CN102651071A - 基于支持向量机的机舱内部路径损耗预测方法 - Google Patents

Abstract

本发明属于无线通信领域。为简化测量难度和减少测量的数量，并且提高预测的准确性，本发明采取的技术方案是，基于支持向量机的机舱内部路径损耗预测方法，包括下列步骤：测量分布式MISO数据，MISO为多发单收系统；计算MISO路径损耗：以每一次连接的路径损耗PL数据作为训练样本数据，以某一位置为中心，围绕他的8个路径损耗值作为训练样本集(x_i，y_i)中的8维输入变量x_i，该位置路径损耗的值作为输出变量y_i，以支持向量机回归算法处理训练样本集数据(x_i，y_i)，采用高斯径向基函数作为支持向量机回归算法回归模型中的核函数。本发明主要应用于机舱内部路径损耗预测。

Description

基于支持向量机的机舱内部路径损耗预测方法

技术领域

本发明属于无线通信领域，是下一代多天线移动通信系统的关键技术——信道建模技术。信道传播模型是网络规划的基础之一，其对路径损耗的准确预测能力从一定程度上决定了网络规划的质量。具体讲，涉及基于支持向量机的机舱内部路径损耗预测方法。

背景技术

目前关于大飞机场景的测量结果集中在窄带、低频段，频段包括1.8GHz、2.1GHz、2.4GHz等。部分高频段的测量也主要是单发单收(SISO)的情形。分析参数主要集中在场强方面，主要分析参数结果有：大尺度参数(路径损耗、阴影衰落、座椅的穿透损耗)，小尺度参数衰落分布及K-factor的典型值，机舱舱壁的穿透损耗。本发明的测量设备和测量数据由清华大学提供，侧重于宽带(40MHz带宽)、分布式、多天线的测量，测量设备为3.52GHz的多发单收(MISO)系统。测量地点为天津大学于2009年购买的中国南方航空公司一架MD82型商业飞行适航客机。多发单收(MISO)测量为发端采用分布式多天线，收端采用单天线。这种测量侧重于场强、大尺度和小尺度参数的分析。

电波的传播特性可以采用理论预测和现场测量两类方法。理论方法主要包括计算电磁学。计算电磁学遵从电磁波传播物理理论，利用传播环境细节对信号传播进行比较精确的预测。但是机舱的空间很大并且过于复杂，机舱环境中采用计算电磁学的方法受到计算机速度以及内存容量的限制，超出了一般计算机所能处理的范围，所以很难应用。现场测量方法需要将昂贵笨重的仪器运机舱，由于机舱空间狭小，设备比较笨重，因而测量受到一定的限制。因此在保留机舱原貌的情况下，进行大量的测量是很困难的。国外的一些机舱测量需要拆除机舱内部的部分座椅，但是这样就改变了机舱内部原有的布局结构，因此会对模型的准确性产生一定的影响。

机舱内部的测量受到多种因素的影响：发射机的位置；飞机的形状，大小和结构布局；乘客的多少和分布等。由于机舱的环境特殊，在保留机舱原貌的情况下，进行大量的测量是有一定困难的。

发明内容

本发明旨在解决克服现有技术的不足，简化测量难度和减少测量的数量，并且提高预测的准确性，为达到上述目的，本发明采取的技术方案是，基于支持向量机的机舱内部路径损耗预测方法，包括下列步骤：

测量分布式MISO数据，MISO为多发单收系统；

1.计算MISO路径损耗：

步骤1：用信号冲击响应矩阵，先计算瞬时功率：

P(t，τ，s，u，p)＝|h(t，τ，s，u，p)|²    (7)

式中h表示信道冲击响应，t表示时间，τ表示时延，s表示发送天线参数，u表示接收天线参数，p表示功率；

步骤2：在(Tx，Rx)维对瞬时功率进行平均，Tx表示发射天线，Rx表示接收天线，N表示发送或接收天线个数：

$P(t,\mathrm{\τ},p)=\frac{1}{N_s{N}_u}\underset{s=1}{\overset{\mathrm{Ns}}{\mathrm{\Σ}}}P(t,\mathrm{\τ},s,u,p)---\left(8\right)$

