空对空路径损耗预测基于机器学习方法在城市环境中

文摘

最近,无人机(UAV)中扮演一个重要的角色在许多应用程序中,因为其高灵活性和低成本。实现可靠的无人机通信,一个基本的工作是调查渠道的传播特性。在本文中,我们提出的无人机路径损耗模型空对空(AA)基于机器学习的场景。射线追踪软件是用来生成样本为多个路线在一个典型的城市环境中,不同海拔的Tx和Rx无人机是考虑。两个机器学习算法,随机森林和资讯,利用构建预测模型的基础上,训练数据。训练模型的预测性能评估测试集上根据指标包括平均绝对误差(MAE)和均方根误差(RMSE)。与此同时,提出了两种实证模型进行比较。结果表明,machine-learning-based模型能够提供较高的预测精度和AA场景中可接受的计算效率。此外,随机森林优于其他模型和最小的预测错误。进一步的调查是由评估五个不同参数对路径损耗的影响。 It is demonstrated that the path visibility is crucial for the path loss.

1。介绍

近年来,无人机(uav),作为飞机没有飞行员,显示巨大的希望由于他们的高迁移率和部署的灵活性。随着无人机的发展制造业,其成本降低而其性能不断提高。结果,有越来越多的有吸引力的无人机申请,如交通监控、应急救援、森林火灾检测、货物运输等(1,2]。稳定、高效的无线通信链路在大多数无人机应用程序中是不可或缺的。因此,无人机通信在未来发挥重要作用第五代无线网络(5克),提供广阔的覆盖范围和可靠的传送。

同时,传播环境UAV-aided通信系统与传统的不同,带来了巨大的挑战。无人机无线通道的准确理解是至关重要的设计和部署这些通信系统。无线信号从/到无人机可能阻塞和沿路径可能会遇到不同的传播条件。电磁波的衰减,这是通常所描述的路径损耗,具有十分重要的意义,为无人机通信链路预算分析和网络规划。因此,许多工作已经完成开发灵活、精确模型的路径损耗无人机通信场景。

500米到2000米的高空范围被认为是在3),和空对地(AG)频道基于curved-earth双线模型研究在不同的场景。在[4),提出了一种统计传播模型在低空无人机频道在城市环境中,这是表明,预测结果依赖机载发射机之间的仰角(Tx)和接受者(Rx)在地上。在[5),无人机高度的影响路径损耗指数和阴影衰落在农村场景中进行了研究。在[6),统计路径损耗模型建立了通过修改当前3 gpp陆地通道模型为城市宏单元和农村宏单元场景。在[7,8),测量进行了郊区场景,和大规模的参数和多路径组件进行了提取和分析。在[9),测量运动进行了在城市场景和无人机的军事模型提出了路径损耗预测。

大多数这些提到的作品集中在AG)通信。无人机的另一个应用程序的方法是使用它们作为双方的沟通,即。空空(AA)的交流。到目前为止,只有少数论文调查了AA的通道模型场景。在[10)、大米模型扩展到获得AA渠道参数,据报道,距离造成的衰减效应空间模型。在[11),由一个射线跟踪的软件生成的数据,近战的空间模型和多余的衰落损耗模型被用来描述AA渠道的路径损耗。

此外,现有的工作主要是基于经验模型,如空间模型和计程仪航程模型,它依赖于收集的数据在特定的传播情况。执行统计分析建立路径损耗之间的映射关系和传播距离和飞行高度等参数。经验模型计算效率和容易实现。他们可以描述的统计特征路径损耗在给定距离测量的场景。然而,实际的路径损耗不能获得在一个特定的位置。除此之外,这些模型的准确性降低,适用于更一般的环境(12]。

另一位候选人的解决方案是利用确定性方法,如射线追踪和时域有限差分(FDTD),路径损耗值的计算采用无线电波传播机制和模型计算电磁学数值分析技术。详细的地理信息和介电性能的材料,这些方法对于预测非常准确和可靠的电磁场的空间分布。由于高成本进行测量活动,确定性方法已经广泛应用于无线网络规划。唯一的缺点是计算过程会消耗大量的时间和内存资源,因此它是不恰当的将这些方法用于实时应用程序。此外,复杂的计算必须再次运行一旦传播环境的变化。

