HankelKANet：通过物理启发的 Hankel 卷积实现轻量级路径损耗估计

arXiv:2610.19524v1 公告类型：新投稿 摘要：准确的路径损耗（PL）估计对于无线网络规划与优化至关重要。本文提出 HankelKANet，这是一种用于 PL 估计的轻量级物理启发网络，通过结构设计将电磁传播特性嵌入神经网络架构。该模型以单个残差 UNet 为骨干，将城市布局特征与卷积 Kolmogorov-Arnold 网络（KAN）相结合。具体而言，卷积核由零阶和一阶 Hankel 函数的径向幅值参数化。这种形式构成了一种受物理启发的非线性距离编码，使网络无需额外的基于物理的损失项，即可直接捕捉主要衰减特性。实验结果表明，HankelKANet 在仿真 RadioMapSeer 数据集和真实世界 Huawei RSRPSet 数据集上均实现了最先进的精度与效率。与领先的基线模型 PEFNet 相比，它将参数量减少了 78%，并在仿真数据上将均方根误差（RMSE）降低了 16.96%，同时在目标域适应过程中进一步展现出稳健的跨数据集迁移能力和较高的数据效率。为解释这些实验性能提升，我们从数学上建立了给定参数条件下的空间梯度界。通过离散 Dirichlet 能量（DDE）和 Jacobian 敏感度热图，我们从实验上验证了这种物理编码能够内在地约束网络的空间导数。这种结构性平滑有效消除了非物理的空间波纹，防止模型对仿真器伪影过拟合，并成为实现稳健真实世界泛化的根本驱动力。