Received signal strength under urban scenario (RT-based method)

该数据集包含在城市场景下基于RT方法的接收信号强度数据。数据文件包括动态场景（辐射源移动）和静态场景（辐射源固定）的数据，分别在不同高度（2m、80m等）采集。数据格式为.mat文件，动态场景数据为250*250*300的张量，静态场景数据为250*250的矩阵，数值表示信号强度（dBm）。

This dataset comprises received signal strength data based on the RT method in urban scenarios. The data files include measurements from two scenarios: dynamic scenarios (with a moving radiation source) and static scenarios (with a stationary radiation source), which were collected at different heights such as 2m and 80m. All data are stored in .mat files. Specifically, the dynamic scenario data is a tensor with dimensions of 250×250×300, while the static scenario data is a 250×250 matrix, where the numerical values represent signal strength in dBm.

原始信息汇总

城市场景下的接收信号强度数据集

1. 数据集概述

该数据集包含城市场景下的接收信号强度（RSSI）数据，通过基于射线追踪（RT-based）的方法进行模拟。数据集分为动态场景和静态场景两种情况，涵盖不同高度下的信号强度数据。

2. 模拟设置

• 场景描述：城市模拟场景和网格地图。
• 图像展示：
  • 模拟场景图像：https://github.com/qiuming-nuaa/Dataset-for-RSSI-radio-map-under-urban-scenario/blob/master/figures/scenario.jpg
  • 网格地图图像：https://github.com/qiuming-nuaa/Dataset-for-RSSI-radio-map-under-urban-scenario/blob/master/figures/meshed%20map.jpg

3. 数据文件

• 动态场景：
  • 高度：2米和80米
  • 数据格式：250 * 250 * 300的.mat文件，表示空间网格和时间维度上的信号强度（dBm）
  • 文件大小：2米高度为113MB，80米高度为131MB
• 静态场景：
  • 高度：2米、10米、20米、30米、40米、50米、80米
  • 数据格式：250 * 250的.mat文件，表示空间网格上的信号强度（dBm）
  • 文件大小：10米为363KB，20米为385KB，30米为400KB，40米为406KB，50米为405KB

4. 数据集可视化

• 动态场景：
  • 图像展示：https://github.com/qiuming-nuaa/Dataset-for-RSSI-radio-map-under-urban-scenario/blob/master/20m300t.gif
• 静态场景：
  • 图像展示：https://github.com/qiuming-nuaa/Dataset-for-RSSI-radio-map-under-urban-scenario/blob/master/figures/static40m.jpg

5. 推荐参考文献

• [1] J. Wang, Q. Zhu, Z. Lin, J. Chen, G. Ding, Q. Wu, G. Gu, Q. Gao. “Sparse Bayesian Learning-Based Hierarchical Construction for 3D Radio Environment Maps Incorporating Channel Shadowing,” IEEE Transactions on Wireless Communications, early access, 2024, doi: 10.1109/TWC.2024.3416447.
• [2] Y. Zhao, Q. Zhu, Z. Lin, L. Guo, Q. Wu, J. Wang, W. Zhong. “Temporal prediction for spectrum environment maps with moving radiation sources,” IET Communications, vol. 17, no. 5, pp. 538–548, 2023.
• [3] Q. Gao, Q. Zhu, Z. Lin, Y. Zhao, J. Wang, W. Zhong, Y. Huang, Q. Wu. “Spatial Sensor Layout Optimization for Radio Environment Map Construction,” 2024 IEEE Globecom Workshops, 2024, for publication.

