CC BY
5
doi: 10.36724/2409-5419-2022-14-5-38-44
ОБ ИДЕНТИФИКАЦИИ МОДЕЛИ ОСЛАБЛЕНИЯ ПРИ РАСПРОСТРАНЕНИИ РАДИОВОЛН
ГОЛОВСКОЙ Василий Андреевич1
АННОТАЦИЯ
Введение. Настоящий технологический уклад характеризуется увеличением
роли интеллектуализированных технологий в различных сферах жизнедеятельности общества. Одну из таких технологий описывает концепция когнитивного радио. Одной из отличительных особенностей этой технологии являются декларируемые способности получения знаний о своей среде эксплуатации, динамически и автономно корректировать свои эксплуатационные параметры и протоколы согласно полученным знаниям, а также позволяющие системе учиться на основе полученных результатов. Методы: В работе представлен разработанный подход к идентификации модели ослабления при распространении радиоволн на урбанизированной территории. Под идентификацией при этом понимается определение из имеющихся описаний набора моделей конкретной модели ослабления, наиболее полно описывающей условия распространения радиоволн на рассматриваемой территории. Для верификации предложенного аналитического аппарата разработан соответствующий алгоритм и осуществлена его программная реализация с помощью языка программирования Python. Результаты иследования: Приведены результаты проведенного моделирования для идентификации полуэмпирических моделей ослабления Окумура-Хата и Ибрагима-Парсонса, наиболее часто использующихся на практике для описания условий распространения радиоволн. Предложенный подход может быть использован в когнитивных радиосистемах для формирования знаний о среде эксплуатации и последующей корректировки указанных знаний. Под знаниями в этом случае в соответствии с принятым продукционным подходом понимаются данные, позволяющие эффективно получить решение поставленной задачи. Сформулирована гипотеза о том, что: модели ослабления позволяют описывать местность с качеством, удовлетворительным для формирования когнитивной радиосистемой знаний о своей среде эксплуатации.
Сведения об авторах:
1 Старший научный сотрудник отдела научно-исследовательской работы и инновационного развития, к.т.н., доцент, Северо-Кавказский филиал ордена Трудового Красного Знамени ФГБОУ ВО "Московский технический университет связи и информатики", г. Ростов-на-Дону, Россия
КЛЮЧЕВЫЕ СЛОВА: распространение радиоволн, идентификация, зона покрытия, модель ослабления, эмпирическая модель, когнитивное радио, радиосистема.
Для цитирования: Головской В.А. Об идентификации модели ослабления при распространении радиоволн // Наукоемкие технологии в космических исследованиях Земли. 2022. Т. 14. № 5. С. 38-44. с1о1: 10.36724/2409-5419-2022-14-5-38-44
Введение
Настоящий технологический уклад характеризуется увеличением роли интеллектуализированных технологий в различных сферах жизнедеятельности общества. Одну из таких технологий описывает концепция когнитивного радио [1]. Одной из отличительных особенностей этой технологии являются декларируемые способности «получения знаний о своей среде эксплуатации, динамически и автономно корректировать свои эксплуатационные параметры и протоколы согласно полученным знаниям, а также позволяющие системе учиться на основе полученных результатов» [1].
В работе [2] были предложены принципы создания базы знаний подсистемы управления когнитивной радиосистемы (РС), предполагающие использование продукционного подхода. Указанные принципы требуют получения данных о среде эксплуатации, необходимых для прогнозирования изменений характеристик среды и выбора, исходя из этого прогноза, оптимальной конфигурации телекоммуникационных ресурсов РС [18, 19, 20]. В качестве телекоммуникационных ресурсов РС рассматриваются диапазоны частот, ширина спектра сигналов, тип сигнально-кодовой конструкции, тип мультиплексирования, режим работы, типы пакета, способ первичного кодирования и другие, позволяющие в системном единстве обеспечивать требуемые характеристики РС [21, 22].
