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

文摘

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 dBR²= 0.972)和ANN模型(美= 1.150 dB, RMSE = 2.502 dBR²纳皮尔场景= 0.981)。在Ruzi场景中,SVR模型(美= 1.202 dB, RMSE = 2.962 dB,和R²= 0.965)和ANN模型(美= 1.146 dB, RMSE = 2.507 dBR²= 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R²= 0.933)和ANN模型(美= 2.025 dB, RMSE = 4.439 dBR²= 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R²= 0.935)和ANN模型(美= 2.016 dB, RMSE = 4.407 dBR²= 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。

1。介绍

科幻小说是一个全球趋势产生新的农业耕作的机会。4.0农业,科幻的解决方案需要自动化系统、机器人、信息服务、信息和通讯技术(ICT), UAV-used病例(包括固定翼和螺旋桨),人工智能(AI),大数据分析,物联网(物联网)。无人机通信解决方案来提高服务的科幻小说,因为它已迅速扩展到所有的农业领域,包括喷洒农药和肥料,种子播种,监控、增长评估,映射(1]。无人机应用在科幻小说中,如映射、喷涂、种植、收割、灌溉、和作物监测、也是存在的。映射,可以使用无人机进行三维(3 d)农业领域的映射,包括测量面积的农田,作物的土壤监测和状态与高分辨率的地图(2]。此外,种植应用程序可以由无人机(3]。这样一个系统是用于分发种子和植物营养当播种为植物的生长提供了完美的条件。此外,无人机可以识别的地区缺水灌溉的基于图像处理和数据采集系统。使用无人机配备光谱传感器可以获得数据对水管理和灌溉系统4]。在[5),同步定位和映射(大满贯)技术在实时映射,提出了使用激光雷达获取的数据进行低空虚构的。它可以识别位置和识别障碍时,无人机执行任务。监控数据采集、无人机配备多功能传感器在移动网络中,特别是在地区缺乏移动电台网络领域(6]。

专注于无人机通信科幻场景,比如空对地(A2G)沟通或地对空(G2A)沟通,被描述使用无人机与物联网通信设备或GS等土壤水分传感器、湿度传感器、或multienvironmental传感器。实现可靠通信,分析通道模型GS和无人机之间需要传播特征在某些科幻场景(7]。接收信号强度指示(RSSI)和路径损耗模型显著链接预算分析的关键参数。GS-to-UAV通信链路的功率信号强度是有限的在GS当信号传输从GS到无人机上的接收器。因此,一个适当的覆盖区GS是有限的。在这种情况下,通信链路会退化,特别是当信号传播通过自由空间或密集的作物。因此,传输链路质量和传播性能变量时必须考虑多个GS部署在科幻小说。GS-to-UAV的传播特性严重影响了周围的环境。RSSI和路径损耗特性都是使用的链路预算参数等关键网络设计方面的适当水平无人机轨迹和GS位置,覆盖预测,覆盖区,等。然而,这种网络的复杂的科幻环境使路径损耗预测更加困难。因此,精确的路径损耗模型在无线频道必须解决预测传播特性在科幻8]。同样,需要高度精确的模型来预测之间的路径损耗模型,保证效率GS和无人机通信。在此,毫升模型的解决方案是高度准确的预测模型。此外,毫升的应用模型可以作为新的数据预测模型在几个工作(9- - - - - -15]。

调查相关工作的路径损耗预测模型,模型ML-based安和RF算法提出了在16]。性能指标表明,该射频模型比ANN模型最佳的性能。尽管ANN模型的性能不能超越RF,研究[17)表明,它可以优化路径损耗预测的甚高频(VHF)无线信道。使用多层感知器(MLP)九点完成隐藏神经元和双曲正切乙状结肠激活函数,和LM优化学习算法是概率参数如平均绝对误差(MAE)、均方误差(MSE),均方根误差(RMSE),标准偏差(SD)和确定系数R广场(R²)的值。在[18],ANN算法提出了预测路径损耗的特点在450 MHz, 850 MHz、1800 MHz和2600 MHz的异构网络(HetNet),梅的结果接近于零和SD小于7 dB。在[19等)、4毫升方法反向传播神经网络(摘要),SVR,射频,演算法被用来预测路径损耗模型飞机客舱的场景。结果表明,最佳性能最低的预测误差是通过射频方法。因此,可以看出,射频方法将适用于最优路径损耗的测量数据在一个室内环境中或小规模衰落场景。此外,SVR的表现也有类似的结果摘要对于户外环境或大规模的衰落情况(20.,21]。因此,使用深度学习神经网络路径损耗模型提出了改进的预测误差5 g移动通信(22]。2.6 GHz频段,该模型与深层神经网络(款)通过比较研究了射线跟踪模型和乌玛38.901模型。的结果表明,该方法可以减少预测误差款4.7 dB时相比,卫星图像的射线跟踪模型和经验模型应用程序。在[23),作者提出了多元线性回归模型预测的路径损耗模型毫米波(MmWave)城市交流。在[24),路径损耗预测的准确性提出了使用款方法获得射线跟踪模型的观测数据。为此,毫升技术能够评估无线频道。特别是,调查毫升无人机通信技术提出了在25]。然而,有几毫升的考虑模型预测的路径损耗特性科幻场景。