搜集汇总

数据集介绍

构建方式

该数据集由南京航空航天大学构建，通过基于射线追踪（RT-based）的方法，模拟了城市环境中的接收信号强度（RSSI）。数据集涵盖了动态和静态两种场景，分别对应移动和固定的辐射源。动态场景数据在2米和80米高度采集，形成250 * 250 * 300的三维张量，其中x和y代表空间网格维度，z代表时间维度，数值表示以dBm为单位的信号强度。静态场景数据则在不同高度（2米、10米、20米、30米、40米、50米、80米）采集，形成250 * 250的矩阵，同样以dBm为单位表示信号强度。

特点

该数据集的显著特点在于其高精度的模拟环境和多维度的数据结构。通过射线追踪技术，数据集能够准确反映城市环境中信号强度的时空变化，为无线通信领域的研究提供了丰富的实验数据。此外，数据集包含了动态和静态两种场景，涵盖了不同高度的数据，使得研究者能够全面分析信号传播的复杂性。数据格式为.mat文件，便于直接导入和处理。

使用方法

使用该数据集时，研究者首先需根据研究需求选择合适的场景和高度数据。对于动态场景，可以通过解析三维张量来分析信号强度随时间和空间的变化；对于静态场景，则可以通过矩阵数据分析信号强度在不同高度下的分布。数据集的.mat格式支持多种编程语言和工具进行读取和处理，如MATLAB、Python等。研究者可利用这些数据进行无线通信网络优化、信号传播模型验证等研究。

背景与挑战

背景概述

在城市环境中，接收信号强度（RSSI）的测量与分析对于无线通信网络的优化和定位技术的发展具有重要意义。南京航空航天大学（Nanjing University of Aeronautics and Astronautics）的研究团队创建了这一数据集，旨在通过基于射线追踪（RT-based）的方法，模拟城市环境中不同高度和动态条件下的信号强度分布。该数据集的核心研究问题是如何在复杂的城市环境中准确预测和分析无线信号的传播特性，这对于提升无线网络的覆盖范围和信号质量具有显著的实际应用价值。

当前挑战

该数据集在构建过程中面临的主要挑战包括：首先，城市环境的复杂性导致信号传播路径的多变性，增加了模拟的难度。其次，动态场景中辐射源的移动性要求数据集能够实时更新，以反映信号强度的变化。此外，数据集的规模和复杂性也带来了存储和处理上的挑战，特别是在处理高维数据和确保数据一致性方面。这些挑战不仅影响了数据集的构建效率，也对其在实际应用中的准确性和可靠性提出了更高的要求。

常用场景

经典使用场景

在城市环境中，接收信号强度（RSSI）数据集通过基于射线追踪（RT）的方法，广泛应用于无线通信网络的优化与分析。该数据集提供了动态和静态两种场景下的信号强度数据，其中动态场景涵盖了移动辐射源的情况，而静态场景则涉及固定辐射源。这些数据在构建三维无线环境地图（REM）时尤为关键，能够帮助研究人员精确模拟和预测城市环境中的信号传播特性。

衍生相关工作

基于该数据集，已衍生出多项经典研究工作。例如，Wang等人在《IEEE Transactions on Wireless Communications》上发表的论文，利用稀疏贝叶斯学习方法构建了包含通道阴影的三维无线环境地图。此外，Zhao等人在《IET Communications》上探讨了移动辐射源对频谱环境地图的时间预测影响。这些研究不仅深化了对无线信号传播的理解，也为实际应用提供了理论支持。

数据集最近研究

最新研究方向

在城市环境中，基于接收信号强度（RSSI）的无线电地图构建已成为无线通信领域的前沿研究热点。南京航空航天大学团队通过RT（Ray Tracing）方法模拟了不同高度和动态场景下的信号强度数据，为城市环境中的无线电地图构建提供了丰富的数据支持。最新的研究方向集中在利用稀疏贝叶斯学习进行三维无线电环境地图的分层构建，以及结合通道阴影效应的精细化建模。此外，时间预测和空间传感器布局优化也是当前研究的重点，旨在提高无线电环境地图的实时性和准确性。这些研究不仅推动了无线通信技术的发展，也为智能城市和物联网应用提供了重要的技术支撑。