在LoRaWAN畜牧业监测中准确预测路径损失的深度学习方法

科学领域:

• 农业技术 农业技术
• 无线通信系统无线通信系统
• 农业中的人工智能

背景情况:

• 农业部门正在整合传感,通信和人工智能,实现工业革命.
• 物联网 (IoT) 对于远程畜牧监控至关重要,但在现场通信,覆盖和数据传输方面面临挑战.
• 由于地形和土地覆盖面,在山区监测牲畜存在独特的沟通障碍.

研究的目的:

• 评估LoRa通讯的意大利阿尔卑斯山的畜牧业监测.
• 分析各种土地覆盖类型的LoRa路径损失预测,并优化网关部署以获得可靠的覆盖范围.
• 开发和验证一个深度学习模型,用于在具有挑战性的山地地形中准确估计路径损失.

主要方法:

• 在山区牧场中对LoRa通信性能的实证评估.
• 利用遥感进行陆地覆盖的识别.
• 开发一个深度学习模型,双向长期短期记忆 (Bi-LSTM),用于路径丢失预测.

主要成果:

• 建议的深度学习方法显著减少了路径损失估计错误,达到不到5dB的误差.
• 该模型在路径丢失预测准确性方面比最先进的方法提高了2倍.
• 实验数据验证了模型在复杂,崎的景观中的有效性.

结论:

• 该研究通过为山区环境提供强大的通信解决方案,推进了物联网驱动的牲畜监控.
• 开发的深度学习模型提供了精确的路径损失预测,提高了LoRa网络的可靠性.
• 这项研究解决了关键的沟通挑战,为更有效的远程畜牧管理铺平了道路.