车载超短波电台电波传播预测模型研究_李敏.pdf

2023 年第 36 卷第 7 期Electronic Sci.Tech./Jul.15，2023https:/收稿日期:2022-03-16基金项目:国防预研项目(JZX7X201901JY0048)The Defense Advanced esearch Projects(JZX7X201901JY0048)作者简介:李敏(1997 )，女，硕士研究生。研究方向:电磁兼容、电波传播、电磁场与电磁波。路宏敏(1961 )，男，教授，博士生导师。研究方向:电磁场与微波技术、电磁兼容、环境科学。车载超短波电台电波传播预测模型研究李敏，张光硕，徐至江，谢红星，路宏敏(西安电子科技大学 电子工程学院，陕西 西安 710071)摘要针对实战环境中车载超短波电台通信距离和质量受地面附着物和地形地貌影响的问题，文中基于射线追踪和机器学习，建立了车载超短波电台电波传播预测模型。采用装甲车辆与车载天线的一体化建模获得车载天线辐射方向图，融合电子地图，建立了基于射线追踪技术的电波传播仿真模型。利用随机森林机器学习算法和仿真模型的数据结果，建立了基于随机森林的电波传播预测模型，并与经典电波传播模型如 Egli 模型和 Okumura Hata 模型进行对比。结果显示，基于随机森林的电波传播模型预测精度更高，均方根误差达到2 190 1 dB，决定系数达到0 960 1，可准确预测战术通信环境中的电波传播情况。关键词超短波;路径损耗;射线追踪法;电波传播模型;机器学习;随机森林;电子地图;车载天线中图分类号TN011文献标识码A文章编号1007 7820(2023)07 064 06doi:10.16180/ki.issn1007 7820.2023.07.009esearch on adio Wave Propagation Prediction Model of Vehicle MountedUltrashort Wave adioLI Min，ZHANG Guangshuo，XU Zhijiang，XIE Hongxing，LU Hongmin(School of Electronic Engineering，Xidian University，Xian 710071，China)AbstractGiven the problem that the communication distance and quality of the vehicle mounted ultrashortwave radio are affected by ground attachments and topography in the actual combat environment，a radio wave propa-gation prediction model of vehicle mounted ultrashort wave radio is established based on ray tracing and machinelearning The integrated modeling of armored combat vehicle and vehicle antenna is established to obtain the antennaradiation pattern，and combined with electronic images，the radio wave propagation simulation model based on raytracing technology is established Based on the machine learning algorithm of the random forest and data results forthe simulation model，the radio wave propagation prediction model based on the random forest was established Com-pared with traditional classical radio wave propagation models such as the Egli and Okumura Hata models，the radiowave propagation prediction model based on the random forest has higher accuracy The root mean square error rea-ches 2 190 1 dB，and the coefficient of determination reaches 0 960 1 It can accurately predict radio wave propaga-tion in the tactical communication environmentKeywordsultrashort wave;path loss;ray tracing method;radio wave propagation model;machine learning;random forest;electronic images;vehicle antenna超短波通信传输信号稳定、抗干扰能力强，被广泛应用于军事作战中的无线通信领域。战场环境中的地形地貌会使电波在传播过程中发生直射、反射、绕射及散射，从而产生路径损耗，影响超短波电台的通信性能。但由于现实原因难以得到大量传播信道测量数据，因此本文根据地理信息1 和天线信息建立了车载超短波电台电波传播预测模型。基于预测模型预测电波传播情况，预先判断车载超短波电台通信设备的通信距离2 和质量，以便为战时作好相应准备。