| # 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 | |
| ```python | |
| 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](https://arxiv.org/pdf/1911.09002.pdf) | |
| ## 许可证 | |
| MIT License | |
| ## 作者 | |
| 董季坤 (dongjoaquin) | |
| ## 更新日期 | |
| 2026-03-12 | |