基于XGBoost算法的固定翼无人机空对地无线传播模型.pdf

1引言近年来，随着无人机技术日趋完善，UAS(UnmannedAeriaI System)的应用逐渐从军事推广至民用。在灾情导致大面积通信瘫痪时，中型垂起固定翼无人机能够短时间快速飞行至指定位置，搭载应急机载设备对地提供无线网络覆盖1。深入研究应急场景下空对地信道模型及特性对UAS通信系统的设计及优化具有重要的意义。3GPP在2017年也启动了LTE空中信道的研究，已经开发了若干协议规范23，但他们只关注300m以下低空无线通信的陆地移动终端信道模型，传统的信道模型OKumra-Hata、Uma等4也仅适用于地面场景。Akram Al-Hourani5等人研究了城区场景下空对地的路径损耗模型，但该模型仅适用于静态基站发射场景，不适用于中低空、高动态的固定翼无人机的应急场景。以上模型都是针对低空场景下的小型无人机的空对地信道模型，并不适用于中高空、高动态的中大型固定翼无人机的应急场景，且上述模型都是基于传统的经验模型进行研究，在实际应用中适用性和准确度较低。基于机器学习XGBoost算法6,提出一种基于中型固定翼应急场景下的空对地无线智能传播模型，通过对空天基站采集到的工程参数数据进行特征提取，在模型构建中创新性地采用动态3D天线增益值来提高模型预测的精准度。并将其与传统的空对地信道模型以及3GPP 36.777协议提出的信道模型进行比较。结果表明，与传统的无线传播模型相比，基于XGBoost算法的路径损耗模型预测准确性更高。2实验系统搭建与特征预处理2.1系统搭建实验测试地点为四川内江、陕西榆林的一开阔地带，地面接收终端高约1m，空中无人机搭载基站和天线对地发射信号，工作频段为900MHz，地面接收端能接收空中发送的信号强度，地面终端的位置。空中无人机的相关位置信息及无人机姿态信息可存储在无人机控制终端用于后端数据分析处理，信道测试的装置架构如图1所示，测试固定翼无人机如图2所示，测试环境如图3所示：收稿日期：2023年7月28日；修回日期：2023年10月16日基于XGBoost算法的固定翼无人机空对地无线传播模型谭倩，陈盛伟，周剑，杨光平，王文靖中国移动（成都）产业研究院，四川成都 610067摘要：传统的3GPP(3rd Generation Partnership Project)无线传播模型适用于300m高度以下的场景，并不适用于中高空固定翼无人机高动态应急下的作业场景。针对中高空固定翼无人机应急场景，创新性地考虑了动态3D天线增益值进行数据仿真，构建了适用于高空动态场景下的XGBoost（EXtreme Gradient Boosting）算法的无线智能传播模型。并将其与传统的3GPP模型、空对地A2G信道模型进行了对比测试实验，结果表明XGBoost算法模型在预测准确度上最优，模型预测误差RMSE(Root Mean Square Error)小于4.99 dB，误差均值小于0.8dB，对空对地信道传播路径损耗进行准确预测具有重要意义。关键词：XGBoost算法；无线传播模型；空对地；动态3D天线增益中图分类号：TN915.63文献标识码：A文章编号：1672-0164（2023）06-0102-06图1信道测试的装置架构图2中型固定翼无人机图3测试场景环境图102C o m m u n i c a t i o n&I n f o r m a t i o n T e c h n o l o g y N o.6.2 0 2 3通信与信息技术 2 0 2 3 年第6 期(总第2 6 6 期)基于X G B o o s t 算法的固定翼无人机空对地无线传播模型谭倩，陈盛伟，周剑，杨光平，王文靖中国移动(成都)产业研究院，四川成都 6 1 0 0 6 7摘 要：传统的3 G P P(3 r d G e n e r a t i o n P a r t n e r s h i p P r o j e c t)无线传播模型适用于3 0 0 m 高度以下的场景，并不适用于中高空固定翼无人机高动态应急下的作业场景。针对中高空固定翼无人机应急场景，创新性地考虑了动态3 D 天线增益值进行数据仿真，构建了适用于高空动态场景下的X G B o o s t(E X t r e m e G r a d i e n t B o o s t i n g)算法的无线智能传播模型。