使用毫升技术在科幻预测执行路径损耗特性之间的可靠通信GS位置和无人机轨迹。

本文的主要贡献和小礼品如下:(1)科幻小说的新通道模型称为GS-to-UAV通信提出了调查RSSI和路径损耗特性。(2)RSSI和路径损耗特性预计使用两毫升SVR和ANN模型等模型。SVR和ANN模型被认为是由于这些算法适当评估的数据驱动的大规模衰退情况。同时,路径损耗预测是一个监督回归问题;因此,它可以通过SVR和安解决算法。(3)验证模型和结果与统计误差评估指标如梅、RMSE,R²并与实证GUT-R路径损耗模型。

本文的其余部分组织如下。方法提出了部分2测量设置,实证GUT-R模型和ML模型描述。部分3礼物的结果比较RSSI-based预测模型和path-loss-based预测模型的性能。最后,结论部分中描述4。

2。方法

GS和UAV-enabled通信的应用在科幻小说在这一节中描述。由于从GS辐射能量的限制,无人机作为一个移动基站(MBS)可以配备一个收发器模块为多个GS传递信号。图1显示了土壤水分监测的系统模型使用多个GS和一个科幻的无人机通信。系统模型说明了多个GS安装在大型农场遥感土壤水分值。GS由太阳能电池面板的能源供应电容土壤水分传感器和模块单片机单元或单片机节点。因此,沟通GS和无人机之间的联系是基于wi - fi标准IEEE 802.11 g。GS模块使用的电压和电流在3.3伏,240毫安,分别。该系统模型的好处是帮助用户监测土壤水分数据迅速大规模农场(26]。

评估RSSI和路径损耗特性之间的GS和无人机系统的模型,测量设置,GUT-R模型和ML模型中描述的部分2.1,2.2,2.3,分别。

2.1。测量设置

几何测量设置3 d模型被认为是使用笛卡儿坐标系统,如图2。笛卡尔 系统代表了GS的位置安装和无人机高度。的无人机高度 - - - - - -轴, ,被设定在2米和5米。此外,GS的高度, ,被设定为1.5米,而水平距离, ,从g点被设置到20米。在测量中,无人机配备了wi - fi模块收发器与GS通信。

为了测量RSSI和路径损耗特点,我们认为一个笛卡尔GS检测组件的位置 或Napier33位置以及GS在笛卡尔的位置 或Ruzi13位置。在这个实验中,GS检测组件和无人机使用wi - fi连接频率为2.4 GHz无线链接,和RSSI测量数据通过互联网可以记录的应用程序编程接口(API)软件,如图3。之后,路径损耗值可以计算离线后处理。图4显示测量位置的顶视图和侧视图纳皮尔测量设置的场景。纳皮尔的场景的维数是25米宽45米长。图5显示视图顶部的测量位置和侧视图Ruzi场景,虽然Ruzi场景的尺寸是宽30米和50米长。表1显示测量参数设置。在这部作品中,测量位置是热带动物研究所实验执行,Ramkhamhaeng大学,泰国。

2.2。GUT-R模型

GS和无人机之间的传播特性可以用实证调查GUT-R模型。图6显示了总收到GUT-R模型的几何学图形 - - - - - -在无人机领域然后直接视距(LOS)组件的结果, ,和地面反射组件, 。表达式如下:

