通过自适应机器学习和环境传感进行传感器驱动的RSI预测

科学领域:

• 无线通信
• 机器学习
• 环境传感

背景情况:

• 接收信号强度指标 (RSSI) 预测对于网络规划,优化和高效的交付管理至关重要.
• 传统的路径损失模型提供了理论基础,但难以处理复杂的环境相互作用.
• 机器学习提供了一个数据驱动的方法来提高无线网络的性能.

研究的目的:

• 为预测RSI提出一个自适应机器学习框架.
• 将环境传感参数 (温度,湿度,压力,颗粒物) 整合到 RSSI 预测中.
• 评估环境因素对RSSI预测准确性的影响.

主要方法:

• 开发了一个适应性机器学习框架来预测RSI.
• 集成的环境传感数据 (温度,相对湿度,气压,颗粒物).
• 将拟议模型与基线模型进行比较,使用差异解释和根平均平方误差等性能指标.

主要成果:

• 通过复杂的非线性相互作用,RSSI值受到环境因素的影响.
• 与没有环境数据的基线模型相比,该模型的解释差异增加了6.02%.
• 当包括环境参数时,观察到解释差异增加了2.04%,并将根平均平方误差降低到1.40dB.

结论:

• 环境因素对RSSI预测有重大影响,挑战传统模型的线性假设.
• 整合环境数据的认知方法大大提高了RSSI预测的准确性.
• 拟议的框架为无线网络规划和优化提供了更高的准确性.