并将其与传统的3 G P P 模型、空对地A 2 G 信道模型进行了对比测试实验，结果表明X G B o o s t 算法模型在预测准确度上最优，模型预测误差R M S E(R o o t M e a n S q u a r e E r r o r)小于4.9 9 d B,误差均值小于0.8 d B,对空对地信道传播路径损耗进行准确预测具有重要意义。关键词：X G B o o s t 算法；无线传播模型；空对地；动态3 D 天线增益中图分类号：T N 9 1 5.6 3文献标识码：A文章编号：1 6 7 2-0 1 6 4(2 0 2 3)0 6-0 1 0 2-0 61 引言2 实验系统搭建与特征预处理近年来，随着无人机技术日趋完善，U A S(U n m a n n e dA e r i a l S y s t e m)的应用逐渐从军事推广至民用。在灾情导致大面积通信瘫痪时，中型垂起固定翼无人机能够短时间快速飞行至指定位置，搭载应急机载设备对地提供无线网络覆盖”。深入研究应急场景下空对地信道模型及特性对U A S通信系统的设计及优化具有重要的意义。3 G P P 在2 0 1 7 年也启动了L T E 空中信道的研究，已经开发了若干协议规范2,但他们只关注3 0 0 m 以下低空无线通信的陆地移动终端信道模型，传统的信道模型O K u m r a-H a t a、U m a 等也仅适用于地面场景。A k r a m A l-H o u r a n i?等人研究了城区场景下空对地的路径损耗模型，但该模型仅适用于静态基站发射场景，不适用于中低空、高动态的固定翼无人机的应急场景。以上模型都是针对低空场景下的小型无人机的空对地信道模型，并不适用于中高空、高动态的中大型固定翼无人机的应急场景，且上述模型都是基于传统的经验模型进行研究，在实际应用中适用性和准确度较低。基于机器学习X G B o o s t 算法回，提出一种基于中型固定翼应急场景下的空对地无线智能传播模型，通过对空天基站采集到的工程参数数据进行特征提取，在模型构建中创新性地采用动态3 D天线增益值来提高模型预测的精准度。并将其与传统的空对地信道模型以及3 G P P 3 6.7 7 7 协议提出的信道模型进行比较。结果表明，与传统的无线传播模型相比，基于X G B o o s t算法的路径损耗模型预测准确性更高。2.1 系统搭建实验测试地点为四川内江、陕西榆林的一开阔地带，地面接收终端高约1 m,空中无人机搭载基站和天线对地发射信号，工作频段为9 0 0 M H z,地面接收端能接收空中发送的信号强度，地面终端的位置。空中无人机的相关位置信息及无人机姿态信息可存储在无人机控制终端用于后端数据分析处理，信道测试的装置架构如图1 所示，测试固定翼无人机如图2 所示，测试环境如图3 所示：空中无人肌发射端空中基站发射天线接收天线接收终结数据处理P C 碧地面接收确图1 信道测试的装置架构图2 中型固定翼无人机图3 测试场景环境图收稿日期：2 0 2 3 年7 月2 8 日；修回日期：2 0 2 3 年1 0 月1 6 日1 0 2测试基站为中国移动测试基站，测试频段为 LTEFDD900M，900M频段在自由空间的绕射能力比较强，受到衰落的影响也较小。机载基站天线的工作频段为820MHz-960MHz，天线最大增益为3dBi，飞机在机翼侧朝圆心角度悬挂发射天线用以实现连续覆盖面积。飞行测试时，飞机绕固定圆心顺时针盘旋，盘旋半径 300m。无人机分别对500m/1000m/1500m高度飞行，测试人员从圆心开始，持测试终端每隔0.5km进行定点和拉远测试。2.2特征构造实验使用的数据包括无人机（基站）位置、接收终端位置、信号发射功率、无人机飞行姿态等共12种原始特征数据，采集8000组数据样本，对样本数据进行预处理，并分别构造出几何、角度的7种构建特征，如表1所示：在传统的传播模型中，预测变量均为路径损耗，而在实际中，更直观的测量变量是平均信号接收电平，可表示为 RSRP（Reference Signal Receiving Power）。结合 TD-LTE链路预算模型，由以下无线链路预算的计算公式(1)可计算得到测量的路径损耗值PL：PL=PTx+GTx3D+Grx-PRx(1)其中，GTx3D为动态发射天线3D增益，PTx为基站小区发射功率，Grx为接收天线增益，PRx为测量采集的功率值。2.2.1距离及角度特征构建距离及角度特征构建假定无人机基站和地面接收终端之间的水平距离为d2D，如图4所示，A点表示地面接收终端所在位置，B点表示无人机所在位置，R表示地球平均半径。