旅游两个波在无人机指出:直接波传播距离, ,和反射波传播距离, 。的 - - - - - -在无人机领域由于洛杉矶可以表示如下: 和 - - - - - -地面反射波场,传播的距离 ,可以表示如下: 在哪里载波频率和吗是无线 - - - - - -在一个参考距离从GS;然后, 。 表示地面的反射系数。

的可以表示为公式(的总和2)和(3)如下: 在哪里 表示完美的地面反射组件。

考虑到无人机高度和GS的高度 ,洛杉矶和地面反射路径的路径区别可以表示如下:

的相位差双线模型组件和之间的时间延迟之间的到来可以给两个组件如下:

当的距离越大,反射距离非常小,振幅的和是相同的,只是在不同阶段可以表示如下:

总收到了 - - - - - -领域, ,在长距离的情况下, ,可以表示如下:

的力量, ,它的平方有关 字段。水平距离的接收功率, ,GS的双线模型可以表示如下: 在哪里和代表GS和天线增益的天线增益接收机的无人机,分别。GS的电力传输。在方程(11在很远的距离上),我们注意到, ,距离的接收功率脱落了更快速路径损耗的自由空间。在大的值 ,肠道的路径损耗R模型可以用分贝表示如下:

在短距离, ,它可以获得使用方程(4)来计算 字段。在方程(替换6)评估 ,然后 已经出现了。

2.3。机器学习模型

的程序ML-based RSSI和路径损耗预测模型如图7。在本节中,数据集被认为是RSSI和路径损耗的测量数据收集分离作为训练数据集和测试数据集80% 20%,分别。ML-based预测模型程序等四部分包括训练集和测试集的准备,SVR模型选择和ANN算法、模型训练、和计算统计误差的评价指标如梅、RMSE,R²执行构建验证模型(27- - - - - -29日]。验证模型被创建后,RSSI和路径损耗测量数据可以生成新的数据输入使用预测模型预测输出观测。

SVR模型选择和ANN算法在算法执行1和2。

第二步,在评估数据的统计误差指标如梅、RMSE,R²RSSI和路径损耗表示如下: 在哪里 表示测试数据集和的总数和是测试数据集。的和平均的预测价值。

3所示。评价

在本节中,结果GUT-R RSSI和路径损耗特性的模型,测量数据,提出了SVR模型,提出了ANN模型所示。节3.1,RSSI-based预测模型的性能比较结果。路径的相对性能通过预测模型所示部分3.2中描述,讨论部分3.3。

3.1。RSSI-Based预测模型

在图810点,RSSI水平驱动dBm−32 dBm无人机轨迹在2米海拔的纳皮尔的场景。无人机之间的水平距离和GS (Napier33位置)分开0 m - 20 m。可以观察到相关的测量数据是GUT-R模型,取决于空间损失。此外,验证模型SVR和ANN模型曲线可以预测RSSI测量数据的统计错误ANN模型小于SVR模型如表所示2。考虑这种情况下的传播效果,我们观察到有一些力量波动从地面反射在3米到5米距离,反映到无人机。因此,这一立场可能会有比别人更多的力量。预测模型的结果,很明显,SVR模型的美是1.636 dBm和1.596 dBm的ANN模型。而SVR的rms和ANN模型3.336 dBm和3.196 dBm。的R²SVR和ANN模型的0.957和0.964,分别。因此,很明显,ANN模型优于SVR模型稍微因为ANN模型的预测曲线的方法测量的数据比SVR曲线。

在图9,RSSI水平的测量数据是5 dBm Ruzi−28 dBm的场景。我们注意到,从地面反射的影响发生在一个2米的距离。执行统计错误,可以看出SVR模型的美是1.121 dBm和1.112 dBm的ANN模型。SVR的rms和ANN模型1.870 dBm和1.628 dBm。的R²SVR和ANN模型的0.974和0.981,分别如表所示2。因此,SVR和ANN模型的性能完全可以预测在这种情况下的测量数据。

对于无人机轨迹在5米的高度,GUT-R−58 dBm模型曲线2 dBm,而测量数据是2 dBm−70 dBm如图10和11,分别。可以看出,地面反射的测量数据是独立的,因为大的距离, 。执行统计误差指标,SVR模型的美是1.785 dBm和1.698 dBm的ANN模型。SVR的rms和ANN模型3.718 dBm和3.219 dBm。的R²SVR和ANN模型的0.979和0.988,分别。同样,在图10的美SVR模型1.734 dBm和1.456 dBm的ANN模型。SVR的rms和ANN模型3.266 dBm和2.743 dBm。的R²SVR和ANN模型的0.977和0.983,分别。统计误差指标的RSSI无人机轨迹在5米的高度时如表所示3。

