一种适用于低空无人机对地面城市环境路径损耗预测的稳健机器学习方法

《IEEE Open Journal of Antennas and Propagation》：A Robust Machine Learning Approach to Path Loss Prediction for a Low Altitude UAV-to-Ground Urban Scenario

　　

摘要：

本文提出了一种基于机器学习的方法，用于预测2×2双极化多输入多输出信道的路径损耗。该通信场景考虑了城市环境中无人机与地面终端之间的链路连接。文中对所提出的机器学习方法进行了深入分析，特别强调了测量过程顺序性所带来的问题。研究表明，由于数据样本之间存在时间相关性，传统的随机数据分割方式会导致严重的过拟合以及有偏的性能评估。为了解决这一问题，文中提出了一种基于连续轨迹段的替代分割方案，并对其进行了统计验证。同时，还提取了一组结合了链路几何特性和MIMO信道特性的特征，进而研究了三种常用的机器学习模型——多层感知器、极端梯度提升算法和支持向量回归算法的性能，从平均预测误差和误差分散度两个方面进行了分析。实验结果表明，这几种模型都具有很好的性能，能够产生较低的统计误差，并有效滤除衰落现象中的小尺度成分。平均均方根误差在1.85–2.20 dB之间，其中极端梯度提升算法的误差最低，其均方根误差为1.85 dB，误差标准差为1.28 dB，性能优于其他模型。最后，通过深入的误差分析，找到了系统性预测缺陷，并提出了针对性的改进措施。