实际上,路径损耗建模是一个监督回归的问题,可以通过机器学习来解决13]。已经证明,machine-learning-based模型能够提供更精确的路径损耗预测结果比经验和计算效率比确定性方法(12]。采取了不同的算法来训练预测模型在传统的陆地通信场景。例如,人工神经网络(ann)是用于路径损耗预测在城市(14),郊区(15,农村16),和铁路17)场景。支持向量回归(SVR)申请路径损耗预测的郊区环境(18]。为了建立一个连接环境无线传感器网络模型,几种方法,包括随机森林、演算法、人工神经网络、和K-Nearest-Neighbors(资讯),进行了分析和比较13]。据报道,随机森林的表现比别人考虑复杂的地形环境。

在本文中,我们建立路径损耗预测模型基于机器学习在AA的场景中。两个算法,随机森林和资讯,是考虑。评估该模型的可行性,射线跟踪方法用于生成数据进行训练和测试目的。此外,machine-learning-based模型的预测精度与实验的比较,如斯坦福大学临时(隋)模型(19)和COST231-W-I模型(20.]。结果表明,该模型比经验的。此外,我们分析了常用参数相关的路径损耗在AA的场景中,包括传播距离,Tx无人机高度,Rx无人机高度,道路能见度和仰角。同时,讨论了这些参数的重要性。

我们总结一下本文的主要贡献和新奇产品如下。

无人机通信路径损耗的AA场景建模是基于机器学习的方法,包括随机森林和资讯算法。

预测结果评估由射线跟踪软件生成的数据。证明machine-learning-based模型能够提供更好的准确性比经验的。

我们分析不同参数对AA路径损耗的影响,这些参数的重要性。

本文的其余部分组织如下。认为是AA传播环境和ray-tracing-based数据生成部分中描述2。部分3介绍了machine-learning-based路径损耗预测的方法。模型训练过程中引入部分4。节5machine-learning-based模型性能的评价和排名的重要性不同的参数进行了讨论。最后,结论部分6。

2。传播环境描述

为了研究路径损耗模型在AA的场景中,我们考虑一个典型的城市环境中两个无人机采用Tx和Rx。作为一个新兴的场景中,AA通信测量仍处于非常初步的阶段。因为machine-learning-based模型需要大量的数据为训练目的,采用射线追踪软件来生成数据模型建设和绩效评估。已经证明,该频道演软件得到的数据与实际测量值吻合较好,(21]。如图1,认为环境是一个地区在赫尔辛基,尺寸为1000 m×600 m。灰色地带和绿色区域表示建筑和场地,分别。建筑物的最大高度是50米。所有的建筑都被认为是由混凝土介质半空间内带有以下属性:介电常数6、导电率0.02,厚度0.3米。地面被指定为沥青的材料的介电常数是10和导电率是0.01。

模拟进行中央2.4 GHz的频率,带宽的100 MHz。图的红场1代表Tx无人机的位置,配备一个定向天线。Rx无人机感动的间距2 m六个不同路线。不同飞行高度考虑Tx和Rx无人机。Tx无人机的海拔包括60米,70米和80米。同时,Rx无人机被认为飞10米的高度,20米、30米、40米,低于建筑物的最大高度。应该注意的是,直接反映,和绕射路径被认为,而渗透路径被忽略,因为通过建设高衰减。参数设置的细节可以在表中找到1。

通过计算,我们得到的空间分布得到权力。然后,路径损耗值在不同的位置可以提取。在实践中,AA场景中的路径损耗与许多环境参数。机器学习方法的目标是找到最优函数描述这些参数和路径损耗之间的关系。在以下的分析中,五个参数的选择对路径损耗的影响作为输入machine-learning-based模型和他们的特点列出如下。(1)传播距离( ,在米):Tx之间的距离和Rx无人机从他们的坐标计算。(2)Tx高度( ,米):Tx无人机的高度从地面的三个值50米,60米,70米。(3)Rx高度( ,米):Rx无人机从地面的高度,有四个值10米,20米、30米、40米。(4)道路能见度( ,0或1):参数之间是否存在视距(LOS)路径指示Tx和Rx无人机。 对于洛杉矶的情况 公布(仿真结果)。(5)仰角( , 来 ):《路径和水平之间的角度。

Tx无人机时我们收集所有的样品在不同的海拔和Rx无人机飞六线路在不同高度。每个样本的输出(路径损耗值)和五个输入功能。删除位置接收到的信号太弱探测,我们总共获得了5508个样本。这些样本分为两组,训练集和测试集。前者是用来训练模型,而后者是用来训练模型的性能进行评估。