3.2。路径通过预测模型

图12显示的路径损耗比较GUT-R模型,测量数据和预测模型时,无人机轨迹是在海拔2米纳皮尔的场景。的路径通过GUT-R模型范围从−24分贝38 dB在这个场景中;不过,可以看出,测量数据不同于−20 dB 40 dB。之间的美GUT-R模型和实测数据为12.214 dB和RMSE 14.334 dB,分别如表所示4。此外,我们可以展示的性能结果SVR和ANN模型用于训练训练集的测量数据。可以看出,SVR模型的性能美1.252和1.150的ANN模型。的性能rms SVR和ANN模型是3.067和2.502。R²SVR和ANN模型的0.972和0.981,分别。尽管SVR和ANN模型的预测误差略有不同,ANN-based预测模型能更好地预测的路径损耗,正是纳皮尔的场景。

路径损耗的比较特点在无人机轨迹Ruzi场景2米高度图所示13。我们观察到测量数据增加分离10米到20米的距离,和路径损耗范围从25 dB 32 dB。这种现象可能会发生散射的周围的环境。所有路径损耗统计误差指标如表所示4对于Ruzi场景当无人机轨迹海拔2米的地方。

当无人机轨迹在5米的高度,通过路径GUT-R模型不同−22分贝23分贝,因为地面的反射光线的影响却降低了如图14。显然,预测模型使用ANN模型中蓝色曲线从0分贝66分贝。根据SVR和ANN模型之间的比较结果,ANN模型可以预测测量数据比SVR模型。同样,RMSE值SVR和ANN模型比GUT-R模型的准确性R²GUT-R模型是0.267,0.933的SVR模型,和0.950的ANN模型如表所示5。

在图15、测量数据的比较和Ruzi GUT-R模型场景表明,RMSE高32.523 dB的准确性R²是0.121。另一方面,SVR和ANN模型的预测误差比GUT-R模型的均方根误差为4.682 dB SVR模型和4.407 dB的ANN模型。

3.3。讨论

路径损耗特性的结果使用经验GUT-R模型依赖于天线增益等参数,GS高度,无人机高度和水平距离分离。同时,实际的路径损耗测量数据大于GUT-R模型由于测量数据可能增加的插入损耗和极化损失GS和无人机天线之间的不匹配。因此,考虑不匹配的极化损失GS和无人机通信是至关重要的。

ANN模型提供了更好的性能比SVR模型稍微纳皮尔和Ruzi农场的工作。讨论SVR模型的性能的数量控制迭代数据处理模型做了230次迭代使用MATLAB仿真。之间的预测误差最小化训练集和测试集,SVR采用预测的不敏感损失函数值输出和 ,分别。损失函数是影响噪声的先验信息分布影响的数据集。为此,R²SVR模型的是0.951,或性能比例是95%。讨论ANN模型,我们发现两个输入层 ,一个隐藏层神经元的最佳数量四和一个输出层,有一个合适的预测模型在这工作。RBF-NN可以控制迭代的超平面之间的权重作为训练集和测试集,即最优加权200迭代。因此,R²ANN模型的是0.967,或性能比例是97%。

在这部作品中,ANN模型可以顺利的性能预测精度比SVR模型路径损耗特点,例如,科幻场景。此外,我们的性能进行比较R²值与以前的工作路径损耗预测模型在科幻小说的环境中,在8,30.,31日),如表所示6。

4所示。结论

在这篇文章中,在现实的传播路径损耗特性的科幻场景GS-to-UAV-enabled通信进行了研究部署毫升模型作为预测模型。测量数据如RSSI和路径损耗特性实验研究了在不同测量位置如纳皮尔和Ruzi农场科幻场景。预测精度模型和建立验证模型,RSSI和路径损耗的测量数据的数据集作为训练集和测试集分离监督毫升模型。性能结果表明,监督方法毫升模型基于SVR和安可以准确地预测科幻小说中的路径损耗特性。它可以表明,SVR模型的精度是95%和97%的ANN模型。SVR模型的性能不足的ANN模型至少2%的工作。此外,我们表明,ML-based预测模型比经验GUT-R模型更准确。这项工作有助于寻找一个准确和可靠的信道模型GS和无人机通信网络规划的科幻场景。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的财务KMITL研究基金和TSRI重要基金(FF)奖学金。此外,作者要感谢热带动物研究所,Ramkhamhaeng大学,泰国。

