MODEL_CARD.md

RadioUNet 声学路径损耗预测模型

模型描述

RadioUNet是一个基于U-Net架构的深度学习模型，用于快速准确地预测声学传播路径损耗。该模型可以在包含建筑物的真实传播环境中，从点声源到2D平面上所有点的路径损耗进行估计。

应用场景: 变电站噪声环境监测、声场实时计算

模型架构

• 基础架构: U-Net卷积神经网络
• 输入:
  • 建筑物/屏障布局图 (256×256)
  • 声源位置图 (256×256)
• 输出: 路径损耗热力图 (256×256)
• 参数量: ~134MB

训练数据

• 场景尺寸: 512m × 512m
• 分辨率: 2m/pixel
• 训练方法: 基于RadioMapSeer数据集改编，针对声学场景优化

性能指标

• 推理速度: 比传统物理模拟快10-100倍
• 准确性: 与物理仿真结果高度一致
• GPU支持: 支持CUDA加速，也可CPU运行

使用方法

import torch
from lib.RadioUNet import RadioWNet

# 加载模型
model = RadioWNet(inputs=2, phase="firstU")
model.load_state_dict(torch.load('best_model.pth'))
model.eval()

# 推理
with torch.no_grad():
    # input_tensor: [batch, 2, 256, 256]
    # output: [batch, 1, 256, 256] 路径损耗热力图
    output = model(input_tensor)

限制

• 2D限制: 当前模型仅支持2D平面计算，忽略高度信息
• 固定尺寸: 输入必须是512m×512m场景，映射到256×256像素
• 屏障敏感性: 对屏障高度变化的敏感性有限

引用

基于论文: RadioUNet: Fast Radio Map Estimation with Convolutional Neural Networks

许可证

MIT License

作者

董季坤 (dongjoaquin)

更新日期

2026-03-12