目前，针对电波传播模型、预测电波传播路径损耗的研究众多。文献 3 提出了适用于发射器和接收器都为低天线高度特征的对数距离路径损耗模型。文献 4 5 将电波传播路径损耗值与经典电波传播模型结果对比，分析每个经典模型的预测性能，选择最适合的经典模型。文献 6 使用基于射线追踪法7 的仿真软件 Wireless InSite 建立电波传播模型，研究丘陵环境中的超短波电波传播路径损耗。文献 8 9提出了基于机器学习技术的电波传播预测模型，包括人工神经网络和卷积神经网络等模型，产生了比经典模型更好的性能。上述文献的电波传播模型没有考虑天线与平台一体化的辐射特性对路径损耗的影响且主要用于46李敏，等:车载超短波电台电波传播预测模型研究Electronic Science and Technologyhttps:/高发射天线高度特征的通信系统。本文建立了适用于30 88 MHz 战术通信的车载超短波电台电波传播仿真模型和预测模型。在 CST 软件中对装甲车辆与车载天线进行一体化建模，得到天线在车尾上方的天线辐射方向图，并融合电子地图，利用基于射线追踪技术的仿真软件 Wireless InSite 得到电波传播仿真模型。为验证该模型的准确性，将仿真结果与软件高级折射率效应预报系统(AEPS)的计算结果进行对比分析。根据仿真数据提出基于随机森林算法10 的电波传播预测模型，与其他机器学习算法如 k 近邻11、线性回归12、BP 神经网络13 14 相比，随机森林算法对路径损耗的预测最为准确，均方根误差达到 2 190 1 dB，决定系数达到 0 960 1。结果显示，基于随机森林算法的电波传播预测模型性能优于传统电波传播模型，能够准确预测电波传播路径损耗值。1超短波传播特性及电波传播模型超短波是指传播频段为 30 300 MHz 的无线电波，也称为甚高频(Very High Frequency，VHF)波。超短波通信采用空间波即直达波的传播形式，是一种视距通信方式。超短波通信的特点有:1)不易因季节和昼夜的变化而产生影响，通信稳定性好;2)频带较宽，可用于多频段通信;3)通常使用频率调制方式，信噪比较高、通信质量较好，因而被广泛应用于电视、水文遥测、民航通信、广播和战术通信等范围。电波传播模型按照计算方法可分为经验传播模型、确定性传播模型和半经验半确定性传播模型。经验传播模型是在大量实测数据的基础上得到的公式模型。经验传播模型使用起来方便快捷，不需要考虑具体、精确的环境信息，找到与测试场景相近的经验传播模型即可，但也因此预测结果存在一定的误差。确定性传播模型通过对具体实际场景进行建模分析，模拟传播路径得到预测结果，预测精度较高，但计算量较大。确定性传播模型一般采用射线追踪法、时域有限差分法及矩量法等。半经验半确定性模型是把确定性方法应用到某一环境中得到的公式，有时需要对其进行修正，预测精度不高、预测速度较快。对于超短波通信，主要适用的经典电波传播模型有自由空间模型 15、Egli 模型 16、ITU P1546 模型 17、Okumura Hata模型 18 等。本文建立精度较高的基于射线追踪技术的确定性仿真模型，并利用仿真模型的数据结果建立了基于机器学习的电波传播预测模型，能够准确预测电波传播路径损耗。2基于射线追踪技术的电波传播仿真模型2 1平台与天线一体化建模现代陆地战术通信一般使用装甲集群作战，装甲车辆使用工作频段为 30 88 MHz 的车载超短波电台进行无线通信，因此本文以装甲车辆作为天线平台。装甲车辆模型是根据实际尺寸建立的简化后的车体模型。车载天线模型根据 ANT8036 型号鞭状天线建立，其主要指标为:工作频段为30 88 MHz，电压驻波比35，天线总长(包含基座)为3 300 mm，天线增益为15 25 dBi。装甲车辆及车载天线仿真模型如图1 所示。图 1 装甲车辆及车载天线仿真模型Figure 1 Armored vehicle and vehicle antenna simulation model当工作频段为 30 MHz 时，装甲车平台与车载天线一体化的天线辐射方向图如图 2 所示，在自由空间中的车载天线辐射方向图如图 3 所示。图 2 装甲车平台与车载天线一体化的辐射方向图Figure 2 adiation pattern of the integration ofarmored vehicle platform and vehicle antenna图 3 自由空间中的车载天线辐射方向图Figure 3 adiation pattern of vehicle antenna in free space由图 2 和图 3 可以看出有无载体平台的天线产生的辐射方向图差异较大，这是因为安装在装甲车平台56Electronic Science and Technology李敏，等:车载超短波电台电波传播预测模型研究https:/上的车载天线发射的电波会受到车体的影响而产生反射、绕射及散射等现象，从而改变了整体天线辐射特性。与没有载体平台的天线辐射方向图相比，在装甲车辆上的车载天线辐射场在某些方向加强，在其他方向减弱，将会影响电波传播路径损耗，进而影响通信性能。因此建立平台与天线一体化模型较为必要。2 2电波传播仿真建模超短波通信受电波传播环境的地形影响较大，因而在电波传播模型的研究中应着重考虑地形的影响。本文使用基于射线追踪法的仿真软件 Wireless InSite，能够预测各种地形地貌对电波传播过程的影响。由于北京市昌平区地形较为平坦，因此选取此地形为电波传播环境。将北京市昌平区地形的电子地图通过QGIS 软件进行剖分处理后导入仿真软件Wireless In-Site 中进行建模。基于昌平区地形的电波传播仿真模型如图 4 所示。