一种基于机器学习的苹果园无线信道路径损耗预测模型构建方法

技术领域

本发明涉及无线信道建模、物联网、数理统计以及人工神经网络技术领域，具体而言涉及一种基于动量BP神经网络的苹果园无线信道路径损耗预测模型构建方法。

背景技术

据国家苹果产业体系统计，2020年全国苹果种植面积近3133万亩，其中陕西占比30.58%居全国之首，而陕西乔化密植果园种植面积约占总面积的90%左右，但其劳动人力资源逐渐减少。自动化作业是解决当前农业困境的科学方法，而苹果生产各个环节具有季节性强等特点，单个机器人无法在时间约束下完成繁重的作业任务，多机器人系统因任务执行效率高、鲁棒性强等独特优势，得到广泛研究应用。

通信作为多机器人系统的关键技术之一，是实现果园多机器人协同作业的重要基础。利用信道预测模型了解信号在果园的传播特性，可为多机器人无线通信系统设计、部署及协议开发提供指导。而乔化密植果园具有种植结构复杂多样、树型过大、枝条重叠交错等特点，使传统无线信道建模方法，包括确定性建模、半确定性建模、统计性建模均不能将更多客观存在的影响因素用于建模过程，无法分析各个因素对预测模型的影响程度，且测量过程耗时、费力，在回归拟合上具有一定的局限性。

近年来，机器学习在信道建模领域得到了快速发展，但对农业环境下的信道建模探索仍处于初步阶段。由于信号在不同场景中的传播特性大为不同，尤其在传统老果园郁闭树冠下，Wi-Fi 信号受果树低矮树枝的影响，加剧了信号的传播损耗，导致传播路径更加复杂。为研究农业多机器人无线信号在苹果园中的传输特性，准确预测无线信号的传播规律引导多机器人在果园中协同作业，本发明利用动量BP神经网络模型对苹果园无线信道路径损耗预测进行建模，为多机器人在苹果园中的通信提供理论依据和技术指导。

发明内容

本发明目的在于提供一种基于动量BP神经网络的苹果园无线信道路径损耗预测模型构建方法，能够精确地估计传统郁闭苹果园下无线通信信道损耗特性，综合考虑了苹果园无线信道的各种损耗因子，具有良好的扩展性和通用性，对多机器人在苹果园场景下通信节点的部署具有重要指导意义。

为达到上述目的，结合附图1，本发明提出一种基于机器学习的苹果园无线信道路径损耗模型构建方法，所述建立方法包括。

S1、在不同的乔化密植果园下进行Wi-Fi无线通信信道路径损耗实测。考虑多机器人在果园环境中作业的通过性，设定发射端天线高度为0.75 m，接收端天线高度设置为0.45 m。测量时，将发射端位置固定，分别在5m、10m、15m距离处，利用手持式频谱分析仪测量不同编队方式的信道功率响应

S2、动量BP 神经网络具有非线性映射能力强、自学习和自适应能力强、泛化能力强等优点。本发明在不同编队方式v下，以不同信道距离d下的l、m、t、p、c、s、H实测数据建立数据对。利用交叉验证法进行模型验证：将原始数据进行分组，一部分作为训练集，另一部分作为验证集。根据输入层节点数和输出层节点数确定隐层神经元个数n，训练基于动量BP神经网络的路径损耗模型的权重w，其中输入节点包括l、m、t、p、c、v、s、d，输出节点为编队在5 m、10m、15m处接收端信号强度矩阵

S3、使用验证集不同的叶面积指数l、叶片倾角m、冠层透射率t、冠层下可见天空比例p、果树第一侧枝高度c、果树半径r、多机器人编队方式v、发射点信号功率强度s作和信道距离d为输入，并使用发明内容S2中获得的模型，预测在不同距离、不同编队方式下Wi-Fi无线通信信道的路径损耗。为评价无线信道预测模型精度，以平均绝对误差M

