# 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