图 4 基于昌平区地形的电波传播仿真模型Figure 4 adio wave propagation simulation model basedon the topography of Changping district本文将装甲车与车载天线一体化模型的天线辐射方向图导入 Wireless InSite 软件作为发射器与接收器的天线方向图形式，建立了适用于战术通信的超短波电波传播仿真模型。为验证该模型的准确性，将仿真结果与软件 AEPS 的计算结果进行了对比，其结果对比如图 5 所示。图 5 射线追踪方法的仿真结果与 AEPS 结果对比Figure 5 Comparison of simulation results of ray tracingmethod with AEPS results由图 5 可以看出，通过使用基于射线追踪法的Wireless InSite 软件得到的电波传播路径损耗仿真结果与 AEPS 的计算结果吻合地较好。射线追踪方法结果显示在 0 17 km 间某些区域的路径损耗值出现凸起，高于整体趋势，这是由于受到地形因素的影响。由此可见，本文所建立的车载超短波电台电波传播仿真模型及其建模方法正确有效，能够用于电波传播路径损耗的精确预测。3基于仿真数据的电波传播预测模型为了能够更精确地预测电波传播路径损耗，本文将机器学习技术与电波传播模型结合起来成为一种重要的研究方法。通过上文建立的电波传播仿真模型得到了大量仿真数据，可通过机器学习技术来对数据进行拟合，学习数据内部之间的映射关系，以便能通过输入值得到输出值。本文将有监督机器学习技术中的回归模型应用到车载超短波电台电波传播模型中，使用线性回归、随机森林、k 近邻、BP 神经网络算法来拟合输入特征(传播距离和工作频率)与输出特征(路径损耗)之间的关系，以实现对电波传播路径损耗的准确预测。3 1数据标准化机器学习算法在使用时一般需要对原始数据进行数据标准化，使不同变量值具有相同影响，提高算法收敛速度，使预测更加准确。本文使用的是 Z score 数据标准化方法19，其公式为z=x (1)式中，z 为数据标准化后的值;x 为原始数据值;为样本数据平均值;为样本数据标准差。3 2预测评价指标本文采用回归模型常用的预测评价指标均方根误差(oot Mean Square Error，MSE)和决定系数(Coeffi-cient of Determination，2)来准确评估各模型的预测性能。MSE 能够衡量预测值与真实值之间的偏差，MSE 的值越接近于 0 表示模型性能越好，其表达式如式(2)所示。MSE=1nni=1yiy()i2(2)2可以反映模型性能的好坏。2越接近于1，代表模型拟合效果越好;2越接近于 0，代表模型拟合效果越差，其表达式为2=1 ni=1yiy()i2ni=1yi?()y2(3)66李敏，等:车载超短波电台电波传播预测模型研究Electronic Science and Technologyhttps:/式(2)和式(3)中，n 为总样本个数;yi为第 i 个样本的预测值;yi为第i个样本的真实值;?y为整体样本的平均值。3 3构建基于随机森林的电波传播预测模型随机森林算法属于集成学习的一种，集成学习的原理是通过组合多个模型实现单个问题的预测。随机森林算法处理灵活、准确率高，其算法通过随机抽取数据集的样本及输入的特征变量，生成多颗决策树，每颗决策树会产生符合自身特性的预测结果，当其应用于回归问题时，最终预测结果即为整体决策树的预测结果平均值。因此决策树的数量是影响预测准确率的重要参数，决策树数量与预测评价指标(MSE、2)的关系曲线如图 6 所示。图 6 决策树数量与预测评价指标关系曲线Figure 6 The relationship between the number ofdecision trees and predictive evaluation indicators由图 6 可知，最佳决策树数量取值为 180。使用此参数值进行随机森林模型的训练。本文还选用了基于最小二乘法的线性回归、k 近邻和包含一个隐藏层的 BP 神经网络机器学习算法对仿真数据进行拟合，实现对电波传播路径损耗的预测。各模型优化后的参数取值如表 1 所示。表 1 各模型的参数取值Table 1 The value of each model parameter模型参数名称参数取值随机森林决策树个数180内部节点分裂的最小样本数2叶子节点的最小样本数1叶子节点中样本的最小权重0树的最大深度10k 近邻所选用的近邻数3预测的权函数权重是距离的倒数向量距离算法欧氏距离BP 神经网络隐藏层神经元个数113 4与经典模型的比较现有的经典电波传播模型是基于特定条件通过大量测试结果得到的经验值。当环境条件发生改变时，模型预测准确率下降、预测误差较大。适用于超短波频段的经典电波传播模型有自由空间模型、Egli 模型、ITU P 1546 模型、Okumura Hata 模型等。为了直观地比较各经典模型与随机森林模型的预测性能，本文选取工作频段为 70 MHz 时的经典电波传播模型及随机森林模型的预测结果与电波传播路径损耗仿真结果进 行 对 比，如 图 7 所 示。对 应 的 预 测 误 差 值(预测值 真实值)对比如图 8 所示。图 7 各模型的路径损耗预测结果对比Figure 7 Comparison of path loss prediction resultsof each model图 8 各模型的路径损耗预测误差值对比Figure 8 Comparison of path loss prediction errorvalues for each model由图 7 和图 8 可以看出，经典电波传播模型例如自由空间模型、Egli 模型、ITU P 1546 模型、Okumura Hata模型预测的路径损耗结果随距离的增长趋势与仿真模型结果相似，但误差值较大。自由空间模型的预测结果整体比仿真值偏低，而 Egli 模型、ITU P 1546 模型和 Okumura Hata 模型的预测值整体比仿真值偏高，传统模型预测性均较差。