引用

1. c . s . j . Kim Kim Ju, h . i的儿子,“无人机在农业:回顾的角度平台,控制,和应用程序,”IEEE访问7卷,第105115 - 105100页,2019年。视图:出版商的网站|谷歌学术搜索
2. c . Potena r·卡纳j .分担r . Siegwart d . Nardi和a . Pretto”AgriColMap: aerial-ground协作3 d地图精确农业,”IEEE机器人与自动化信件,4卷,不。2、1085 - 1092年,2019页。视图:出版商的网站|谷歌学术搜索
3. w·了k . e . Ihou纳米比亚。Gueziri: Bouguila, n . Belanger“计算机视觉系统种植微型网站使用无人机图像的自动计数,“IEEE访问7卷,第82500 - 82491页,2019年。视图:出版商的网站|谷歌学术搜索
4. c·d·洛佩兹和l·f·吉拉尔多”,优化能源和水的消耗对作物灌溉使用无人机通过路径设计,”IEEE哥伦比亚会议进行自动控制(CCAC)麦德林,页1 - 5,哥伦比亚,2019年10月。视图:谷歌学术搜索
5. m . Rizk a . Mroue m . Farran, j . Charara“实时大满贯基于图像缝合无人机自主导航的GNSS-denied地区”IEEE国际会议进行人工智能电路与系统(AICAS)热那亚,页301 - 304年,意大利,2020年4月。视图:谷歌学术搜索
6. m . Idbella m . Iadaresta g . Gagliarde et al .,“一个新的无线传感器监测农业气象数据缺乏通信网络领域,“传感器MDPI,20卷,不。1589年,1-13,2020页。视图:出版商的网站|谷歌学术搜索
7. m .烟草a·伯顿,a必须和l . Caviglione”内部IEEE 802.15.4空中无人机通信在智能农业的情况下,提供服务”IEEE通信信,22卷,不。9日,第1913 - 1910页,2018年。视图:出版商的网站|谷歌学术搜索
8. h . m . Jawad a . m . Jawad, r . Nordin et al .,“精确实证路径损耗模型基于粒子群优化的无线传感器网络在智能农业、”IEEE传感器杂志,20卷,不。1,第561 - 552页,2020。视图:出版商的网站|谷歌学术搜索
9. m . Najafzadeh和g . Oliveto乱石初期漫溢流的运动机器学习模型,”Hydroinformatics杂志,22卷,不。4、749 - 767年,2020页。视图:出版商的网站|谷歌学术搜索
10. m . Najafzadeh和a·格米”预测的五日生化需氧量和化学需氧量的自然流使用机器学习方法,“环境监测和评估,卷191,不。6,页380 - 2019。视图:出版商的网站|谷歌学术搜索
11. m . Najafzadeh和m . Zeinolabedini”预测使用高效的废水处理厂性能软计算模型:一个环境评估,”测量卷,138年,第701 - 690页,2019年。视图:出版商的网站|谷歌学术搜索
12. m . Najafzadeh a . Etemad-Shahidi郑胜耀Lim,”冲刷预测在长期使用简称ANFIS和支持向量机,收缩”海洋工程卷,111年,第135 - 128页,2016年。视图:出版商的网站|谷歌学术搜索
13. f m . Najafzadeh Saberi-Movahed s Sarkamaryan”NF-GMDH-Based自组织系统来预测桥墩冲刷深度泥石流的影响下,“海洋Georesources &印度尼西亚,36卷,不。5,589 - 602年,2018页。视图:出版商的网站|谷歌学术搜索
14. m . Najafzadeh和f . Saberi-Movahed GMDH-GEP预测自由跨度扩张率低于管道在海浪下,“海洋Georesources &印度尼西亚,37卷,不。3、375 - 392年,2019页。视图:出版商的网站|谷歌学术搜索
15. f . S-Movahed m . Najafzadeh, a . Mehrpooya”获得更准确的预测水管道中纵向分散系数:培训组的数据处理方法使用极端的学习机器概念,“水资源管理34卷,第561 - 529页,2020年。视图:谷歌学术搜索
16. Dhawan h·辛格,古普塔,c, a . Misshra”路径损耗预测智能校园环境:基于机器学习应用程序”继续IEEE车辆技术会议(VTC2020-Spring),页1 - 5,安特卫普,比利时,2020年5月。视图:谷歌学术搜索