3所示。Machine-Learning-Based AA路径损耗预测模型

机器学习方法来提高性能在特定任务基于大量的数据和一个灵活的模型架构。近年来,它已被广泛应用于许多领域如计算机视觉、语音识别、自主驾驶等等。机器学习任务可以大致分为监督学习和非监督学习,根据样本数据是否有标签。监督学习,任务可以进一步分为分类和回归问题基于预测值是否离散或连续的。AA路径损耗预测是一个典型的回归任务,可以解决许多算法,如随机森林,安,SVR。我们的目标是构建路径损耗预测模型基于机器学习在AA的场景中。用给定的路径损耗值和相应的输入特性,该模型可以被训练,然后路径损耗值可以预测在新条件下的各种输入。

在这项研究中,两种典型监督学习算法,随机森林和资讯,选择建立AA路径损耗预测模型。相比他们的绩效评估结果将在部分5和随机森林将被证明有一个更好的协议测试数据与资讯。介绍了这两种算法的主要原则如下。

3.1。随机森林

整体学习,它使用多个个体学习者解决分类和回归问题,可以实现显著优越的泛化性能22]。随机森林是一种常用的集成学习算法和使用决策树作为乐团成员。它引导聚合适用于为每个乐团成员选择训练样本。乐团成员都是基于这些样本训练获得的最终结果是平均所有乐团成员的结果。

此外,随机森林进一步引入了随机选择决策树训练过程的特性。通常,传统的决策树选择最优特征特性集的当前节点的分裂。随机森林是随机选择一个子集,从每个节点的特性集,然后选择最优特征子集。

在整体学习,更大的乐团成员的多样性,更好的预测性能。通过引入扰动样本扰动和特性,乐团成员随机森林的多样性增加。它可以提高模型的泛化性能。值得注意的是,决策树生长没有修剪,由于样本的随机性和特性。算法1显示了路径损耗预测的方法我们使用AA的场景。随机森林的详细描述可以在找到23]。

随机森林是容易实现,可以实现并行计算。它也可以处理成千上万的输入对输入数据和特性。此外,随机森林的一个重要优点是它可以排序功能的重要性。在下面,我们将使用这个属性来分析的意义不同的输入为AA路径损耗特性。

3.2。然而,

资讯是经典的机器学习算法,它经常被用来解决分类问题。它没有明确的培训过程及其实现很简单。资讯是找到的机制训练样本接近预测的示例基于距离度量,然后基于这些信息进行预测邻居。它也适合回归任务平均的值邻居得到最终的预测结果。

距离度量在资讯中起着非常重要的作用。距离反映了两个样品之间的差异。常用的距离度量包括曼哈顿距离、欧氏距离,等等。在这项研究中,欧几里得距离选择进行分析。一般来说,功能有不同的价值观和他们的影响范围距离计算是不一样的。结果,然而算法对输入数据更敏感而随机森林。为了公平,样品前需要规范化培训模式。在这项研究中,采用分数归一化法,它可以表示为 在哪里输入值的特性,是归一化值,是说,标准偏差。

4所示。模型训练和精度指标

machine-learning-based的程序路径损耗预测为AA渠道介绍如下。首先,我们收集到足够的样本数据进行分析,每个路径损耗记录和相应的输入特性。正如上面提到的,对于资讯功能需要扩展的规范化过程,而对于随机森林没有必要。其次,这些样本可以分为两类,训练集和测试集,用于模型训练和评价目的,分别。第三,基于训练数据和选择的算法,我们训练模式和优化其参数。最后,一些指标用来评估训练模型的预测精度,然后针对评估结果我们可以进一步提高machine-learning-based预测的路径损耗AA的场景。

在本节中,我们将介绍的划分训练集和测试集。然后,详细解释了模型训练过程。此外,精度指标对模型验证。

4.1。数据部分

machine-learning-based模型的性能强烈依赖于训练数据的数量和质量。一般来说,更多的训练样本导致更准确的反映固有的法律。因此,我们必须努力获得足够样品为了得到精确的路径损耗预测模型。此外,该规则从模型中提取隐藏在样本训练,训练样本必须代表。不同的训练数据,测试集是用来评估和进一步改善训练模型。

正如上面提到的,5508个样本收集在考虑AA的场景中,包括6个样本航线不同的Tx / Rx海拔。在这项研究中,样本第三路线的Rx海拔20米、30米是用于测试目的,和他们没有参加培训的过程。剩余的样本包含在训练集,然后训练样本和测试的比例分别为84%和16%。

