[0073] 步驟4?6：迭代優(yōu)化。當(dāng)相關(guān)系數(shù) 達(dá)到指定門限值0.9999時，則保存深度神經(jīng)網(wǎng)絡(luò)參數(shù)；如果達(dá)不到指定門限，則返回步驟4?3。優(yōu)化與驗(yàn)證過程中，損失值隨訓(xùn)練次數(shù)變化和相關(guān)系數(shù)隨訓(xùn)練次數(shù)變化分別如圖8和圖9所示。 [0074] 步驟5：預(yù)測單位路徑長度雨衰減與基于ITU?R雨衰減模型的k和α參數(shù)： [0075] 步驟5?1：加載深度神經(jīng)網(wǎng)絡(luò)模型，并導(dǎo)入神經(jīng)網(wǎng)絡(luò)參數(shù)； [0076] 步驟5?2：將觀察得到的降雨率、設(shè)備使用頻率和極化方式，即20.0?mm/h，5.0?GHz和1（表示垂直極化方式），輸入深度神經(jīng)網(wǎng)絡(luò)模型獲得單位路徑長度電磁波雨衰減、k和α環(huán)境參數(shù)，數(shù)值為0.86762762?dB/km，0.08914762和0.75572407。 [0077] 總之，本發(fā)明通過收集實(shí)驗(yàn)場地的單位距離雨衰減、降雨率、設(shè)備頻段和極化方式的數(shù)據(jù)，利用深度學(xué)習(xí)模型擬合出特定場地的單位距離雨衰減與降雨率、設(shè)備頻率和極化方式之間的關(guān)系。輸入數(shù)據(jù)包括降雨率、頻率和極化方式，輸出為單位距離雨衰減、基于經(jīng)典的ITU?R雨衰減模型的k和α參數(shù)。該方法可實(shí)現(xiàn)對電磁波雨衰減特性的精確建模和預(yù)測，相較于傳統(tǒng)模型，能夠提供更精確的場景適應(yīng)性和優(yōu)化效果。此外，本發(fā)明的模型訓(xùn)練過程采用早停機(jī)制，確保在達(dá)到預(yù)定準(zhǔn)確度后保存最優(yōu)模型參數(shù)。本發(fā)明可以預(yù)測單位路徑長度的衰減值，并且可以自動化取得k和b數(shù)值。