Знания о среде эксплуатации должны учитывать характеристики распространения радиоволн на занимаемой территории [2], которые в настоящее время с достаточной точностью описываются соответствующими моделями ослабления при распространении радиоволн. Также формат представления знаний должен обеспечивать возможность формирования из уже имеющихся новых знаний, т.е. самообучения, а также - наиболее экономное в некотором роде описание знаний [3]. С учетом того, что данные требуются для описания среды функционирования РС в целях выбора на их основе оптимальных режимов функционирования этой РС, то представляется целесообразным использовать модели ослабления для описания указанных условий. Исходя из этого заключения, сформулирована Гипотеза: модели ослабления позволяют описывать местность с качеством, удовлетворительным для формирования когнитивной РС знаний о своей среде эксплуатации. В данной работе не будет рассматриваться важный вопрос о том, насколько экономно такое описание.
Вопросы прогнозирования зон покрытия сетей подвижной радиосвязи являются достаточно актуальными ввиду интенсивного развития телекоммуникаций и усложняющейся ситуации с занятостью радиочастотного спектра [4-11].
Исследования точностных характеристик некоторых наиболее популярных статистических моделей ослабления
= Ь(Хр...,хп), у = 1,Ыь , как функций в предположении случайного характера аргументов хп, показали, что величины ослабления при прогнозировании существенно зависят от неточности задания некоторых аргументов [4]. Индекс ] в настоящей работе обозначает порядковый номер рассматриваемой модели ослабления.
В работах [6, 13] предлагались различные подходы к корректировке конкретной модели ослабления с учетом особенностей местности. Необходимость осуществления корректировки в целях более адекватного описания среды функционирования РС объясняется таким известным недостатком моделей ослабления [4, 10, 12], как низкая точность априорной оценки условий распространения радиоволн. Однако в работе [13] не было указано, как должна выбираться модель для корректировки, и была выбрана наиболее популярная - модель Окумура-Хата [14], принимаемая в качестве опорной при планировании радиопокрытия систем подвижной радиосвязи в городской местности [15]. Это объясняется тем, что отсутствует аппарат определения модели ослабления, соответствующей наиболее полно в некотором смысле текущим условиям обстановки.
Таким образом задача определения конкретной модели ослабления, наиболее полно описывающей условия распространения радиоволн и необходимой для последующей корректировки, представляется актуальной. Будем называть задачу определения конкретной модели ослабления, наиболее полно описывающей условия распространения радиоволн, задачей идентификации модели по аналогии с [16]. Применительно к концепции когнитивного радио корректировка модели ослабления будет являться этапом уточнения данных о среде.
Цель работы - формирование подхода к решению сформулированной выше задачи идентификации модели.
Постановка задачи
Рассматривается функционирующая на урбанизированной территории РС, содержащая в своем составе базовую станцию (БС) и мобильных станций (МС).
В настоящее время для описания условий распространения радиоволн и прогнозирования радиопокрытия используется множество моделей ослабления, имеющих различные точностные характеристики, наборы хп и границы применимости [4, 10, 11].
Наиболее часто используемыми на практике моделями ослабления являются: Ь1 - модель Окумура-Хата, Ь2 - модель Ибрагима-Парсонса, Ь3 - модель С08Т231-Хата, ЬА -модель Уолфиш-Иекегами. Значения ослаблений мощности радиосигнала при распространении на урбанизированной территории от удаления МС от БС (ё) для моделей ослабления Ь1 - ЬА представлены на рисунке 1.
При моделировании было принято: частота несущей / = 450, МГц; высоты подвеса антенны БС и МС соответственно квв = 45 , м и квв = 1,5 м, а данные о местности заданы следующим образом: В = 95 % площади занято зданиями, 77 = 70 % территории занято зданиями выше трех этажей, Н = 50 средний перепад высот, м.
Рис. 1. Ослабление радиосигнала для раздичных моделей
На вход радиоприемного устройства МС поступает аддитивная смесь белого гауссовского шума и ослабленного радиосигнала от БС с мощностью, определяемой как
Р = Р + О - Ь,
(1)
где р - полная мощность, подводимая к антенне на БС. дБмВт; О - коэффициент усиления передающей и приемной антенн, дБ; Ьу - ослабление радиосигнала при распространении, определяемое отношением передаваемой мощности сигнала к принимаемой, описываемое у -й моделью, дБ.