4.2。模型训练

模型训练旨在获取模型参数优化性能和路径损耗预测的有效性。一些机器学习算法,如安和SVR,有许多参数的值需要在学习过程就开始了。相比之下,随机森林,然而,只有几个参数需要调整,因此他们都是有效的实施。

随机森林,模型精度的影响参数包括最大树深度和乐团成员的数量。前控制的最大分割数量决策树,后者决定了整体的大小。一般来说,一个小合奏与深刻的决策树更倾向于比浅合奏overfit很多决策树(13]。

然而,邻居的数量, ,是确定性的预测性能。如果太小,模型变得复杂,可能会超量学习当相邻点的声音。与此同时,大使模型结构简单,但邻近样本与巨大差异会影响预测结果。

这些提到的参数直接从数据都无法学到的课程。调优参数的优化方法主要包括网格搜索、随机搜索和贝叶斯优化。在这项研究中,使用网格搜索找到最佳组合参数通过搜索所有可能的点在给定的范围内。随机森林,我们评估以下参数:乐团成员的数量10至200(每隔10)和树的最大深度5 - 50(每隔5单位)。然而,的价值2到10之间时间间隔设置为1。获得的参数如下。随机森林,树的深度和乐团成员都是最终的数量设置为30和140年,分别。邻居的数量等于5的资讯。

4.3。指标来评估预测精度

评估不同的模型的性能,两个统计特性,平均绝对误差(MAE)和均方根误差(RMSE) [24),选择指标。它们可以通过比较预测路径损耗计算与测试集的数据

在哪里测试样品的总数,的路径损耗值吗th样品在测试集和预测的价值。

5。模型验证和结果

在本节中,我们将评估这些machine-learning-based模型的性能在AA的场景。两个实证模型也考虑的比较。此外,不同特征对路径损耗的影响进行了分析。

5.1。对比实证模型和Machine-Learning-Based模型

作为一个例子,我们考虑的样品在测试集聚集Tx和Rx高度60米、30米,分别。不同模型的路径损耗预测结果如图所示2。样本指标对应于不同位置的Rx无人机第三路线在图1。就像前面提到的2,两个相邻Rx位置之间的距离是2米。如图1时,路径Rx无人机行动在中间,对应样本指数从72年到79年。它可以发现,路径损耗值很小。在图2,说明machine-learning-based模型可以精确地近似的现实路径损耗值产生的射线跟踪软件。两个经验模型、隋模型和COST231-W-I模型选择的比较。《路径是否存在的描述是不包括在隋模型。因此,从路径损耗结果差距巨大隋模型预测的洛杉矶条件下的真实值。COST231-W-I模型可以描述路径损耗变化在洛杉矶和仿真结果的条件。除了道路能见度,这个模型还包括距离,Tx高度,Rx高度,和仰角到模型参数。然而,它的预测结果比真实值大得多。主要原因可能是这一事实的应用场景COST231-W-I模型不同于我们在分析使用。它反映了可怜的经验模型的泛化性能;即。, its accuracy decreases when it is applied to a different environment. Furthermore, as shown in Figure2,这些经验模型忽略一些细节的路径损耗波动,很难用它们来描述路径损耗值在一个特定的位置。

考虑所有样品在测试集,我们可以得到的统计评估这些不同的模型。梅斯和rms的预测结果见表2。结果表明,随机森林和资讯比经验模型。这些machine-learning-based模型也可以详细描述路径损耗的波动。

5.2。比较随机森林和资讯

列在表2,随机森林提供了最适合的测试数据,为2.27 dB美和3.06 dB RMSE。然而,还提供了可接受的结果而其预测值在《条件下几乎不变。的原因是,在资讯模型,路径损耗预测的平均最近的值邻居。由于有限的样本,收集类似的路径损耗值可能是估计。

图3显示了两个machine-learning-based预测错误的分布模型。结果表明,大多数错误集中在−5 dB - 5 dB和随机森林预测精度高于资讯。

5.3。计算效率

另一个方面计算是计算效率。生成的路径损耗值应该在很短的时间内使电磁场的空间分布时可以快速更新传播环境的变化。的一代时间machine-learning-based模型记录。我们使用的计算机运行程序有一个AMD a8 - 4500 m处理器和4 GB的内存。随机森林和资讯的要求时间预测是8.71和5.95年代,分别。相比之下,射线跟踪软件运行需要超过10分钟生成所有的样品在测试集。这种比较结果是初步的但它仍然反映了machine-learning-based模型可以提供更高的计算效率比确定性网络规划方法。

