
2 中国科学院研究生院, 北京 100049
以聚丙烯酸酯类系列水基聚合物包膜控释肥料为样品, 测定了包膜肥料养分的释放曲线并原位测定了肥料包膜的中红外光声光谱, 分析了不同肥料的养分释放曲线以及不同包膜材料的红外光声光谱特征； 采用广义回归神经网络模型(GRNN), 以肥料包膜红外光声光谱的主成分作为GRNN模型的输入层, 并以包膜肥料养分释放曲线为输出层, 构建了预测养分释放曲线的GRNN模型。 结果表明, GRNN模型能快速有效地预测包膜肥料养分释放曲线, 其预测相关系数(R2)达0.93以上； 包膜的探测深度明显影响释放曲线的预测误差, 最小预测误差为7.14%, 平均为10.28%, 且基于包膜表层红外光声光谱的预测误差最小。 因此, 结合GRNN模型, 红外光声光谱可为包膜肥料养分释放曲线的快速预测提供新手段。
红外光声光谱 包膜肥料 GRNN模型 释放曲线 Fourier transform infrared photoacoustic spectrosc Coated fertilizer GRNN model Release profile
