PulseAugur
中
实时 09:18:49
English(EN) A Systematic Sample Size Analysis of ML-Based Path Loss Prediction for LPWAN

机器学习模型在LPWAN路径损耗预测方面表现出改进

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员对低功耗广域网（LPWAN）中预测路径损耗的机器学习模型进行了系统性分析，特别关注LoRa技术。该研究采用了利用LiDAR衍生的地形特征的随机森林模型和使用坐标数据的k近邻模型，并将它们的性能与传统的经验模型进行了比较。结果表明，机器学习方法在预测性能上持续优于基线模型，实现了更低的均方根误差（RMSE），尤其是在部署内的插值方面。 AI

排序理由 该条目是一篇学术论文，详细介绍了针对特定技术问题的机器学习模型的系统性分析。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

机器学习模型在LPWAN路径损耗预测方面表现出改进

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Robert Bitterling, Christian Nettersheim, J\"orn Hees, Michael Rademacher ·

    面向LPWAN的ML基路径损耗预测的系统性样本量分析

    arXiv:2608.11083v1 Announce Type: cross Abstract: Low Power Wide Area Networks like LoRa are increasingly deployed for smart city applications, requiring accurate path loss prediction for effective network planning. Traditional (empirical) propagation models often exhibit limited…

相关实体

相关话题