步骤3：在快拍维t-dimension对瞬时功率进行平均，n_t-d表示快拍维个数：

$P(\mathrm{\τ},p)=\frac{1}{n_{t-d}}\underset{i=1}{\overset{n_{t-d}}{\mathrm{\Σ}}}P(t,\mathrm{\τ},p)---\left(9\right)$

步骤4：对所有的时延簇的瞬时功率进行求和，N_τ表示延时簇个数：

$P\left(p\right)=\underset{i=1}{\overset{N_{\mathrm{\τ}}}{\mathrm{\Σ}}}P(\mathrm{\τ},p)---\left(10\right)$

步骤5：此时的接受功率P与传输距离d形成映射关系，引入参数d：

P(p)→P(d，p)         (11)

步骤6：每一次连接的路径损耗PL即可计算得到：

$\mathrm{PL}(d,p)=P_{\mathrm{Tx}}(d,p)+\underset{i}{\mathrm{\Σ}}\mathrm{Gi}-\underset{i}{\mathrm{\Σ}}\mathrm{Ai}-P(d,p)---\left(12\right)$

其中，PTx为发射功率，Gi为天线的增益，Ai为线路的衰减；

将已知每一次连接的路径损耗PL送入支持向量机SVM进行模型的训练，用训练好的模型对未知路径损耗进行预测。

2.支持向量机输入和输出变量的选择

送入支持向量机SVM进行模型的训练是，以每一次连接的路径损耗PL数据作为训练样本数据，以某一位置为中心，围绕他的8个路径损耗值作为训练样本集(x_i，y_i)中的8维输入变量x_i，该位置路径损耗的值作为输出变量y_i。

3.支持向量机核函数的选择

支持向量机核函数的选择：以支持向量机回归算法处理训练样本集数据(x_i，y_i)，i＝1，...，l，x_i∈Rⁿ为n维输入向量，y_i∈R为输出向量，采用高斯径向基函数作为支持向量机回归算法回归模型中的核函数：支持向量机回归算法，线性回归最后回归决策函数为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})(x_i\·x)+b;$

非线性回归最后回归决策函数为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x)+b$

其中α和α^*为拉格郎日Lagrange乘子向量，K为核函数，b是截距。

采用和预测样本相似度高的训练数据，以获得更高的预测准确性。

本发明的技术特点及效果：

本文在支持向量机理论的基础之上，将已测点周围的路径损耗值加入到预测模型中，通过对已测数据进行训练，然后将训练好的模型对未测点进行预测。通过和曲面拟合预测的比较，表明预测值具有较高的准确性，验证了模型具有有效性。路径损耗预测可以对不便测量的点进行预测，并且可以减少一部分的测量量，为信道模型的建立提供辅助帮助。

附图说明

图1本发明采集数据机舱座位布局。ABCDE表示座位编号。

图2重新编号后的座位图。

图3饭桌和靠背的位置。Z表示桌子的位置，K表示靠背的位置。

图4原始数据。Raw data表示原始数据。Cabin width表示机舱宽度，Cabin length表示机舱长度。

图5拟合数据。B-Spline surface fitting表示B样条曲面拟合。

图6数据比较。Path loss表示路径损耗，Data comparison表示数据的对比。

具体实施方式

为了解决机舱内部空间狭小不便测量和现有路径损耗预测方面不够准确的缺点，本发明在支持向量机(SVM)理论的基础之上，用机舱内部已测量点的路径损耗值对模型进行训练，然后将模型对机舱内部未测量点的路径损耗值进行预测。结果表明和曲面拟合预测方法相比基于支持向量机的路径损耗预测更加精确

为了简化测量难度和减少测量的数量，并且提高预测的准确性。本发明提出了一种基于支持向量机的路径损耗预测模型。机舱内部的场强主要受到两个方面的影响：由距离衰减引起的路径损耗和障碍物造成的阴影衰落。通过分析可知某点的路径损耗值和该点周围的路径损耗值有很大的相关性。利用这种相关性，一些不便测量的点的路径损耗可以通过其周围点的路径损耗值进行预测。

