Prédiction de la perte de chemin à ultrahaute fréquence basée sur les K-plus proches voisins

Résumé La prédiction de la perte de chemin (PLP) est une caractéristique importante des communications sans fil car elle permet à un récepteur d'anticiper la puissance du signal qui sera reçue d'un émetteur à une distance donnée. La PLP est réalisée en utilisant des modèles d'apprentissage automatique qui prennent en compte de nombreux aspects tels que la fréquence du signal, l'environnement et le type d'antenne. Diverses méthodes d'apprentissage automatique sont utilisées pour anticiper la propagation de la perte de chemin, mais il est difficile de prédire la perte de chemin dans des conditions de propagation inconnues. Les modèles existants reposent sur des données incomplètes ou obsolètes, ce qui peut affecter la précision et la fiabilité des prédictions, et ils ne tiennent pas compte des effets des facteurs environnementaux, tels que le terrain, le feuillage et les conditions météorologiques, sur la perte de chemin. En outre, les modèles existants ne sont pas suffisamment robustes pour gérer la variabilité et l'incertitude du monde réel, entraînant des erreurs significatives dans les prédictions. Pour résoudre ce problème, une nouvelle PLP à ultrahaute fréquence (UHF) basée sur les K-plus proches voisins (KNN) est développée pour prédire et optimiser la perte de chemin pour l'UHF. Dans ce modèle proposé, une PLP basée sur KNN a été utilisée pour prédire la perte de chemin dans l'UHF. Cette technique est utilisée pour une PLP de haute précision grâce à la prévision de KNN de la perte de chemin en déterminant les points de données K-plus proches d'un point de test particulier sur la base d'une métrique de distance. De plus, les modèles existants n'ont pas pu optimiser la perte de chemin en raison de modèles d'apprentissage automatique complexes et à grande échelle. Par conséquent, la technique de descente de gradient stochastique a été utilisée pour minimiser la fonction objective, qui est souvent une mesure de la différence entre les prédictions du modèle et la sortie réelle, ce qui permettra d'affiner les paramètres du modèle KNN, en mesurant la similarité entre les points de données. Ce modèle est implémenté en utilisant Python pour le rendre beaucoup plus pratique.