Aj、Bj分别表示终端、无人机位置的经度。Aw、Bw分别表示终端、无人机位置的纬度。c表示 C点的对“弧”两端点与地心连线即AB弧所夹的角。距离计算原理如下：（1）由球面余弦公式推导可得，角度c计算公式见公式（2）：c=arccos(cos(90-Bw)cos(90-Aw)+sin(90-Bw)sin(90-Aw)cos(Bj-Aj)(2)（2）将角度化为弧度：c(rad)=c180(3)（3）求得水平和3D距离公式（4）（5）：d2D=R*c(4)d3D=d2D2+(Huav-Hue)2(5)式(5)中，Hue表示终端的高度，Huav表示无人机的高度。终端相对无人机的方位角可定义为：以真北为0度起点，向南由东向西顺时针旋转的角度，如图ue所示，由三面角余弦公式及球面三角形基本定理推理得到公式（6）：ue=arctan(Bj-Aj)cosBw/(Bw-Aw)(6)仰角在空对地传播模型中具有重要影响，其表示为终端和无人机位置连线与正南方向的夹角，如图 5中ue所示，由三角函数计算得到终端相对无人机的仰角为公式（7）：ue=arctan(d2D/(Huav-Hue)(7)2.2.2动态动态3D天线增益构建天线增益构建在实际测量中，终端和无人机位置动态变换，各点位对应的天线增益实际为动态3D增益值而非固定值。文中创新性地将动态3D天线增益应用在空对地传播模型中，减小了天线增益对路径损耗带来的误差影响。采用内插法7对测试天线增益进行了插值仿真，内插公式如式（8）所示。系统天线最终的E面及H面的方向图分别如图6、图7所示，得到3D天线增益仿真图如图8所示。Gain(s,s)=H(s)-|s|（H(0)-V(s)+|s|(H()-V(-s)(8)特征类型几何特征角度特征信道特征原始特征接收终端经度Aj接收终端纬度Aw无人机经度Bj无人机纬度Bw终端地面高度Hue无人机飞行高度Huav无人机飞行速度Vuav无人机航向角uav无人机滚转角uav发射机发射功率PTx发射机频率fc3D天线增益GTx3D构建特征信号传播平面距离d2D信号传播3D距离d3D终端相对无人机的方位角ue终端相对无人机的仰角ue信号传播高度差Hd终端相对天线的方位角终端相对天线的仰角单位mmradradmradradMHzMHzdBi表1特征向量构建图4无人机与终端球面位置示意图图5无人机与终端平面位置示意图获奖征文基于XGBoost算法的固定翼无人机空对地无线传播模型103获奖征文基于X G B o o s t 算法的固定翼无人机空对地无线传播模型测试基站为中国移动测试基站，测试频段为L T EF D D 9 0 0 M,9 0 0 M 频段在自由空间的绕射能力比较强，受到衰落的影响也较小。机载基站天线的工作频段为8 2 0 M H z-9 6 0 M H z,天线最大增益为3 d B i,飞机在机翼侧朝圆心角度悬挂发射天线用以实现连续覆盖面积。飞行测试时，飞机绕固定圆心顺时针盘旋，盘旋半径3 0 0 m。无人机分别对5 0 0 m/1 0 0 0 m/1 5 0 0 m 高度飞行，测试人员从圆心开始，持测试终端每隔0.5 k m 进行定点和拉远测试。2.2 特征构造实验使用的数据包括无人机(基站)位置、接收终端位置、信号发射功率、无人机飞行姿态等共1 2 种原始特征数据，采集8 0 0 0 组数据样本，对样本数据进行预处理，并分别构造出几何、角度的7 种构建特征，如表1 所示：表1 特征向量构建特征类型 原始特征构建特征单位接收终端经度A接收终端纬度A。信号传播平面距离d?om无人机经度B信号传播3 D 距离d?om几何特征 无人机纬度B。终端相对无人机的方位角r a d终端相对无人机的仰角0 r a d终端地面高度H,信号传播高度差H。m无人机飞行高度H无人机飞行速度V.无人机航向角终端相对天线的方位角r a d角度特征无人机滚转角0终端相对天线的仰角0r a d发射机发射功率P?信道特征 发射机频率f3 D 天线增益GM H zM H zd B i在传统的传播模型中，预测变量均为路径损耗，而在实际中，更直观的测量变量是平均信号接收电平，可表示为R S R P(R e f e r e n c e S i g n a l R e c e i v i n g P o w e r)。结合T D-L T E链路预算模型，由以下无线链路预算的计算公式(1)可计算得到测量的路径损耗值P:P?