模拟场景：天津大学MD82机舱内部3.52GHz的MIMO测量场景。

发端采用分布在机舱顶部的7根3.52GHz天线，收端采用单根的3.52GHz固定在天线底座的天线。根据收端天线的不同位置，所以3.52GHz的MISO(多发单收)测量情况有：座位靠背的定点和桌板的定点测量。这两个位置模拟了乘客最主要的两种应用：打电话和笔记本上网。发射端功率为0dBm，发、收天线增益4dbi。

座位靠背高107.7cm，宽36.5cm。测量范围为经济舱的第4排到第28排座位的每个靠背。将装有单根天线的底座放置在靠背的中间，保持天线的竖直，稳定后进行数据的接收。

桌板高度为61cm，长度为42cm。测量范围为经济舱的第4排到第28排座位的每个桌板。类似于靠背的定点测量，将装有单根天线的天线底座放置于桌板的中心位置，待稳定后进行数据的接收。

支持向量机回归算法：

统计学习理论是一种专门研究小样本情况下机器学习规律的理论。基于统计学习理论的支持向量机，是建立在VC维理论和结构风险最小化原理的基础之上，根据有限样本信息在模型的复杂性和学习能力之间寻求最优的拟合，以期获得更好的泛化能力，能够保证所得的解是全局最优解，可以较好的解决小样本，非线性，高维数等实际问题。

3.1线性回归

设训练样本集为(x_i，y_i)，i＝1，...，l，x_i∈Rⁿ为n维输入向量，y_i∈R为输出向量。于是，线性回归问题就化为下面的优化问题

$\min \frac{1}{2}{\left|\right|w\left|\right|}^2$

s.t.|w·x_i+b-y_i|≤ε，i＝1，...，l    (1)

式中w是权值向量，b是截距，w∈Rⁿ，b∈R。考虑到可能存在一定的误差，因此引入两个松弛变量ξ_i、

和参数C。于是，上述优化问题可以修正为

$\min (\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}))$

$s.t.(w\·x_i)+b-y_i\≤{\mathrm{\ξ}}_i^{*}+\mathrm{\ϵ}$

$y_i-(w\·x_i)-b\≤{\mathrm{\ξ}}_i+\mathrm{\ϵ}$

${\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0,i=1,...,l---\left(2\right)$

建立Lagrange函数，并根据Karush-Kuhn-Tucker(KKT)条件求解，α和α^*为Lagrange乘子向量，得到原约束问题的对偶问题是

$\min (\frac{1}{2}\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)(x_i\·x_j)$

$+\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i))$

$s.t.\underset{i}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

$0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C,i=1,...,l---\left(3\right)$

最后回归决策函数为

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})(x_i\·x)+b---\left(4\right)$

a)非线性回归

当数据集不能实现线性回归时，将原数据集通过非线性影射影射到高维特征空间，在高维特征空间中进行线性回归。高维特征空间上的内积运算可定义核函数

只需对变量在原低维空间进行核函数运算即可得到其在高维空间上的内积

$\min \left(\frac{1}{2}\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)K(x_i,y_i)\right)$

$+\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i))$

$s.t.\underset{i}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

$0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C,i=1,...,l$

解得回归决策函数为

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x)+b---\left(6\right)$

b)核函数的选择

线性回归中，决策函数对应着用超平面将Rⁿ空间分成若干部分，在非线性回归中，决策函数对应着用曲面将Rⁿ空间分成若干部分。我们称决策函数中的K(x_i，y_i)为核函数，所以只要选定了函数K，就可以得到同样的决策函数，进而导出需要使用的支持向量机。

目前，最常用的核函数主要有：线性核函数、多项式核函数、高斯径向基核函数和Sigmoid核函数。经过多年对核函数的研究，已经证明，SVM的性能与所选用的核函数的类型关系不大，核参数中的参数才是影响SVM性能的主要因素。但是，选取合适的核函数有利于减小计算量。