5.4。分析功能的重要性

正如前面提到的,有许多参数相关的路径损耗在AA的场景中,他们作为machine-learning-based模型的输入特性。例如,ray-tracing-based第三路由路径损耗值在不同的Tx海拔图所示4。Rx的高空无人机Tx海拔10米和三个不同考虑在内,包括60米、70米和80米。结果表明,在选定的低空无人机AA场景中,路径损耗值在不同的海拔Tx非常接近。此外,当Tx无人机的高度是固定的,海拔70米。路径损耗值在不同的海拔Rx见图5。数据显示4和5,可见性的路径是至关重要的路径损耗考虑AA的场景。相对应的传播距离样本指标也显示在这两个数字。

下面的任务是调查的意义不同的输入参数。幸运的是,随机森林会给自然排名的功能模型。在这项研究中,平均减少杂质的方法(23是用来分析功能的重要性。正如上面介绍的,随机森林是由多个决策树。决策树中的每个节点是一个特性,为了把数据分成两组根据不同反应变量。回归问题,方差或最小二乘拟合通常是作为杂质。在培训过程中,它可以计算减少了多少杂质树的一个特性。随机森林,可以计算平均减少杂质的特性和使用特性的重要性。

表3显示了每个参数的规范化的贡献中使用基于随机森林模型。道路能见度影响最大,其次是传播距离、仰角,Tx高度和Rx高度。类似于结果如图4和5无人机的飞行高度小路径损耗的影响。一个可能的原因是,选中的场景是一个低空无人机AA场景和建筑物的高度接近无人机的飞行高度。

6。结论

在本文中,我们提出了AA的建模机制基于机器学习的路径损耗。射线跟踪软件被用来生成数据对于一个城市AA场景,随后分为训练集和测试集使用的模型。模型已经吸取了两种机器学习算法,随机森林和资讯。测试数据被用来评估这些machine-learning-based模型的精度性能和两个实证模型,隋模型和COST231-W-I模型。它已经表明,机器学习提供了一个灵活的基于训练数据的建模方法等复杂环境和随机森林有最好的预测性能。此外,我们分析了5个输入特征的重要性的路径损耗AA的场景。结果证实,道路能见度是主导因素。传播距离和仰角也显示出了极大的影响。

由于无人机AA通信是一个新兴的场景中,信道建模和路径损耗预测在这种情况下仍处于非常初步的阶段。未来的工作应该将引入更多machine-learning-based安和SVR模型。不同的场景也应该考虑来验证这些模型的泛化性能。最后但并非最不重要,测量活动应该在AA的场景中进行。更多的测量数据预计将进一步提高的性能和可行性machine-learning-based路径损耗预测。

数据可用性

的数据支持本研究的发现可以合理要求第一作者,燕张(zhangy@bit.edu.cn),或通讯作者,Zunwen他(hezunwen@bit.edu.cn)。生成的数据没有公开,因为他们是基于商业软件的提到的参数。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持下批准号61201192和中国国家高技术研究发展计划(863计划)资助。2015 aa01a706。这是由爱立信公司也支持。

