TY -的A2 Luini洛伦佐盟——Duangsuwan Sarun盟——Juengkittikul Phakamon AU -敏胃,Myo PY - 2021 DA - 2021/08/03 TI -路径损耗特性使用机器学习模型GS-to-UAV-Enabled通信在智能农业场景中SP - 5524709六世- 2021 AB -本文的目的是预测的路径损耗特性地对空(G2A)之间的通信通道地面传感器(GS)和无人机(UAV)使用机器学习(ML)模型在智能农业(SF)场景。两种ML算法如支持向量回归(SVR)和人工神经网络(ANN)进行了研究,分析了测量数据在不同的场景中与纳皮尔和Ruzi草农场测量位置。拟议中的实证GS-to-UAV双线(GUT-R)模型和ML模型相比,路径损耗预测模型的特点。路径损耗预测模型的性能评价指标的统计误差在不同测量位置和无人机轨迹。获取统计误差指标,无人机轨迹的准确路径损耗结果在2米海拔显示SVR模型(美= 1.252 dB, RMSE = 3.067 dB R ²= 0.972)和ANN模型(美= 1.150 dB, RMSE = 2.502 dB R ²纳皮尔场景= 0.981)。在Ruzi场景中,SVR模型(美= 1.202 dB, RMSE = 2.962 dB,和 R ²= 0.965)和ANN模型(美= 1.146 dB, RMSE = 2.507 dB R ²= 0.983)。对无人机轨迹在5米的高度,SVR模型(美= 2.125 dB, RMSE = 4.782 dB,和 R ²= 0.933)和ANN模型(美= 2.025 dB, RMSE = 4.439 dB R ²= 0.950)是导致纳皮尔的场景。在Ruzi场景中,SVR模型(美= 2.112 dB, RMSE = 4.682 dB,和 R ²= 0.935)和ANN模型(美= 2.016 dB, RMSE = 4.407 dB R ²= 0.954)被显示出来。提出利用SVR毫升模型和安可以优化路径损耗特性的预测在科幻场景,SVR的准确性为95%和97%的安。SN - 1687 - 5869你2021/5524709 / 10.1155——https://doi.org/10.1155/2021/5524709——摩根富林明天线和传播的国际杂志PB - Hindawi KW - ER