Далее будут рассматриваться в качестве примера только модели Окумура-Хата
¿1 = 69,55 + 26,161я / - 13,821ё (кш )-0 + + (44,9 - 6,551м )) 1Е с1
(2)
где 0 = (3,2 (11,75 кш ))2 - 4,97) - поправочный коэффициент для высоты антенны МС для городских условий [4]; и модель Ибрагима-Парсонса, описываемая выражением
¿2 = 401м а - 201м (кМ5кВ5 ) + 20 +
+ 0,18 В - 0,34 Н + К,
40
(3)
А(Ве)= у, у = 1,Мь
(4)
иметь достаточно простои в вычислительном плане алгоритм А .
При разработке алгоритма приняты следующие допущения и ограничения:
- гипотеза о взаимодействии с шумом: канал с аддитивным белым гауссовским шумом;
- ошибки измерений считаются некоррелированными;
- имеются априорные данные о рельефе и урбанизации местности К, В и Н .
Предлагаемый алгоритм
Предлагается следующий подход к идентификации модели ослабления, описанный при помощи блок-схемы алгоритма на рисунке 2.
где К - коэффициент относительной площади застройки, для центров больших городов К = 0,094^ - 5,9 .
Необходимо разработать алгоритм А идентификации модели Ьу, наиболее полно описывающей условия распространения радиоволн на рассматриваемой территории, при имеющихся описаниях моделей Ь 1 = Ь(..., хп), у = 1, ИЬ ,
Рис. 2. Блок-схема алгоритма
На вход алгоритма поступают данные об оценке мощности р сигнала на входе радиоприемника МС,., , = 1, ,
находящейся на удалении а, от БС, а также данные о среде (Бе ) и набор описаний моделей Ьу.
В блоке №1 реализуется сортировка массива по величине удаления МС, отБС.
В блоке №2 реализуется построение матрицы значений мощностей рЬ , рассчитанных согласно (1) для рассматриваемых моделей Ьу,
Меп = (Р-Ь') , (5)
V /Иь х Имц
матрицы данных об оценке мощности р сигнала на входе
где Ве - описание внешней среды. Применительно к модели (3) Бе ^>{К, В,Н}. Необходимо отметить требование
радиоприемника МС, , = 1,
Ме={Р)
^ '1* Ммз '
и матрицы невязок
о = (дМ
V /И, хИ„„
(6)
путем вычитания из каждой строки Меп матрицы (6). После этого строится вектор
Dk =|||Д
х1
(8)
невязок в к -й метрике. При этом может быть выбрана конкретная метрика для получения ||дЦ || или рассмотрено сразу несколько таких метрик.
В блоке №3 осуществляется нахождение индекса минимальной метрики в векторе (8)
j = argmin (D).
(9)
Предложенный алгоритм в целях моделирования реализован программно [17]. Для определения доли правильно идентифицированной модели ослабления введена величина, характеризующая процент верной идентификации модели ослабления, определяемая отношением количества верно идентифицированных моделей (N) к количеству итераций идентификаций (N и) для каждой шумовой реализации
V = 100%.
N
Рассмотрим особенности процесса идентификации моделей Ц и Ь2. При моделировании были заданы следующие исходные данные:
/ = [450; 900] МГц; В = 95, Н = 50, ^ = 70, Ив, = 45 , м;
Иш = 1,5, м, ^ = 4,10, Ыи = 300;
параметры шума: /и = 0 , ст = 1,40 дБ мВт.
При построении вектора (8) использовалась норма Эвк-лида
Д Ч =
I (д Lj)
>2
,г= 1,NMS, j = 1,4.
видно из рисунка 1, обеспечивают получение достаточно близких результатов.
Результаты моделирования для модели Окумура-Хата и / = 450 МГц, отражающие зависимость V(ЫМ8, ст), приведены на рисунке 3, дающем общее представление о характере зависимости, однако не позволяющем достаточно полно исследовать влияние изменения величин и <г на значение V(ЫМВ, а). Более подробно исследовать указанные зависимости позволяет рисунок 4, где значения V(а) для / = 450 МГц приведены в верхней части рисунка, и для / = 900 МГц - в нижней.