而随机森林模型整体预测误差值很小，绝大部分样本误差值在 0 dB 左右，预测性能最好。76Electronic Science and Technology李敏，等:车载超短波电台电波传播预测模型研究https:/为了精确评估 4 种机器学习模型和 4 种经典模型的预测性能，本文采用 MSE、2来评估各模型的预测性能，其结果如表 2 所示。表 2 各模型预测评价指标值Table 2 Prediction evaluation index values of each model模型MSE/dB2随机森林2190 10 960 1k 近邻3703 90 885 9BP 神经网络5927 50 707 8线性回归8555 10 391 4自由空间15266 80 938 2Egli22634 83 260 4Okumura Hata24405 23 952 9ITU P154625742 28 196 0由表 2 可以看出，经典电波传播模型预测性能较差，MSE 均大于 20 dB，2均为负数，预测误差值较大。4 种机器学习模型表现较好，MSE 均小于 9 dB，2均为正数。4 种机器学习模型中表现最差的是线性回归模型，2为 0 391 4，MSE 为8 555 1 dB，随机森林模型表现最好，2为 0 960 1，MSE 为2 190 1 dB。在超短波电台电波传播路径损耗预测中，随机森林模型具有更小的预测误差，模型性能良好。4结束语本文建立了战术无线通信场景的车载超短波电台电波传播仿真模型与预测模型。将平台与天线一体化建模方法和射线追踪方法相结合，建立了基于地理信息与天线信息的电波传播仿真模型。将仿真结果与软件 AEPS 的计算结果进行对比，验证了该仿真模型的准确性。利用仿真模型的数据结果建立了基于随机森林的电波传播预测模型，与其他有监督机器学习例如线性回归、k 近邻和 BP 神经网络模型相比，随机森林模型预测性能更好，2达到 0 960 1，MSE 达到2 190 1 dB，具有较小的预测误差。基于随机森林的电波传播预测模型预测精度高于经典电波传播模型如自由空间模型、Egli 模型、ITU P 1546 模型和Okumura Hata模型，能够实现电波传播路径损耗的准确预测。基于预测模型能够预测特定地区的电波传播情况，从而可以预先判断通信距离和质量，以便确保通信设备保持良好的工作状态。本文建立并分析了车载超短波电台电波传播模型，该模型对战术无线通信的超短波电波传播路径损耗预测具有重要意义。在下一步工作中，可针对电波传播环境的地质材料对路径损耗的影响进行更深入的研究，建立更精确的电波传播模型，进一步提高模型预测性能。参考文献 1 金慧琴，王正磊，周新力 PE 模型三维电磁环境计算方法研究 J 电子科技，2018，31(3):39 43Jin Huiqin，Wang Zhenglei，Zhou Xinli esearch on PEmodel three dimensional electromagnetic environment cal-culation methodJ Electronic Science and Technology，2018，31(3):39 43 2 宋丙鑫，路宏敏，李敏玥，等 一种车载通信设备电磁兼容性预测方法 J 电子科技，2021，34(5):7 12Song Bingxin，Lu Hongmin，Li Minyue，et al An EMC predic-tion method of vehicular communication equipment J Elec-tronic Science and Technology，2021，34(5):7 12 3 Bedeer E，Pugh J，Brown C，et al Measurement based pathloss and delay spread propagation models in VHF/UHFbands for IoT communicationsC Toronto:Proceedings ofthe IEEE Eighty sixth Vehicular Technology Conference，2017:1 5 4 兰田，全厚德，崔佩璋，等 起伏地形下超短波电波传播模型修正方法 J 计算机仿真，2019，36(10):148 152Lan Tian，Quan Houde，Cui Peizhang，et al Correction meth-ods of VHF propagation models around irregularterrainJ Computer Integrated Manufacturing Systems，2019，36(10):148 152 5Maloku H，Fazliu Z L，Sela E，et al Path loss model fittingfor TV bands based on experimental measurements for urbanenvironments in Kosovo C Opatija:Proceedings of the For-ty second International Convention on Information andCommunication Technology，Electronics and Microelectron-ics，2019:480 485 6 Celik G，Aitalieva A，Celebi H Comparison of empirical andray traced based channel modeling on VHF band C Si-vas:Proceedings of the Twenty seventh Signal Processingand Communications Applications