【技术实现步骤摘要】
本专利技术涉及无人机通信，尤其涉及一种无人机传输链路质量实时评估预测方法。
技术介绍
1、近年来，无人机技术的发展取得了巨大进展，被广泛应用于各个领域。无人机可以携带各种传感器和摄像头，能够进行实时监视和侦察，获取位置、部署、交通情况等重要信息。无人机侦察信息成功回传与否取决于当前无人机传输链路质量，在良好链路质量下，无人机可以回传清晰的实时视频，在一般链路质量下，无人机可以回传指定帧的图像，在较差链路质量下，无人机可以回传报文信息。但是，干扰、地物环境、无人机平台机动等因素都会引起无人机传输链路质量的变化。当链路质量由良好变化到较差时，继续传输实时视频会出现视频卡顿、花屏等现象，甚至引发传输链路堵塞导致丧失信息传输能力。因此对无人机传输链路质量实时评估与预测具有重要意义，可以根据评估预测的链路质量选择传输适合的信息类型，以确保可以实时获取当前信息。现有无人机传输链路质量实时评估与预测方法以机理模型和经验模型为主，这些方法效率、精度较低，且过分依赖经验，无法满足多时变、高效率和高精度的要求。
技术实现思路
1、为了解决上述问题，本专利技术提供了一种无人机传输链路质量实时评估预测方法，采用链路可用带宽作为链路质量的评价标准，通过贝叶斯优化算法自适应确认梯度提升树的超参数，相较于决策树、随机森林算法具有更好的准确性与泛化性，为无人机传输链路质量实时评估与预测提供技术支撑。
2、为实现上述目的，本专利技术采用的技术方案如下：
3、一种无人机传输链路质量实时评估预测
4、步骤1，构建以无人机传输链路的接收信号强度指示rssi、比特出错概率ber、信噪比snr、带宽bandwidth为参数的传输链路质量评估预测数据集；
5、步骤2，构建无人机传输链路质量实时评估预测的输入样本空间与标签样本空间；
6、步骤3，通过随机森林确定梯度提升树的初始参数；
7、步骤4：通过贝叶斯优化算法自适应确认梯度提升树的超参数；
8、步骤5：以步骤4确定的超参数构建贝叶斯优化梯度提升树模型，使用步骤2中的输入样本空间与标签样本空间作为训练集，对贝叶斯优化梯度提升树模型进行训练，获得训练好的贝叶斯优化梯度提升树模型；
9、步骤6：将当前时刻的无人机传输链路的rssi、ber、snr参数输入训练好的贝叶斯优化梯度提升树模型，输出表征链路质量的bandwidth参数，即无人机传输链路质量实时评估预测结果。
10、进一步地，步骤1的具体方式为：
11、步骤1.1，选择一处具备无人机与地面站间存在不同遮蔽程度的飞行场地；
12、步骤1.2，保证无人机连续飞行，在飞行过程中，操纵无人机，实现其与地面站间的距离由近到远、由远到近；
13、步骤1.3，保证无人机连续飞行，在飞行过程中，操纵无人机，实现其与地面站间存在不同程度的遮蔽；
14、步骤1.4，在无人机飞行过程中，根据传输数据的质量，手动切换数据链带宽等级，每个等级是一个bandwidth；
15、步骤1.5，实时存储无人机飞行过程中的rssi、ber、snr与bandwidth，存储格式为[rssi1,ber1,snr1,bandwidth1],[rssi2,ber2,snr2,bandwidth2]...[rssin,bern,snrn,bandwidthn]；
16、步骤1.6，将步骤1.5中的每条数据以bandwidth为标签进行划分，通过采样处理，保证每类bandwidth的数据量相同，采样处理后的数据作为无人机传输链路质量评估与预测数据集。
17、进一步地，步骤2的具体方式为：
18、步骤2.1，将步骤1中获得的数据集中的rssi、ber、snr作为输入样本，构建输入样本空间；
19、步骤2.2，对应的，将步骤1中获得的数据集中的bandwidth作为标签样本，构建标签样本空间。
20、进一步地，步骤3的具体方式为：
21、步骤3.1，构建随机森林模型，以步骤2.1中的输入样本作为随机森林的输入特征，以步骤2.2中的标签样本作为随机森林的分类预测标签，对随机森林模型进行训练；