=P+G r a n+G-P(1)其中，G y a n 为动态发射天线3 D 增益，P?为基站小区发射功率，G?为接收天线增益，P 为测量采集的功率值。2.2.1 距离及角度特征构建d z oQ u ee、R图4 无人机与终端球面位置示意图ZB u exH u a vd a oH u e图5 无人机与终端平面位置示意图假定无人机基站和地面接收终端之间的水平距离为d?,如图4 所示，A 点表示地面接收终端所在位置，B 点表示无人机所在位置，R 表示地球平均半径。A、B,分别表示终端、无人机位置的经度。A,、B。分别表示终端、无人机位置的纬度。c 表示C 点的对“弧”两端点与地心连线即A B 弧所夹的角。距离计算原理如下：(1)由球面余弦公式推导可得，角度c 计算公式见公式(2):c =a r c c o s(c o s(9 0 -B)c o s(9 0 -A)+s i n(9 0-B。)s i n(9 0-A。)c o s(B;-A,)(2)(2)将角度化为弧度：c(r a d)=1 8 0(3)(3)求得水平和3 D 距离公式(4)(5):d?=R*c(4)d?o=d?p 2+(H-H(5)式(5)中，H _ 表示终端的高度，H.表示无人机的高度。终端相对无人机的方位角可定义为：以真北为0 度起点，向南由东向西顺时针旋转的角度，如图所示，由三面角余弦公式及球面三角形基本定理推理得到公式(6):4=a r c t a n(B,-A,)c o s B/(B。-A。)(6)仰角在空对地传播模型中具有重要影响，其表示为终端和无人机位置连线与正南方向的夹角，如图5 中所示，由三角函数计算得到终端相对无人机的仰角为公式(7):=a r c t a n(d?o/(H-H)(7)2.2.2 动态3 D 天线增益构建在实际测量中，终端和无人机位置动态变换，各点位对应的天线增益实际为动态3 D 增益值而非固定值。文中创新性地将动态3 D 天线增益应用在空对地传播模型中，减小了天线增益对路径损耗带来的误差影响。采用内插法”对测试天线增益进行了插值仿真，内插公式如式(8)所示。系统天线最终的E 面及H 面的方向图分别如图6、图7 所示，得到3 D 天线增益仿真图如图8 所示。G u i n(4.,D.)=H(,)-1“(H(O)-V(a,)+|(H()-V(-,)(8)1 0 3其中，s表示终端在无人机坐标下的水平角，s为终端在无人机坐标下的仰角，通过水平方向图及垂直方向图得到终端位置的水平增益及垂直增益分别为H(s)及V(s)。终端相对于3D天线增益的方位角，仰角受无人机飞行时飞行姿态滚转角和航向角动态变换的影响。终端相对天线的方位角和仰角为终端相对无人机的方位角ue、仰角ue与无人机滚转角uav、航向角uav之差再与2的取模值，具体表达见式（9）（10）：=(ue-uav)mod(2)(9)=(ue-uav)mod(2)(10)通过式（9）（10）中所得角度、，查找构建的系统3D 天线仿真值可得到对应位置下的动态 3D 天线增益值GTx3D，代入式(1)可以得到数据集的路径损耗值PL,用于后续模型构建。2.2.3特征提取特征提取为判别表1 中各特征对路径损耗的影响，需求得各特征向量与路径损耗PL的相关性的值的大小。选择皮尔森Pearson相关性系数8作为评价法来计算各特征的相关系数，皮尔森系数可由特征与预测特征之间的协方差与其标准差的比值计算得到，见公式（11）：XY=cov(X,Y)XY=E(X-X)(Y-Y)XY(11)式（11）中，X为特征向量，Y为预测变量PL，cov(X,Y)表示特征值与路径损耗值的协方差，X和Y分别表示特征值与路径损耗值的均值，X和Y分别表示特征值与路径损耗值的标准差。按相关性值的大小降序排序如表2所示：从表2结果可以看出，基站和接收终端之间的路径损耗与3D距离d3D，水平距离d2D之间的相关性最大，为正相关，即距离越大，路径损耗值就越大。相关性系数绝对值越大，表明该特征对于目标特征的构建越重要，因此选取了 与 路 径 损 耗 相 关 系 数 最 大 的 5 个 特 征 变 量d3D,d2D,ue,uav,ue作为特征向量对传播模型进行构建。3经典路径损耗模型修正3.1评价指标通过预测模型的均方根误差 RMSE（Root Mean SquareError）和误差均值ME(mean error)值来判断模型的优劣，误差越小，模型预测效果越好。