Рисунки 3 и 4 позволяют увидеть, что даже при достаточно небольшом уровне шумов в канале модель Окумура-Хата может быть идентифицирована неверно. Это может быть объяснено тем, что модели ослабления при распространении радиоволн Окумура-Хата и С08Т231-Хата, как
Рис. 3. Результаты моделирования V(ММ5, а) для Ц
Рис. 4. Результаты моделирования V(с) для Ц
Результаты моделирования для модели Ибрагима-Парсонса и / = 450 МГц, отражающие зависимость V(,ст), приведены на рисунке 5, дающем общее представление о характере зависимости.
L
По аналогии с рассмотренной выше моделью Окумура-Хата для более полного анализа моделирования для идентифицируемой модели ослабления Ибрагима-Парсонса приведены графики на рисунке 6, где значения V(а) для / = 450 МГц приведены в верхней части рисунка, и для / = 900 МГц - в нижней.
N,„.> шт 4 40 (Т, дБмВт
Рис. 5. Результаты моделирования V(NMS, а) для L2
Рис. 6. Результаты моделирования V(ст) для Ь2 Рисунки 5 и 6 позволяют увидеть, что модель Ибрагима-Парсонса верно идентифицируется с помощью предложенного подхода при более существенном уровне шумов, чем модель Окумура-Хата, что объясняет рисунок 1.
Заключение
В работе приведены некоторые результаты исследований по идентификации моделей ослабления при распространении радиоволн на урбанизированной территории, предложены подход к идентификации моделей, а также алгоритм, реализующий предложенный подход.
В качестве продолжения исследований предполагаются следующие направления: исследование эффективности введения в рассмотрение октаэдрической нормы, варьирование типом канала и данными о рельефе и урбанизации, формирование метода идентификации на основе предложенного подхода и анализа результатов рассмотрения различных норм, а также формирование алгоритма автоматического формирования новых моделей для наполнения наборов NL.
Литература
1. Report ITU-R SM.2152. Definitions of Software Defined Radio (SDR) and Cognitive Radio System (CRS). Geneva, International Telecommunication Union, 2009. [Электронный ресурс]. URL: http://www.itu.int/dms_pub/itu-r/opb/rep/R-REP-SM.2152-2009-PDF-R.pdf (дата обращения: 02.02.2022).
2. Головской В.А. Принципы создания базы знаний конфликтно-устойчивой системы передачи данных робототехнических комплексов военного назначения // Информационная безопасность - актуальная проблема современности. Совершенствование образовательных технологий подготовки специалистов в области информационной безопасности. 2020. Т.1, № 2-1 (13). С. 46-51.
3. Жожикашвили А.В. Категорная технология создания и развития интеллектуальных систем, основанных на знании // Информационные процессы. 2016. Т. 16, № 4. С. 312-332.
4. Saunders S.R., Aragon-Zavala A. Antennas and propagation for wireless communication systems. Chichester: John Wiley & Sons Ltd. 2007, 546 p.
5. Surajudeen-Bakinde N.T., Faruk N., Popoola S.I., Salman M.A., Oloyede A.A., Olawoyin L.A., Calafate C.T. Path loss predictions for multi-transmitter radio propagation in VHF bands using Adaptive Neuro-Fuzzy Inference System // Engineering Science and Technology, an International Journal. 2018. №21, pp. 679-691.
6. Дворников C.B., Балыков A.A., Котов A.A. Упрощенная модель расчета потерь сигнала в радиолинии, полученная путем сравнения квадратичной формулы Введенского с существующими эмпирическими моделями // Системы управления, связи и безопасности. 2019, № 2. С. 87-99.
7. Zhang K., Li B., Tang X., Wang D., Wei L. Path loss measurement and modeling for industrial environment // IEEE 20th International Conference on High Performance Switching and Routing (HPSR), 2019. pp. 1-5.
8. Erunkulu O.O., Zungeru A.M, Lebekwe C.K., Chuma J.M. Cellular Communications Coverage Prediction Techniques: A Survey and Comparison // IEEE Access. 2020, vol. 8, pp. 113052-113077.