Conference，2019:1 4 7He D，Ai B，Guan K，et al The design and applications ofhigh performance ray tracing simulation platform for 5Gand beyond wireless communications:A tutorialJ IEEECommunications Surveys Tutorials，2018，21(1):10 27 8Popoola S I，Jefia A，Atayero A A，et al Determination ofneural network parameters for path loss prediction in veryhigh frequency wireless channelJ IEEE Access，2019(7):150462 150483 9 Cheng H，Ma S，Lee H，et al Millimeter wave path loss modelingfor 5G communications using deep learning with dilated convo-lution and attention J IEEE Access，2021(9):62867 62879 10 Moreta C，Acosta M，Koo I Prediction of digital terrestrial televi-sion coverage using machine learning regressionJ IEEETransactions on Broadcasting，2019，65(4):702 712 11 Goudos S K，Athanasiadou G，Tsoulos G V，et al Modelling raytracing propagation data using different machine learning algo-86李敏，等:车载超短波电台电波传播预测模型研究Electronic Science and Technologyhttps:/rithms C Copenhagen:Proceedings of the Fourteenth Europe-an Conference on Antennas and Propagation，2020:1 4 12 Aldossari S，Chen K C Predicting the path loss of wirelesschannel models using machine learning techniques in mm-Wave urban communications C Lisbon:Proceedings of theTwenty second International Symposium on Wireless Per-sonal Multimedia Communications，2020:1 6 13 Jo H S，Park C，Lee E，et al Path loss prediction based onmachine learning techniques:Principal component analysis，artificial neural network，and gaussian processJ Sensors，2020，20(7):1927 1932 14 孟晓姣，张世巍，李小健，等 一种基于BP 神经网络的车载通信设备性能评估方法 J 电子科技，2021，34(5):24 28Meng Xiaojiao，Zhang Shiwei，Li Xiaojian，et al An evalua-tion method of vehicle mounted communication equipmentperformance based on BP neural network J Electronic Sci-ence and Technology，2021，34(5):24 28 15 肖景明 电波传播工程计算M 西安:西安电子科技大学出版社，1989:79 80Xiao Jingming Engineering calculation of radio wave propa-gation M Xian:Xidian University Press，1989:79 80 16 Egli J J adio propagation above 40 mc over irregular terrain J Proceedings of the IE，1957，45(10):1383 139117 International Telecommunication Union ecommendationITU P 1546 5 method for point to area predictionsfor terrestrial services in the frequency range 30 MHz to 3000MHz S Geneva:ITU，2013 18 Hata M Empirical formula for propagation loss in land mo-bile radio servicesJ IEEE Transactions on VehicularTechnology，1980，29(3):317 325 19 Kreyszig E Advanced engineering mathematics M 7th edNew York:Wiley，1993:198 217欢迎订阅Electronic Science and Technology邮发代号:52 246投稿网址:https:/