对于多项式核函数(线性核函数是多项式核函数的一个特例)，当特征空间维数很高时，其计算量将大大增加，甚至对某些情况无法得到正确的结果，而高斯径向基核函数不存在这个问题。此外，高斯径向基核函数的选取是隐含的，每个支持向量会产生一个以其为中心的局部高斯函数，使用结构风险最小化原则，能找出全局的基函数宽度。基于这些特点，本发明采用高斯径向基函数作为回归模型中的核函数。

下面结合附图和具体实施方式进一步详细说明本发明。

1.分布式MISO测量数据

在经济舱内的每个座椅靠背和桌板上，都进行了定点测量。在经济舱共测量了25排，第4至25排每排有5个座位，分别标记为A，B，C，D，E，第26至28排每排有3个座位，分别标记为C，D，E。头等舱还有三排座位，没有进行测量。机舱的座位分布如图1所示。

2.MISO路径损耗的计算

步骤1：用信号冲击响应矩阵，我们可以先计算瞬时功率：

P(t，τ，s，u，p)＝|h(t，τ，s，u，p)|²    (7)

式中h表示信道冲击响应，t表示时间，τ表示时延，s表示发送天线参数，u表示接收天线参数，p表示功率。

步骤2：在(Tx，Rx)维对瞬时功率进行平均，Tx表示发射天线，Rx表示接收天线，N表示发送和接收天线个数：

$P(t,\mathrm{\τ},p)=\frac{1}{N_s{N}_u}\underset{s=1}{\overset{\mathrm{Ns}}{\mathrm{\Σ}}}\underset{u=1}{\overset{\mathrm{Nu}}{\mathrm{\Σ}}}P(t,\mathrm{\τ},s,u,p)---\left(8\right)$

步骤3：在快拍维t-dimension对瞬时功率进行平均，n_t-d表示快拍维个数：

$P(\mathrm{\τ},p)=\frac{1}{n_{t-d}}\underset{i=1}{\overset{n_{t-d}}{\mathrm{\Σ}}}P(t,\mathrm{\τ},p)---\left(9\right)$

步骤4：对所有的时延簇的瞬时功率进行求和，N表示延时簇个数：

$P\left(p\right)=\underset{i=1}{\overset{N_{\mathrm{\τ}}}{\mathrm{\Σ}}}P(\mathrm{\τ},p)---\left(10\right)$

步骤5：此时的接受功率P与传输距离d形成映射关系，引入参数d：

P(p)→P(d，p)        (11)

步骤6：每一次连接的路径损耗PL即可计算得到：

$\mathrm{PL}(d,p)=P_{\mathrm{Tx}}(d,p)+\underset{i}{\mathrm{\Σ}}\mathrm{Gi}-\underset{i}{\mathrm{\Σ}}\mathrm{Ai}-P(d,p)---\left(12\right)$

其中，PTx为发射功率，Gi为天线的增益，Ai为线路的衰减。

3.路径损耗数据的处理

由于只测量了经济舱，为了便于说明，把4到28排重新编号为1到25排。通过路损损耗的计算步骤，把1到25排的饭桌和靠背的路径损耗值都计算出来。由于23、24、25排只有C、D、E三排座位，不便于分析，走廊的位置不太可能打电话，所以也先不考虑，因此只考虑1到22排的ABCDE五个座位，共220个数据。重新编号后的座位如图2所示。

除此之外，定义1Z为第一排饭桌，1K为第一排靠背。例如，1Z表示的就是第一排的饭桌数据，1K表示第一排的靠背数据。饭桌和靠背示意图如图3所示。

以前10排为例，ABCDE为每排的5个座位，前5排的路径损耗值如表1所示。

表格1前5排的路径损耗值mW

4.输入和输出变量的选择

我们随机选取5排(如16排到20排)，将其中座位B和D的桌子处的数据共10组作为未知数据。用SVM模型对这10组数据进行预测，来验证模型预测的准确性。

剩下的31排(1K到15Z和21Z到22Z)，选取每排的BCD三个座位，这些数据作为训练样本数据。以其中的一个数据为中心，围绕他的8个路径损耗值作为训练样本集(x_i，y_i)中的8维输入变量x_i，该位置路径损耗的值作为输出变量y_i。总共93组数据，其中45组靠背的路径损耗和48组桌子的路径损耗。每排的前8个数据是输入变量，最后1个数据时输出变量，前3排路径损耗样本集如下表2：