9. Aung S.M.Y., Pattanaik K.K. Path loss measurement for wireless communication in industrial environments // International Conference on Computer Science, Engineering and Applications (ICCSEA), 2020, pp. 1-5.
10. Ahmadi H., Ambroziak S.J., Anton-Haro C., Bajic D., Balan T.C. et al. Inclusive Radio Communications for 5G and Beyond. Edited by C. Oestges, F. Quitin. Academic Press, 2021. URL: https://doi.org/10.1016/B978-0-12-820581-5.00005-5 (дата обращения: 20.09.2022).
11. Булычев Ю.Г., Мозоль A.A., Головской В.А. Оценка дисперсии ослабления радиосигнала в системах подвижной радиосвязи // Радиотехника. 2016, №3. С. 23-27.
12. Handbook on National Spectrum Management. Geneva: ITU, 2015. URL: https://www.itu.int/dms_pub/itu-r/opb/hdb/R-HDB-21-2015-PDF-E.pdf. (дата обращения: 02.09.2022).
13. Мозоль A.A., Головской В.А. Полуэмпирический способ определения зоны покрытия базовой станции системы подвижной радиосвязи // Вестник Воронежского института МВД России. 2014, №3. С. 30-40.
14. Hata M. Empirical formula for propagation loss in land mobile radio services // IEEE Transactions on Vehicular Technology. 1980, vol.29, № 3, pp. 317-325.
15. Recommendation ITU-R P. 1546-6. Method for point-to-area predictions for terrestrial services in the frequency range 30 MHz to 4 000 MHz. Geneva: ITU, 2019. URL: https://www.itu.int/dms_pubrec/ itu-r/rec/p/R-REC-P. 1546-6-201908-I! IPDF-E.pdf (дата обращения: 20.08.2022).
16. Култышев С.Ю., Култышева Л.М., Милюша М.В. Идентификация математической модели при наличии неизмеряемых внешних воздействий на моделируемый объект // Дифференциальные уравнения и процессы управления. 2018, № 3. С. 123-140.
17. Головской В.А., Завальцев М.Ю. Программа идентификации модели распространения радиоволн для когнитивных радиосистем Свидетельство о регистрации программы для ЭВМ 2022618092, 28.04.2022. Заявка № 2022617559 от 28.04.2022.
18. Аткишкин С. Ф. Модель приемника оперативного измерения частоты с предварительным умножением частоты и дополнительным каналом на основе нелинейных параметров рассеяния // T-Comm: Телекоммуникации и транспорт. 2021. Т. 15. № 3. С. 4049. DOI 10.3 4/2072-8735-2021-15-3-40-49. EDN WKKFEC.
19. Дворников С. В., Марков Е. В., Маноши Э. А. Повышение помехозащищенности передач декаметровых радиоканалов в условиях непреднамеренных помех // T-Comm: Телекоммуникации и транспорт. 2021. Т. 15. № 6. С. 4-9. DOI 10.36724/2072-8735-202115-6-4-9. EDN KHPWMU.
20. Dovbnya V. G., Koptev D. S., Babanin I. G., Knyazev A. A. Evaluation of the influence of the value of the dynamic range of the radio receiver on the noise immunity of receiving signals with quadrature amplitude modulation // T-Comm. 2021. Vol. 15. No. 6. P. 65-69. DOI 10.36724/2072-8735-2021-15-6-65-69. EDN QZSTBS.
21. Yaushev S. T., Faizullin R. R., Lerner I. M. Quasi-determined algorithm for resolution of randomly fluctuating signals and chaotic pulse interference // T-Comm. 2020. Vol. 14. No 2. P. 39-44. DOI 10.36724/2072-8735-2020-14-2-39-44. EDN ZAWIJB.
22. Буров P. И., Гревцев А. И., Илларионов Б. В. Комплексная модель тракта ретрансляции диагно-стирующих сигналов при радиоконтроле линий спутниковой связи // T-Comm: Телекоммуникации и транспорт. 2020. Т. 14. № 4. С. 4-14. DOI 10.36724/20728735-2020-14-4-4-14. EDN PWPSNR.