引用

1. y曾庆红,r·张,t . j . Lim”与无人机无线通信:机遇和挑战,“IEEE通讯杂志,54卷,不。5,36-42,2016页。视图:出版商的网站|谷歌学术搜索
2. 肖z, p .夏,X.-G。夏,“使无人机细胞与毫米波通信:潜力和方法,“IEEE通讯杂志,54卷,不。5,66 - 73年,2016页。视图:出版商的网站|谷歌学术搜索
3. d . w . Matolak和r .太阳,“空中无人机渠道:总结L - c波段,测量和模型”学报2016年综合通信导航和监视(icn),页8 b2-1-8b2-11荷顿,弗吉尼亚州,美国,2016年4月。视图:出版商的网站|谷歌学术搜索
4. a . Al-Hourani s Kandeepan, a . Jamalipour”建模空对地路径损耗为低空平台在城市环境中,”学报2014年IEEE全球通讯会议,GLOBECOM 2014,页2898 - 2904,奥斯汀,得克萨斯州,2014年12月美国。视图:出版商的网站|谷歌学术搜索
5. r·阿莫林h .阮p . Mogensen z .科瓦奇,j . Wigard和t . b . Sørensen”电台为无人机通信信道建模在蜂窝网络,”IEEE无线通信信》第六卷,没有。4、514 - 517年,2017页。视图:出版商的网站|谷歌学术搜索
6. r·k . Wang,吴l . et al .,“路径损耗测量和建模为低空无人机访问渠道,”2017年IEEE 86车辆技术研讨会论文集(VTC-Fall),页1 - 5,多伦多,加拿大,2017年9月。视图:出版商的网站|谷歌学术搜索
7. x Cai, a . Gonzalez-Plaza d·阿隆索et al .,“低空无人机传播通道模型,”学报2017年11日欧洲天线与传播(EuCAP)会议,页1443 - 1447年,巴黎,法国,2017年3月。视图:出版商的网站|谷歌学术搜索
8. w .主席卡、i Guvenc和d . Matolak“超宽频通道测深和建模为无人机空对地传播渠道,”第59届IEEE全球通信学报》发布会上,GLOBECOM 2016美国,页1 - 7,华盛顿特区,2016年12月。视图:出版商的网站|谷歌学术搜索
9. 杨z l .,周、g .赵和s .周”通道模型无人机通信、城市环境的“接受EuCAP 18, 2018年。视图:谷歌学术搜索
10. n Goddemeier和c . Wietfeld”调查空对空信道特点和无人机水稻特定扩展模型,”《IEEE Globecom工作坊,GC Wkshps 2015,页1 - 5,圣地亚哥,加州,美国,2015年12月。视图:谷歌学术搜索
11. l .周z, g .赵l·肖和s .周”密集的城市环境建模空对空路径损耗,”提交给IEEE Globecom 18。视图:谷歌学术搜索
12. 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”电气和电子工程师学会。交易天线和传播,卷65,不。7,3675 - 3683年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
13. c . A . Oroza z, t . Watteyne和s·d·格拉泽,“machine-learning-based连通性模型对于复杂地形大规模低功耗无线部署,”IEEE认知通信和网络,3卷,不。4、576 - 584年,2017页。视图:出版商的网站|谷歌学术搜索
14. Popescu, 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,芬兰赫尔辛基。视图:谷歌学术搜索
15. Popescu,即Nafornita, p . Constantinou”比较路径损耗预测的神经网络模型,”《IEEE无线和移动计算国际会议上,网络和通讯,2005。(WiMob ' 2005)、页44-49加拿大蒙特利尔。视图:出版商的网站|谷歌学术搜索
16. e . Ostlin周宏儒。Zepernick, h·铃木“宏单元使用人工神经网络路径损耗预测,“IEEE车辆技术卷,59号6,2735 - 2747年,2010页。视图:出版商的网站|谷歌学术搜索
17. 吴d、g .朱和b . Ai”路径损耗预测的人工神经网络应用在铁路环境中,”第五届国际ICST学报》在中国通信与网络会议,页1 - 5,北京,中国,2010年8月。视图:出版商的网站|谷歌学术搜索
18. 林k, k .挂j .林c . Wang和p .拜,“应用最小二乘支持向量回归和遗传算法对无线电波在郊区环境中路径损耗预测,”神经网络的研究进展和应用卷,67课堂讲稿电气工程施普林格,页861 - 868年,柏林,德国,2010年。视图:出版商的网站|谷歌学术搜索
19. 诉Abhayawardhana Wassell, d·克罗斯比m·塞拉斯和m . Brown声称,“经验传播路径损耗模型的比较固定无线接入系统”职业训练局学报2005年IEEE 61车辆技术会议”05-Spring,页73 - 77,斯德哥尔摩,瑞典,2005年5月- 6月。视图:出版商的网站|谷歌学术搜索
20. “v·俄斯格估计,为了申请固定无线信道模型应用程序、tech.代表”IEEE 802,2001年16宽带无线接入工作组。视图:谷歌学术搜索
21. p . Mededovic m . Veletic布拉格杰维克z,“无线注射屋软件验证通过模拟和测量结果的分析和比较,”美国第35届国际会议MIPRO学报》上奥,页776 - 781年,克罗地亚。视图:谷歌学术搜索
22. w·侯,d .史、y高和c .姚明,“无线电波传播预测新方法基于有限积分方法和机器学习,”学报2017年IEEE第五电磁兼容性(EMC-Beijing)国际研讨会,1 - 4页,北京,中国,2017年10月。视图:出版商的网站|谷歌学术搜索
23. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
24. j . Isabona诉m·斯利瓦斯塔瓦,“混合神经网络方法预测信号的传播损耗在城市微蜂窝技术,”2016 IEEE地区人道主义技术研讨会论文集(R10-HTC)印度阿格拉,页1 - 5,2016年12月。视图:出版商的网站|谷歌学术搜索

版权

版权©2018燕Zhang et al。这是一个开放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。