表格2前3排的路径损耗样本集

5.靠背数据训练桌子数据

首先我们从93组样本集中选取45组靠背样本集进行模型训练。将这45组数据送入SVM进行训练。然后用训练好的模型对16到20排桌子处的未知点进行预测。为了验证模型的有效性，对模型所得到的预测值与真实值进行逐点误差分析。结果见表3，其中表中相对误差是指绝对误差值与真实值的比值。

表格345组靠背训练的预测值和真实值的误差分析

对上表中的相对误差取平均，得出预测值的平均相对误差为39.7549％。由此可以得出用靠背的样本对桌子进行训练，并不能很准确的进行预测。

6.桌子数据训练桌子数据

然后我们选取剩下的48组桌子样本集进行模型训练，将这48组数据送入SVM进行训练。然后依然对上面预测的10个位置点进行预测，结果见表4。

表格448组桌子训练的预测值和真实值的误差分析

对上表中的相对误差取平均，得出预测值的平均相对误差为15.4702％。由此可以得出用桌子的样本对桌子进行训练，由于训练和预测样本的相似度更高，所以模型的准确性也更高。

7.全部数据训练桌子数据

最后我们选取所有93组样本集，包括靠背和桌子，一起送入SVM进行训练。对未知的10个位置点进行预测。结果见表5。

表格593组全部训练的预测值和真实值的误差分析

对上表中的相对误差取平均，得出的平均相对平均误差为12.4832％。由此可以得出训练样本的增对可以增加模型预测的准确性。

本发明的效果：

1.传统的曲面拟合预测路径损耗的方法

通常比较普遍的路径损耗预测都是采用拟合的方法。为了与SVM拟合预测进行比较，我们采用b样条曲面拟合方法。首先将机舱路径损耗值输入matlab，如图4所示。

从中间挖掉需要预测的点后，进行b样条曲面拟合，得到拟合曲线，如图5所示。

从拟合出的图形中找到挖掉的位置的路径损耗，表6所示。

表格6b样条曲面拟合的预测值和真实值的误差分析

对上表中的相对误差取平均，得出的平均相对平均误差为38.4433％。

2.结果的对比和分析

通过以上分析可以得出，通过和曲面拟合预测相比较，SVM的预测准确性还是有较大提高的。SVM预测的相对平均误差为12.4832％，曲面拟合预测的相对平均误差为38.4433％。

曲面拟合和SVM拟合的数据对比如图6所示。

曲面拟合是把平面上的这些点，用平滑的曲面连接起来，再从拟合的曲面上找到需要的点。由于机舱的环境很复杂、遮挡物很多，所以阴影衰落会对信号强度产生比较大的影响。机舱虽然遮挡物很多，但大多是座椅，前后变化不大，很适合用SVM进行预测。SVM训练时所选取的数据都加入了周围的环境信息，这样在预测时可以根据已测数据的情况，有效的避免阴影衰落的影响。

从SVM预测的三个实验中可以看出，更高的样本集相似度(同为桌子数据或是同为靠背数据)和更多数量的样本集都可以提高模型预测的准确性。因为同为桌子数据或靠背数据，数据的本身和周围的环境都十分相似，用相似度高的数据进行预测会得到更为准确的结果。样本是预测的基础，样本越多可供参考的数据越多，预测越准确。但是由于本文预测其中之一的目的就是减少一定量的测量，所以需要在能够接受的误差范围内尽可能的减少测量。