（1）

本发明提供了一种基于深度学习的苹果园无线通信信道损耗模型构建方法，由于采用以上技术方案，本发明取得的有益效果是：综合考虑了高度因素和不同环境等多种影响因子，能够精确地估计传统郁闭苹果园下无线通信信道损耗特性，具有较好的扩展性和通用性，对于传统郁闭苹果园中通信系统的设计和部署有重要的实际价值，能够解决现有的路径损耗预测方法可扩展性较差且难以适用于复杂环境的问题。

该方法站在读者角度进行撰写，能够让读者对本发明有一个更为清晰的了解，该发明实施详细步骤，在实际操作过程中具有较好的参考价值。

附图说明

下面结合附图和具体实施方式对本发明作进一步说明：

图1为本发明流程图。

图2为本发明中多机器人编队方式示意图。

图3为本发明中动量BP算法流程图。

实施方式

以下结合附图和具体实施方式对本发明作进一步说明：

图1为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关构成。

本发明公开了一种基于机器学习的苹果园无线通信信道损耗模型构建方法，通过该预测模型可精准分析多机器人无线信号在苹果园中的传输特性，指导多机器人在果园中协同作业。如附图1所示，具体步骤如下。

K1、本发明选择在乔化密植苹果园环境下进行Wi-Fi无线通信信道路径实测。为减小天气对试验的影响，选连续晴天天气试验，试验时平均风速2~4m/s。试验园附近无通信基站，且往来车辆较少。根据信号在果园内的传播特性，并结合果园多机器人作业的编队需求，本发明选取的主要Wi-Fi信号传播影响因子包括：叶面积指数l、叶片倾角m、冠层透射率t、冠层下可见天空比例p、果树第一侧枝高度c、发射点信号功率强度s，信道距离d以及多机器人直线型、小间距V型、大间距V型、并排型四种编队方式v，不同编队方式结构如附图2所示。

K2、试验时，无线通信模块选用2.4GHz频段；为提高信号在果园中的收发能力，通信模块外接天线增益为12dBi的全向天线。利用冠层分析仪测量叶面积指数l、叶片倾角m、冠层透射率t、冠层下可见天空比例p参数。考虑多机器人在果园环境中作业的通过性，设定发射端天线高度为0.75 m，接收端天线高度设置为0.45 m。测量时，将发射端位置固定，在不同编队方式下，分别在5m、10m、15m距离处，利用手持式频谱仪测量不同接收端处的接收信号强度值。

K3、动量BP神经网络具有非线性映射能力强、自学习和自适应能力强、泛化能力强等优点，可以对步骤K2所采集的具有复杂性、高维性及稀疏性等特点的数据对进行高可靠、高效率地处理，如附图2所示。本发明训练模型的输入参数有：叶面积指数l、叶片倾角m、冠层透射率t、冠层下可见天空比例p、第一侧枝高度c、发射点信号功率强度s、信道距离d、编队方式代号v；输出参数为：不同信道距离下接收端节点处的信号强度y；根据输入层和输出层的节点数，本发明确定隐藏层神经元个数n的取值范围为3~10，通过对不同n的神经网络进行训练，取均方误差最小的n作为模型的参数。

K4、由于输入层各类型数据单位不一致，所以需要对数据进行归一化处理。本发明选用线性函数转换，表达式如下：

，

式中，p为输入层节点数，

所以基于动量BP神经网络建立路径损耗预测模型，可表示为：

（3）

；

其中，

（4）

输出层f(·) 为Purelin型激活函数：

（5）

该网络采用误差反向传播算法更新各网络层权值，直到使得输出误差满足误差条件，网络训练结束。动量BP学习算法权值调整计算公式为：

（6）

式中，

K5、模型校正。不同风速吹动树叶易造成信号的散射程度不一，但风速具有时变性，不能很好地用于输入变量，但对信号预测模型精度有影响。为解决上述问题，本发明在已训练模型的基础上添加风速影响因子

（7）

。

上面以具体实施例予以说明本发明的结构及工作原理，本发明并不局限于以上实施例，根据上述的说明内容，凡在本发明的精神和原则之内所作的任何修改、替换和改进等，均应包含在本发明的保护范围之内。