17. s . i Popoola a . Jefia a . a . Atayero et al .,“路径损耗预测神经网络参数的确定在高频率的无线信道,“IEEE访问7卷,第150483 - 150462页,2019年。视图:出版商的网站|谷歌学术搜索
18. m . Ayadi A本代森锌,s . Tabbane“超高频路径损耗模型对异构网络,使用学习机器”IEEE天线和传播,卷65,不。7,3675 - 3683年,2017页。视图:出版商的网站|谷歌学术搜索
19. j . Wan y, g .杨z,他和w·张,“路径损耗预测基于机器学习的方法对飞机座舱环境,”IEEE访问7卷,第159261 - 159251页,2019年。视图:出版商的网站|谷歌学术搜索
20. K.-P。林,K.-C。挂,J.-C。林,C.-K。王,P.-F。派”,应用最小二乘支持向量回归和遗传算法对无线电波路径损耗预测在郊区的环境中,”神经网络的研究进展和应用在电气工程的课堂讲稿卷,67年,页861 - 868,施普林格,柏林,德国,2010年。视图:出版商的网站|谷歌学术搜索
21. d . Nikitopoulos, p . Constantinou Nafornita,“安对于户外环境预测模型,”学报2006年IEEE 17个人国际研讨会,室内和移动无线电通信,页1 - 5,芬兰的赫尔辛基,2006年9月。视图:谷歌学术搜索
22. j . Tharane d Zibar, h·l·克里斯琴森”Model-aided深度学习路径损耗预测方法在移动通信系统中在2.6 GHz,”IEEE访问,8卷,第7936 - 7925页,2020年。视图:谷歌学术搜索
23. 美国Aldossari K.-C。陈,“预测无线信道的路径损耗模型使用机器学习技术在MmWave城市通信、”国际研讨会上进行无线个人多媒体通信(WPMC),页1 - 6,里斯本,葡萄牙,2019年11月。视图:谷歌学术搜索
24. o . Ahmadian h . f .机台,t . Baykas和b . k . Gunturk”预测路径损耗的分布面积使用深度学习,从卫星图像”IEEE访问,8卷,第64991 - 64982页,2020年。视图:谷歌学术搜索
25. p . s . Bithas e . t . Michailidis n . Nomikos d . Vouyioukas和A·g·Kanatas”无人机通信机器学习技术的一项调查,”传感器(瑞士巴塞尔),19卷,不。5170年,1-39,2019页。视图:出版商的网站|谷歌学术搜索
26. s . Duangsuwan c . Teekapakvisit和m . m .胃”发展的土壤水分监测利用物联网和智能农业UAV-SC应用程序中,“科学技术的进步和工程系统杂志,5卷,不。4、381 - 387年,2020页。视图:出版商的网站|谷歌学术搜索
27. y, j .温·g·杨,z,他和j .王”路径损耗预测基于机器学习:原理、方法,和数据扩张,”应用科学,9卷,不。9,1908年,页2019。视图:出版商的网站|谷歌学术搜索
28. y, j .温·g·杨,他和罗x, z”空对空路径损耗预测基于机器学习方法在城市环境中,“无线通信和移动计算卷,2018 - 2018页。视图:出版商的网站|谷歌学术搜索
29. l .山r .三浦t . Kagawa f .小野H.-B。李,小岛,“基于机器学习领域数据分析和建模为无人机通信,”IEEE访问7卷,第79135 - 79127页,2019年。视图:出版商的网站|谷歌学术搜索
30. p . Abouzar d·g·迈克尔逊,m·哈姆迪”RSSI-based分布式self-localization精准农业中使用的无线传感器网络,”IEEE无线通信,15卷,不。10日,6638 - 6650年,2016页。视图:出版商的网站|谷歌学术搜索
31. a . Raheemah n .萨m·s·萨利姆·Ehkan和r·b·艾哈迈德”新的实证路径损耗模型在芒果温室无线传感器网络,”计算机和电子产品在农业卷,127年,第560 - 553页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Sarun Duangsuwan等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。