基于 n 个样本的评估指标RMSE,ME可以定义为公式（12）（13）：RMSE=1ni=1n(yi-yi)2(12)ME=i=1n(yi-yi)n(13)其中，yi代表第i个样本的路径损耗预测值，yi代表第i个样本对应的实测的路径损耗值。3.23GPP模型在3GPP TR 36.777协议中提出了基于低空300m以下的低空空对地无线传播模型RMa-AV LOS模型。该模型示意图如图9所示：模型表达式为公式（14）：PL3GPPRma-AV-LOS(fc,d3D)=max(23.9-1.8log10()Huav,20)log10()d3D+20log10()40fc3(14)排序12345678特征名称d3Dd2DueuavueVuavuavHd相关系数0.290.28-0.28-0.260.21-0.20.18-0.13相关系数绝对值0.290.280.280.260.210.20.180.13图6系统天线E面方向图图7系统天线H面方向图图83D增益仿真图表2相关性结果图9RMa-AV LOS模型示意图104通信与信息技术 2 0 2 3 年第6 期(总第2 6 6 期)其中，,表示终端在无人机坐标下的水平角，0,为终端在无人机坐标下的仰角，通过水平方向图及垂直方向图得到终端位置的水平增益及垂直增益分别为H(,)及V(,)。1 0mwB rm/m-”mu图6 系统天线E 面方向图图7 系统天线H 面方向图图8 3 D 增益仿真图终端相对于3 D 天线增益的方位角,仰角受无人机飞行时飞行姿态滚转角和航向角动态变换的影响。终端相对天线的方位角和仰角0 为终端相对无人机的方位角q、仰角0 与无人机滚转角q、航向角之差再与2 的取模值，具体表达见式(9)(1 0):=(4-9)m o d(2)(9)=(0-)m o d(2)(1 0)通过式(9)(1 0)中所得角度、0,查找构建的系统3 D 天线仿真值可得到对应位置下的动态3 D 天线增益值G a D,代入式(1)可以得到数据集的路径损耗值P,用于后续模型构建。2.2.3 特征提取为判别表1 中各特征对路径损耗的影响，需求得各特征向量与路径损耗P?的相关性的值的大小。选择皮尔森P e a r s o n 相关性系数图作为评价法来计算各特征的相关系数，皮尔森系数可由特征与预测特征之间的协方差与其标准差的比值计算得到，见公式(1 1):p w=(=E l x-g y-)(1 1)式(1 1)中，X 为特征向量，Y 为预测变量P,c o u(X,Y)表示特征值与路径损耗值的协方差，,和?分别表示特征值与路径损耗值的均值，x 和y 分别表示特征值与路径损耗值的标准差。按相关性值的大小降序排序如表2 所示：表2 相关性结果排序12345678特征名称d?od?o0.4V 9H?相关系数0.2 90.2 8-0.2 8-0.2 60.2 1-0.20.1 8-0.1 3相关系数绝对值0.2 90.2 80.2 80.2 60.2 10.20.1 80.1 3从表2 结果可以看出，基站和接收终端之间的路径损耗与3 D 距离d?o,水平距离d?。之间的相关性最大，为正相关，即距离越大，路径损耗值就越大。相关性系数绝对值越大，表明该特征对于目标特征的构建越重要，因此选取了与 路 径 损耗 相关系数最大的5 个特征 变量 d?o d?o,D 0 作为特征向量对传播模型进行构建。3 经典路径损耗模型修正3.1 评价指标通过预测模型的均方根误差R M S E(R o o t M e a n S q u a r eE r r o r)和误差均值M E(m e a n e r r o r)值来判断模型的优劣，误差越小，模型预测效果越好。基于n 个样本的评估指标R M S E,M E 可以定义为公式(1 2)(1 3):R U s s=5 点6.-F(1 2)(1 3)其中，y:代表第i 个样本的路径损耗预测值，y,代表第i 个样本对应的实测的路径损耗值。3.2 3 G P P 模型在3 G P P T R 3 6.7 7 7 协议中提出了基于低空3 0 0 m 以下的低空空对地无线传播模型R M a-A V L O S 模型。该模型示意图如图9 所示：oH u a vh sd z o图9 R M a-A V L O S 模型示意图模型表达式为公式(1 4):P L G P P (f d?)