ON THE IDENTIFICATION OF THE ATTENUATION MODEL IN THE PROPAGATION OF RADIO WAVES
VASILIY A. GOLOVSKOY
Rostov-on-Don, Russia
ABSTRACT
Introduction. The present technological order is characterized by the increasing role of intellectualized technologies in various spheres of society. One of these technologies is described by the concept of cognitive radio. One of the distinguishing features of this technology is the declared ability to gain knowledge about its operating environment, dynamically and autonomously adjust its operational parameters and protocols according to the knowledge gained, and also allow the system to learn based on the results obtained. Methods: The paper presents the developed approach to the identification of the attenuation model during the propagation of radio waves in an urbanized area. Identification in this case means the definition of a specific attenuation model from the available descriptions of a set of models that most fully describes the conditions for the propagation of radio waves in the territory under consideration. To verify the proposed analytical apparatus, a cor-
KEYWORDS: radio wave propagation, identification, coverage area, attenuation model, empirical model, cognitive radio, radio system.
responding algorithm has been developed and its software implementation has been carried out using the Python programming language. The results of the conducted modeling are presented for the identification of semi-empirical models of attenuation of Okumu-ra-Hat and Ibrahim-Parsons, which are most often used in practice to describe the conditions of propagation of radio waves. Research results: The proposed approach can be used in cognitive radio systems for the formation of knowledge about the operating environment and subsequent correction of this knowledge. Knowledge in this case, in accordance with the adopted production approach, is understood as data that allows to effectively obtain a solution to the task. The hypothesis is formulated that: attenuation models allow describing the terrain with a quality sufficient for the formation of cognitive radio system of knowledge about its operating environment.
REFERENCES
1. Report ITU-R SM.2152. Definitions of Software Defined Radio (SDR) and Cognitive Radio System (CRS). Geneva, International Telecommunication Union, 2009. URL: http://www.itu.int/dms_pub/itu-r/opb/rep/R-REP-SM.2152-2009-PDF-R.pdf (date of access: 02.02.2022).
2. V.A. Golovskoy (2020). Principles of creating a knowledge base of a conflict-resistant data transmission system of robotic complexes for military purposes. Information security - an actual problem of modernity. Improvement of educational technologies for training specialists in the field of information security. Vol.1, no. 2-1 (13), pp. 46-51.
3. A.V. Zhozhikashvili (2016). Category-Theoretic Technology of Creation and Development of Knowledge-Based Intelligent Systems. Information processes. Vol. 16, no. 4, pp. 312-332.
4. S.R. Saunders, A. Aragon-Zavala (2007). Antennas and propagation for wireless communication systems. Chichester: John Wiley & Sons Ltd. 546 p.
5. N.T. Surajudeen-Bakinde, N. Faruk, S.I. Popoola, M.A. Salman, A.A. Oloyede, L.A. Olawoyin, C.T. Calafate (2018). Path loss predictions for multi-transmitter radio propagation in VHF bands using Adaptive Neuro-Fuzzy Inference System. Engineering Science and Technology, an International Journal. No. 21, pp. 679-691.
6. S.V. Dvornikov, A.A. Balykov, A.A. Kotov (2019). The simplified model for radio signal path loss computation, which was developed by comparing the Vvedensky quadratic equation with existing empirical models. Systems of Control, Communication and Security, no. 2, pp. 87-99.
7. K. Zhang, B. Li, X. Tang, D. Wang, L. Wei (2019). Path loss measurement and modeling for industrial environment. IEEE 20th International Conference on High Performance Switching and Routing (HPSR), pp. 1-5.
8. O.O. Erunkulu, A.M. Zungeru, C.K. Lebekwe, J.M. Chuma (2020). Cellular Communications Coverage Prediction Techniques: A Survey and Comparison. IEEE Access. Vol. 8, pp. 113052-113077.
9. S.M.Y. Aung, K.K. Pattanaik (2020). Path loss measurement for wireless communication in industrial environments. International Conference on Computer Science, Engineering and Applications (ICCSEA), pp. 1-5.