22、步骤3.2，将随机森林的参数作为梯度提升树的基本参数，包括学习率learning_rate、树的最大深度max_depth、树的数量n_estimators、最小不纯度减少min_impurity_decrease、子采样subsample。
23、进一步地，步骤4的具体方式为：
24、步骤4.1，划定梯度提升树模型超参数的取值范围；
25、步骤4.2，初始化梯度提升树，即生成第一颗cart回归树；
26、步骤4.3，根据输入样本和标签样本计算当前梯度提升树的残差估计值，采用平方损失函数计算损失值，采用损失值的负梯度作为残差估计值；
27、步骤4.4，根据输入样本和标签样本计算每个叶子节点的最佳拟合值，生成一颗新的最优的cart回归树；
28、步骤4.5，根据加法模型，将已有的梯度提升树与步骤4.4生成的新的cart回归树相加，得到最新的梯度提升树；
29、步骤4.6，通过贝叶斯优化算法优化梯度提升树的超参数，具体方式为：采用高斯过程作为代理模型，基于提升策略的pi函数作为采集函数，在步骤4.1划定的超参数取值范围里计算出最优超参数组合；
30、步骤4.7，比较当前cart回归树的残差估计值与之前的残差估计值，若当前cart回归树的残差估计值更小，则将其更新为最优回归树；
31、步骤4.8，返回步骤4.3，若连续100次损失值没有下降，则停止迭代，转步骤4.9，否则，继续迭代以减小训练残差；
32、步骤4.9，结束迭代后，得到梯度提升树模型的超参数。
33、进一步地，步骤5的具体方式为：
34、步骤5.1，将步骤2获得的输入样本空间与标签样本空间作为训练集对贝叶斯优化梯度提升树模型进行训练；
35、步骤5.2，保存步骤5.1中训练得到的贝叶斯优化梯度提升树模型参数，获得训练好的贝叶斯优化梯度提升树模型。
36、进一步地，步骤6的具体方式为：
37、步骤6.1，将当前时刻的无人机传输链路的rssi、ber、snr参数输入到训练好的贝叶斯优化梯度提升树模型中；
38、步骤6.2，模型输出表征链路质量的bandwidth，即无人机传输链路质量实时评估预测结果。
39、与现有技术相比，本专利技术的有益效果在于：
40、1、本专利技术利用无人机传输链路的可用带宽作为评估与预测链路质量的标准，与采用链路物理层参数作为标准相比，更加直观高效，为传输何种态势信息提供支撑。
41、2、本专利技术采用梯度提升树算法作为链路质量的评估与预测方法，相较决策树、随机森本文档来自技高网...
【技术保护点】
1.一种无人机传输链路质量实时评估预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种无人机传输链路质量实时评估预测方法，其特征在于，步骤1的具体方式为：
3.如权利要求1所述的一种无人机传输链路质量实时评估预测方法，其特征在于，步骤2的具体方式为：
4.如权利要求1所述的一种无人机传输链路质量实时评估预测方法，其特征在于，步骤3的具体方式为：
5.如权利要求1所述的一种无人机传输链路质量实时评估预测方法，其特征在于，步骤4的具体方式为：
6.如权利要求1所述的一种无人机传输链路质量实时评估与预测方法，其特征在于，步骤5的具体方式为：
7.如权利要求1所述的一种无人机传输链路质量实时评估与预测方法，其特征在于，步骤6的具体方式为：
【技术特征摘要】
1.一种无人机传输链路质量实时评估预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种无人机传输链路质量实时评估预测方法，其特征在于，步骤1的具体方式为：
3.如权利要求1所述的一种无人机传输链路质量实时评估预测方法，其特征在于，步骤2的具体方式为：
4.如权利要求1所述的一种无人机传输链路质量实时评估预测方法，...
【专利技术属性】
技术研发人员：杨建永，张秋阳，苏阳，邸成良，柴兴华，陈彦桥，李晨阳，张泽勇，张子博，陈俊宇，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。