=m a x(2 3 9-1.8 h g o(1),2 0)o g(d)+2 0 w g?3)4)1 0 4该公式应满足的使用条件为：10m Huav 300md2D 10Km(15)式（15）中，Huav可大于、等于或小于hBS。显然该模型对于中高空场景下的信道模型应用有较大的差异，在中高空场景下，该模型可等同于自由空间传播模型，该公式为式（16）：PL=20logd+20logf+20log(4c)(16)3.3A2G模型Akram Al-Hourani 等人提出的无人机空对地的路径损耗A2G模型，该模型考虑了无人机与地面终端传输的视距概率，高空中无人机搭载应急基站发出的无线电信号首先会经过自由空间进行直视路径传播，信号传播至超低空时，会继续经由近地面遭遇地面障碍物引起阴影和散射从而进行非视距传输。将空对地路径损耗可表示为视距损耗PLLOS和额外损耗PLNLOS，见公式（17）（18）：PLLos=20logd+20logf+20log(4c)+Los(17)PLNLos=20logd+20logf+20log(4c)+NLos(18)式中，Los、NLos分别表示视距和非视距传输时的额外损耗，其取值与传播环境有关。c代表光速，fc代表载波频率，d代表无人机与地面终端的3D距离。平均路径损耗可表示为公式（19）：PL=PLos*PLLos+PNLos*PLNLos(19)其中，PLos表示视距链路传播的概率值，PNLos表示非视距链路传播的概率值，ITU-R中给出了路径损耗的视距概率，研究者经过不断拟合，将其公式总结为式（20）9：PLos=11+ae-b(180-a)(20)式（20）中：a、b表示与测试环境有关的参数，表示用户对无人机基站的仰角，h表示无人机基站的高度，dr表示无人机在地面投影点离用户终端的水平距离。对公式（20）进行化简，得到空对地场景下的路径损耗模型见公式（21）：PL=Los-NLos1+ae-b(-a)+20logd+20logf+20log(4c)+NLos(21)4基于XGBoost算法的无线信道模型XGBoost算法由华盛顿大学的陈天奇博士于2016年开发的具有线性规模求解器和树学习算法Boosting库中所提出，较其他算法而言具有更高的预测准确率。文中采用XGBoost算法作为高动态无人机应急场景下空对地路径损耗反演的核心算法，其算法原理表示如下：（1）正则化的损失函数Loss如式（22）所示，象征着模型对数据的拟合，由训练误差和正则化项两部分组成，正则化项由（23）式表示，它是由i棵树的正则化项相加而成，表示着模型的惩罚参数，用于解决过拟合问题。yi和yi分别代表实际和预测路径损耗值。x 表示输入特征值即d3D i,d2D i,ue i,uav i,ue i：Loss(xi)=i=1nl(yi,yi,)+i=1t(fi)(22)(f)=T+12j=1Tj2(23)ft(x)=wq(x)(24)（2）在第t次迭代后，模型的预测为在前面t-1次模型的基础上再加上第t棵树的预测，因此目标函数转为：Loss=i=1nl(yi,yit-1)+ft(xi)+i=1t-1(fi)+(ft)(25)yti=yt-1i+ft(xi)(26)（3）将目标函数在yt-1i处进行二阶泰勒展开：Loss i=1nl(yi,yit-1)+gift(xi)+12hift(xi)2+i=1t-1(fi)+(ft)(27)gi=y(t-1)l(yi,yit-1)(28)hi=2yt-1L(yi,yit-1)(29)(4)去除所有常数项，再将式(24)和正则项（23）式代入式（22），可以得到式（30）：Loss i=1n giwq(xi)+12hiw2q(xi)+T+12w2j(30)(5)将树种每个叶子节点 j 上的样本集定义为：Ij=i|q(xi)=j，然后将样本累加操作转换为对叶节点的操作，得到最终的目标函数为式（31）：Loss j=1T(iIjgi)wj+12(i Ijhi+)w2j+T(31)(6)如果树的结构确定，在求解目标函数时为使目标函数取得最小值，可以令导数为零，便可以求解出最优的w参数的值，然后将w代入目标函数中，便可以求得最终的损失值，求解出最终损失函数及相关参数值如下：Loss*=-12j=1TG2jHj+T(32)Gj=i Ijgi(33)Hj=i Ijhi(34)*j=-GjHj+(35)(6)可以通过求解目标函数式(32)，使得损失函数值越小越好，即GH+要越大，从而对于每一个叶子节点的分裂，分裂前后的信息增益为式（36）：Gain=-12G2LHL+G2RHR+-(GR+GL)2(HR+HL)+-(36)获奖征文基于XGBoost算法的固定翼无人机空对地无线传播模型105获奖征文基于X