10. H. Ahmadi, S.J. Ambroziak, C. Anton-Haro, D. Bajic, T.C. Balan, at al. (2021). Academic Press. URL: https://doi.org/10.1016/B978-0-12-820581 -5.00005-5 (date of access: 20.09.2022).
11. Yu.G. Bulychev, A.A. Mozol, V.A. Golovskoy (2016). Radio signal attenuation variance estimate in mobile radio communication systems. Radioengineering. No.3, pp. 23-27.
12. Handbook on National Spectrum Management. Geneva: ITU, 2015. URL: https://www.itu.int/dms_pub/itu-r/opb/hdb/R-HDB-21-2015-PDF-E.pdf. (date of access: 02.09.2022).
13. A.A. Mozol, V.A. Golovskoy (2014). Semi-empirical method for determining mobile radio system base station's cover zone. Vestnik of Voronezh institute of the ministry of interior of Russia. No.3, pp. 30-40.
14. M. Hata (1980). Empirical formula for propagation loss in land mobile radio services. IEEE Transactions on Vehicular Technology. Vol.29, no. 3, pp. 317-325.
15. Recommendation ITU-R P. 1546-6. Method for point-to-area predictions for terrestrial services in the frequency range 30 MHz to 4 000 MHz. Geneva: ITU, 2019. URL: https://www.itu.int/dms_pubrec/itu-r/rec/p/R-REC-P. 1546-6-201908-IHPDF-E.pdf (date of access: 20.08.2022).
16. S.Yu. Kultyshev, L.M. Kultysheva, M.V. Milyusha (2018). Identification of the mathematical model of a real object in the presence of immeasurable external action. Differential equations and control processes. No. 3, pp. 123-140.
17. V.A. Golovskoy, M.Y. Zavaltsev (2022). Program for Identification of the radio wave propagation model for cognitive radio systems. Certificate of registration of the computer program 2022618092, 28.04.2022. Application № 2022617559, 28.04.2022.
18. S.F. Atkishkin (2021). Model of a receiver for operational frequency measurement with frequency premultiplication and an additional channel based on nonlinear scattering parameters. T-Comm. Vol. 15. No. 3, pp. 40-49. DOI 10.36724/2072-87352021-15-3-40-49.
19. S.V. Dvornikov, E.V. Markov, E.A. Manoshi (2021). Improving the noise immunity of decameter radio channel transmissions under conditions of unintentional interference. T-Comm. Vol. 15. No. 6, pp. 4-9. DOI 10.36724/2072-87352021-15-6-4-9.
20. V.G. Dovbnya, D.S. Koptev, I.G. Babanin, A.A. Knyazev (2021). Evaluation of the influence of the value of the dynamic range of the radio receiver on the noise immunity of receiving signals with quadrature amplitude modulation. T-Comm. Vol. 15. No. 6, pp. 65-69. DOI 10.36724/2072-8735-2021-15-6-65-69.
21. S.T. Yaushev, R.R. Faizullin, I.M. Lerner (2020). Quasi-determined algorithm for resolution of randomly fluctuating signals and chaotic pulse interference. T-Comm. Vol. 14. No. 2, pp. 39-44. DOI 10.36724/2072-8735-2020-14-2-39-44.
22. R. I. Burov, A. I. Grevtsev, B. V. Illarionov (2020). A complex model of the path for retransmission of diagnostic signals in the radio monitoring of satellite communication lines. T-Comm. Vol. 14. No. 4, pp. 4-14. DOI 10.36724/2072-8735-2020-14-4-4-14.
INFORMATION ABOUT AUTHOR:
Vasiliy A. Golovskoy, Senior researcher at the Department of research and innova-tion development, Candidate of technical sciences, associate professor, North Caucasus branch of Moscow Technical University of Communications and Informatics, Rostov-on-Don, Russia
For citation: Golovskoy V.A. On the identification of the attenuation model in the propagation of radio waves. H&ES Reserch. 2022. Vol. 14. No 5. P. 38-44. doi: 10.36724/2409-5419-2022-14-5-38-44 (In Rus)
