MULTI-FREQUENCY AIR-TO-GROUND PATH LOSS PREDICTION FOR UNMANNED AERIAL VEHICLES USING MACHINE LEARNING

Tóm tắt

Các phương tiện bay không người lái (UAV) đã nổi lên như một giải pháp tiềm năng cho các hệ thống truyền thông không dây hiện đại nhờ tính linh hoạt, khả năng di chuyển và triển khai dễ dàng. Tuy nhiên, để đảm bảo khả năng liên lạc tin cậy giữa không trung và mặt đất (A2G), cần có mô hình kênh truyền chính xác nhằm hỗ trợ kiểm soát công suất truyền và lập kế hoạch hệ thống hiệu quả. Nghiên cứu này đề xuất một khung mô hình dự đoán suy hao đường truyền đáng tin cậy cho các liên kết A2G dựa trên các kỹ thuật học máy, cụ thể là thuật toán hồi quy K-Nearest Neighbors (KNN). Mô hình được huấn luyện và đánh giá trên một bộ dữ liệu công khai, tập trung vào môi trường đô thị và được thử nghiệm với ba tần số sóng mang: 1 GHz, 2 GHz và 5.8 GHz. Kết quả so sánh với các mô hình A2G truyền thống cho thấy phương pháp đề xuất đạt sai số chuẩn thấp hơn và khoảng tin cậy hẹp hơn. Những kết quả này cho thấy khả năng dự đoán suy hao đường truyền chính xác của mô hình, làm nổi bật tiềm năng ứng dụng của nó trong việc nâng cao độ tin cậy và hiệu suất của hệ thống truyền thông dựa trên UAV, đặc biệt là trong môi trường đô thị mật độ cao