1.一种空地通信信道建模方法，其特征在于，包括以下步骤：获取训练数据集；所述训练数据集包括多组俯仰角和地面距离以及对应的路径损耗；

基于BP神经网络算法中的多层前馈神经网络模型，构建BP神经网络模型；

根据所述训练数据集对所述BP神经网络模型进行训练，更新所述BP神经网络模型的权重，得到训练好的城郊环境下路径损耗模型，所述城郊环境下路径损耗模型用于基于输入的俯仰角输出对应的路径损耗；

获取训练数据集，包括：

构建初步的城郊环境下路径损耗模型；

获取信道数据，并基于所述信道数据构建包括俯仰角、地面距离与路径损耗的信道数据集；

基于所述信道数据集，对所述初步的城郊环境下路径损耗模型进行参数拟合，得到拟合好的初步的城郊环境下路径损耗模型；

基于所述拟合好的初步的城郊环境下路径损耗模型，基于输入的俯仰角和地面距离，得到对应的路径损耗，构建训练数据集；

构建初步的城郊环境下路径损耗模型，包括：

构建初步的城郊环境下路径损耗模型的表达式：

+ ；

其中，d表示无人机距离基站的地面距离，表示无人机相对基站的俯仰角， 表示无人机含瑞利衰落的路径损耗， 是瑞利衰落所服从的正态分布； 表示之间的高斯分布；

为超额路径损耗缩放因子， 为俯仰角的补偿，为俯仰角缩放因子， 为超额路径损耗补偿；、、 和 均通过实际测量数据拟合获得；

为地面路径损耗指数，为无人机机身阴影坡度； 为无人机机身阴影补偿， 和均通过实际测量数据拟合获得；

根据所述训练数据集对所述BP神经网络模型进行训练，更新所述BP神经网络模型的权重，得到输出的城郊环境下路径损耗模型，包括：步骤A：基于所述训练数据集获取用于训练和测试的信道数据；所述信道数据包括输入特征和对应的输出标签；输入特征包括俯仰角和地面距离，对应的输出标签为路径损耗；

步骤B：根据路径损耗模型设置BP神经网络模型的结构，所述BP神经网络模型包括输入层、隐藏层和输出层的节点数，以及每个节点之间的连接权重和偏置，对BP神经网络模型的权重和偏置进行初始化；

步骤C：将训练数据集中的样本通过BP神经网络模型，计算每个节点的输出值，从输入层开始，通过隐藏层，最终到达输出层，每个节点的输出值是由输入值和权重计算获得；

步骤D：将BP神经网络模型的输出与样本的真实标签进行比较，计算误差；

步骤E：从输出层开始，将误差反向传播到隐藏层和输入层；根据误差和节点的输出值，计算每个节点的梯度；梯度表示了误差对节点输出值的敏感程度；

步骤F：根据节点的梯度和学习率，更新每个连接的权重和每个节点的偏置；

步骤G：重复上述步骤C‑F，直到达到预设的停止条件，得到输出的城郊环境下路径损耗模型。

2.根据权利要求1所述的空地通信信道建模方法，其特征在于，获取信道数据，并基于所述信道数据构建包括俯仰角、地面距离与路径损耗的信道数据集包括：将无人机的地理坐标转换为以基准点为基站的局部三维笛卡尔坐标，从而计算出无人机相对于基站的俯仰角 和地面距离 ；

其中，无人机UAV的笛卡尔坐标为（XUAV,YUAV,ZUAV），基站BS的笛卡尔坐标为（XBS,YBS,ZBS），地面距离 ，是无人机的投影和基站之间的2D距离； 分别表示无人机的横坐标和纵坐标； ， 分别表示基站的横坐标和纵坐标；