G B o o s t 算法的固定翼无人机空对地无线传播模型该公式应满足的使用条件为：l(1 5)式(1 5)中，H 可大于、等于或小于h s o显然该模型对于中高空场景下的信道模型应用有较大的差异，在中高空场景下，该模型可等同于自由空间传播模型，该公式为式(1 6):P L=2 0 1 o g d+2 0 1 o g f+2 0 l o g()(1 6)3.3 A 2 G 模型A k r a m A l-H o u r a n i 等人提出的无人机空对地的路径损耗A 2 G 模型，该模型考虑了无人机与地面终端传输的视距概率，高空中无人机搭载应急基站发出的无线电信号首先会经过自由空间进行直视路径传播，信号传播至超低空时，会继续经由近地面遭遇地面障碍物引起阴影和散射从而进行非视距传输。将空对地路径损耗可表示为视距损耗P L s和额外损耗P L w o s,见公式(1 7)(1 8):P L=2 0 l g d+2 0 1 o g f+2 0 l u g()+P L w=2 0 1 o g d+2 0 l o g f+2 0 l o g()+(1 7)(1 8)式中，、7 分别表示视距和非视距传输时的额外损耗，其取值与传播环境有关。c 代表光速，f c 代表载波频率，d 代表无人机与地面终端的3 D 距离。平均路径损耗可表示为公式(1 9):P L=P L*P L+P L*P L N(1 9)其中，P,表示视距链路传播的概率值，P x 表示非视距链路传播的概率值，I T U-R 中给出了路径损耗的视距概率，研究者经过不断拟合，将其公式总结为式(2 0):P 2=+*号(2 0)式(2 0)中：a、b 表示与测试环境有关的参数，0 表示用户对无人机基站的仰角，h 表示无人机基站的高度，d r表示无人机在地面投影点离用户终端的水平距离。对公式(2 0)进行化简，得到空对地场景下的路径损耗模型见公式(2 1):P L=7+2 0 l g d+2 0 l o g f+2 0 l o g()+7(2 1)4 基于X G B o o s t 算法的无线信道模型X G B o o s t 算法由华盛顿大学的陈天奇博士于2 0 1 6 年开发的具有线性规模求解器和树学习算法 B o o s t i n g 库中所提出，较其他算法而言具有更高的预测准确率。文中采用X G B o o s t 算法作为高动态无人机应急场景下空对地路径损耗反演的核心算法，其算法原理表示如下：(1)正则化的损失函数L o s s 如式(2 2)所示，象征着模型对数据的拟合，由训练误差和正则化项两部分组成，正则化项由(2 3)式表示，它是由i 棵树的正则化项相加而成，表示着模型的惩罚参数，用于解决过拟合问题。y;和；分别代表实际和预测路径损耗值。x 表示输入特征值即 d?o d?0 :L o s(x)=G s y)+a()(2 2)a()=T+A(2 3)f(x)=w?(s)(2 4)(2)在第t 次迭代后，模型的预测为在前面t-1 次模型的基础上再加上第t 棵树的预测，因此目标函数转为：1 0 s=(0 n s?)+f(x)+a()+a(k)(2 5)j=g?-1+f,(x;)(2 6)(3)将目标函数在处进行二阶泰勒展开：L 0 s=S 1*1)+g,5(c)+5 A G(a)+a)+a()(2 7)8;=0 g l(y,y 1(2 8)h?=d 2 y-L(y,S)(2 9)(4)去除所有常数项，再将式(2 4)和正则项(2 3)式代入式(2 2),可以得到式(3 0):L o s s l g+h,m J+y T+a u;(3 0)(5)将树种每个叶子节点j 上的样本集定义为：L,=i l g(x?)=j ,然后将样本累加操作转换为对叶节点的操作，得到最终的目标函数为式(3 1):)m+号(+A N j 1+y r(3 1)(6)如果树的结构确定，在求解目标函数时为使目标函数取得最小值，可以令导数为零，便可以求解出最优的w参数的值，然后将w 代入目标函数中，便可以求得最终的损失值，求解出最终损失函数及相关参数值如下：L=-m+y rG=S(3 2)(3 3)n,=.