本发明方法具体步骤综述如下：

1.机舱内部分布式MISO测量

2.用信号冲击响应矩阵，计算瞬时功率

3.在(Tx，Rx)维对瞬时功率进行平均

4.在快拍维t-dimension对瞬时功率进行平均

5.对所有的时延簇的瞬时功率进行求和

6.此时的接受功率P与传输距离形成映射关系

7.每一次连接的路径损耗PL即可计算得到

8.支持向量机输入和输出变量的选择

9.将已知数据送入SVM进行模型的训练

10.用训练好的模型对未知数据进行预测

步骤1的测量数据为清华大学设备提供。2-7步骤是从测量的信道冲击响应数据中提取路径损耗的过程。8-10步骤是基于支持向量机的路径损耗预测。

Claims (4)

1.一种基于支持向量机的机舱内部路径损耗预测方法，其特征是，包括下列步骤：

测量分布式MISO数据，MISO为多发单收系统；

计算MISO路径损耗：

步骤1：用信号冲击响应矩阵，先计算瞬时功率：

P(t，τ，s，u，p)＝|h(t，τ，s，u，p)|²   (7)

式中h表示信道冲击响应，t表示时间，τ表示时延，s表示发送天线参数，u表示接收天线参数，p表示功率；

步骤2：在(Tx，Rx)维对瞬时功率进行平均，Tx表示发射天线，Rx表示接收天线，N表示发送或接收天线个数：

$P(t,\mathrm{\τ},p)=\frac{1}{N_s{N}_u}\underset{s=1}{\overset{\mathrm{Ns}}{\mathrm{\Σ}}}P(t,\mathrm{\τ},s,u,p)---\left(8\right)$

步骤3：在快拍维t-dimension对瞬时功率进行平均，n_t-d表示快拍维个数：

$P(\mathrm{\τ},p)=\frac{1}{n_{t-d}}\underset{i=1}{\overset{n_{t-d}}{\mathrm{\Σ}}}P(t,\mathrm{\τ},p)---\left(9\right)$

步骤4：对所有的时延簇的瞬时功率进行求和，N_τ表示延时簇个数：

$P\left(p\right)=\underset{i=1}{\overset{N_{\mathrm{\τ}}}{\mathrm{\Σ}}}P(\mathrm{\τ},p)---\left(10\right)$

步骤5：此时的接受功率P与传输距离d形成映射关系，引入参数d：

P(p)→P(d，p)           (11)

步骤6：每一次连接的路径损耗PL即可计算得到：

$\mathrm{PL}(d,p)=P_{\mathrm{Tx}}(d,p)+\underset{i}{\mathrm{\Σ}}\mathrm{Gi}-\underset{i}{\mathrm{\Σ}}\mathrm{Ai}-P(d,p)---\left(12\right)$

其中，PTx为发射功率，Gi为天线的增益，Ai为线路的衰减；

将已知每一次连接的路径损耗PL送入支持向量机SVM进行模型的训练，用训练好的模型对未知路径损耗进行预测。

2.如权利要求1所述的基于支持向量机的机舱内部路径损耗预测方法，其特征是，送入支持向量机SVM进行模型的训练是，以每一次连接的路径损耗PL数据作为训练样本数据，以某一位置为中心，围绕他的8个路径损耗值作为训练样本集(x_i，y_i)中的8维输入变量x_i，该位置路径损耗的值作为输出变量y_i。

3.如权利要求1所述的基于支持向量机的机舱内部路径损耗预测方法，其特征是，支持向量机核函数的选择：以支持向量机回归算法处理训练样本集数据(x_i，y_i)，i＝1，...，l，x_i∈Rⁿ为n维输入向量，y_i∈R为输出向量，采用高斯径向基函数作为支持向量机回归算法回归模型中的核函数：支持向量机回归算法，线性回归最后回归决策函数为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})(x_i\·x)+b;$

非线性回归最后回归决策函数为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x)+b$

其中α和α^*为拉格郎日Lagrange乘子向量，K为核函数，b是截距。

4.如权利要求1所述的方法，其特征是，采用和预测样本相似度高的训练数据，以获得更高的预测准确性。

Images