俯仰角根据地面距离与无人机和基站的z轴坐标差（ZUAV‑ZBS）计算：；

通过信道建模或仿真获取信道数据，所述信道数据包括路径损耗；

通过信道数据与无人机的俯仰角 和地面距离 的对应关系，构造包括俯仰角、地面距离与路径损耗的数据集；

基于经过归一化算法，将数据集的值域限制在合适的区间，得到信道数据集。

3.根据权利要求1所述的空地通信信道建模方法，其特征在于，所述拟合好的初步的城郊环境下路径损耗模型的参数如下所示：地面路径损耗指数 为3.04；

超额路径损耗缩放因子 为‑23.29；

超额路径损耗补偿 为20.70；

俯仰角补偿 为‑3.61；

俯仰角缩放因子 为4.14；

无人机机身阴影坡度 为‑0.41；

无人机机身阴影补偿 为5.86。

4.一种空地通信信道建模装置，其特征在于，包括：训练集获取模块：用于获取训练数据集；所述训练数据集包括多组俯仰角以及对应的路径损耗；

模型构建模块：用于基于BP神经网络算法，构建BP神经网络模型；

模型输出模块：用于根据所述训练数据集对所述BP神经网络模型进行训练，更新所述BP神经网络模型的权重，得到训练好的城郊环境下路径损耗模型，所述城郊环境下路径损耗模型用于基于输入的俯仰角输出对应的路径损耗；

所述训练集获取模块获取训练数据集，包括：

构建初步的城郊环境下路径损耗模型；

获取信道数据，并基于所述信道数据构建包括俯仰角、地面距离与路径损耗的信道数据集；

基于所述信道数据集，对所述初步的城郊环境下路径损耗模型进行参数拟合，得到拟合好的初步的城郊环境下路径损耗模型；

基于所述拟合好的初步的城郊环境下路径损耗模型，基于输入的俯仰角和地面距离，得到对应的路径损耗，构建训练数据集；

构建初步的城郊环境下路径损耗模型，包括：

构建初步的城郊环境下路径损耗模型的表达式：

+  ；

其中，d表示无人机距离基站的地面距离，表示无人机相对基站的俯仰角， 表示无人机含瑞利衰落的路径损耗， 是瑞利衰落所服从的正态分布； 表示之间的高斯分布；

为超额路径损耗缩放因子， 为俯仰角的补偿，为俯仰角缩放因子， 为超额路径损耗补偿；、、 和 均通过实际测量数据拟合获得；

为地面路径损耗指数，为无人机机身阴影坡度； 为无人机机身阴影补偿， 和均通过实际测量数据拟合获得；

根据所述训练数据集对所述BP神经网络模型进行训练，更新所述BP神经网络模型的权重，得到输出的城郊环境下路径损耗模型，包括：步骤A：基于所述训练数据集获取用于训练和测试的信道数据；所述信道数据包括输入特征和对应的输出标签；输入特征包括俯仰角和地面距离，对应的输出标签为路径损耗；

步骤B：根据路径损耗模型设置BP神经网络模型的结构，所述BP神经网络模型包括输入层、隐藏层和输出层的节点数，以及每个节点之间的连接权重和偏置，对BP神经网络模型的权重和偏置进行初始化；

步骤C：将训练数据集中的样本通过BP神经网络模型，计算每个节点的输出值，从输入层开始，通过隐藏层，最终到达输出层，每个节点的输出值是由输入值和权重计算获得；

步骤D：将BP神经网络模型的输出与样本的真实标签进行比较，计算误差；

步骤E：从输出层开始，将误差反向传播到隐藏层和输入层；根据误差和节点的输出值，计算每个节点的梯度；梯度表示了误差对节点输出值的敏感程度；

步骤F：根据节点的梯度和学习率，更新每个连接的权重和每个节点的偏置；

步骤G：重复上述步骤C‑F，直到达到预设的停止条件，得到输出的城郊环境下路径损耗模型。

5.一种空地通信信道建模装置，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至3中任一项所述空地通信信道建模方法的步骤。

6.一种城郊环境下路径损耗预测方法，其特征在于，基于权利要求1至3中任一项所述空地通信信道建模方法所构建的训练好的城郊环境下路径损耗模型，包括以下步骤：获取待检测的无人机俯仰角和地面距离；

将所述待检测的无人机俯仰角和地面距离输入训练好的城郊环境下路径损耗模型中，得到对应的路径损耗。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至3中任一项所述空地通信信道建模方法的步骤。