=-用六(3 4)(3 5)(6)可以通过求解目标函数式(3 2),使得损失函数值越小越好，即要越大，从而对于每一个叶子节点的分裂，分裂前后的信息增益为式(3 6):c a i n=-号1 m*m-(m+F 1-(3 6)1 0 5Gain值越大，分裂后减少的损失值就越大，因此在对一个叶子节点进行分割时，需要计算所有候选的特征标签值所对应的gain，选择gain最大特征值进行分割。树节点分裂的精准算法如下：需要遍历所有特征可能的分割点，计算gain值，选择最大的gain值所对应的特征标签对，即（d3D i,d2D i,ue i,uav i,ue i,PL）数据进行分割的算法如表3所示：5实验结果和分析为进一步验证基于XGBoost算法的智能无线传播模型的预测准确性，建立了机器学习算法模型与传统的经典传播模型3GPP的RMa-AV LOS模型以及空对地A2G信道模型的比较，三种模型采用的训练集和测试集的实验数据均相同。采用网格搜索法对XGBoost模型算法进行调优，最终优化后的模型的参数如表4所示。在固定翼无人机飞行盘旋状态下，分别对四川内江、陕西榆林两个不同的测试地点进行飞行测试，采集测试数据集，测试数据预测结果图如下图所示。四川内江预测结果图：陕西榆林预测结果图：图10与图14表示路径损耗随飞机盘旋的3D空间变化图，从图中可以看出，大型固定翼无人机在空中盘旋时，地面接收的路径损耗值随无人机的盘旋姿势而不断波动，最大波动范围可达20dB左右。从图11和图15可以看出地面接收的路径损耗值随时间呈似正弦函数曲线变化，XGBoost算法能够较好的跟随这种函数变化规律，而传统的经典修正算法只能拟合出预测值的整体均值，不能精确的预测各点位的测试值。图12与图16表示路径损耗随距离变化趋势，可以看出随着距离的变大，路径损耗值也呈现变大的趋势，由于在500m1500m的中高空场景，在终端距离无人机位置较近处，A2G模型中的仰角较大，会使得视距传输概率接近100%，即与3GPP一样，都可近似看成为自由空间传播，故两模型预测效果差异不大。而当在终端距离无人机位置较远处，即图中相距约5km处，A2G模型中的仰角变小，接近非视距传输，则A2G模型与3GPP模型在预测效果上出现差异，A2G模型的路径损耗比自由空间模型的路径损耗更大，但两者在预测准确性上存在较大误差，而XGBoost模型无论在大仰角还是小仰角情况下预测误差算法：精确的贪心算法输入：I，当前节点的数据集（d3D,d2D,ue,uav,ue,PL）输入：d，特征维度，本文特征维度数为5gain 0Gain i IjgiGain i Ijhifor k=1 to m do：GL 0,HL 0for j in sorted(I,by Xjk)doGL GL+gj,HL HL+hjGR G-GL,HR H-HLScore (score,G2LHL+G2RHR+-G2H+)endend输出：分裂的最大分数表3XGBoost特征分割算法最大深度6学习率0.1最大迭代次数1000提升器gbtreeGamma0Lambda3Objectivelogistic重采样率0.7表4XGBoost模型优化参数表图10路径损耗3D空间效果图图11 路径损耗随时间变化趋势图图12 路径损耗随距离变化趋势图图13RSRPCDF图图16路径损耗随距离变化趋势图图17RSRP CDF图图14路径损耗3D空间效果图图15 路径损耗随时间变化趋势图106通信与信息技术 2 0 2 3 年第6 期(总第2 6 6 期)G a i n 值越大，分裂后减少的损失值就越大，因此在对一个叶子节点进行分割时，需要计算所有候选的特征标签值所对应的g a i n,选择 g a i n 最大特征值进行分割。树节点分裂的精准算法如下：需要遍历所有特征可能的分割点，计算g a i n 值，选择最大的g a i n 值所对应的特征标签对，即(d?o;d?B?P)数据进行分割的算法如表3 所示：表3 X G B o o s t 特征分割算法算法：精确的贪心算法输入：1,当前节点的数据集(d?o?d?o,B,P)输入：d,特征维度，本文特征维度数为5g a i n-0G a i n-gc a n-f o r k=1 t o m d o:G?-0,H?-0f o r j i n s o r t e d(I,b y X)d oG L-G L+g j,H?-H?+h jG R-G-G r,H R-H-H?s o u e(c m 用-用)e n de n d输出：分裂的最大分数5 实验结果和分析为进一步验证基于X G B o o s t 算法的智能无线传