Path loss prediction from heightmap using deep learning
Derin öğrenme kullanılarak yükseklik haritalarından yol kaybı tahmini
- Tez No: 664022
- Danışmanlar: Prof. Dr. BAHADIR KÜRŞAT GÜNTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Medipol Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Başarılı bir ağ planlamasının yapılabilmesi için hedeflenen kapsama alanının kanal parametreleri hakkında detaylı bilgiler gerektirmektedir. Işın izleme simülasyonlarıyla elde edilen kanal parametreleri yeterli bilgi vermektedir. Bu işlemde belirlenen alanın 3-boyutlu modeli simülasyona verilerek yol kaybı hesaplaması yapılmaktadır. Fakat ışın izleme simülasyonları yüksek hesaplama karmaşıklığı ve zaman gerektirmektedir. Bu tezde genellikle yol kaybı veya parametreleri tahmini için çeşitli derin öğrenme yöntemleri önerilmiştir. Yol kaybı veya parametrelerini tahmin etmek için iki çözüm vermekteyiz. İlk olarak, uydu ya da yükseklik haritası görüntüleri ile derin öğrenme yöntemleri kullanılarak yol kaybı kuvveti ve büyük ölçekli gölgeleme faktörü değerini tahmin etmek için regresyon modellemesi gösterilmiştir. Derin ağın eğitimi için gerekli veri kümesi ışın izleme simülasyonları ile üretilmiş, uydu ve ya yükseklik haritaları derin sinir ağına verilip, çıktı olarak da istenilen kanal parametrelerinin kestirimi regresyon yöntemiyle elde edilmiştir. Yol kaybı, kablosuz iletişimdeki parametrelerinin yanı sıra kritik bir değer olduğu için, ikinci sorunumuz koşullu genel düşmanca ağı kullanarak bir bölgenin noktasal aşırı yol kaybı değerlerini tahmin etmektir. Veri seti, çalışmalarımızın ilk probleminde olduğu gibi gereklidir, bu nedenle ışın izleme simülasyonları da bu sorunun gerçek değeri olarak üretilmiştir. Bu yöntemle, alıcının yol kaybı değerini her noktada doğrudan bulmayı hedeflenmektedir. Bu metodumuz noktasal tahmin için mükemmel bir model olmasa konvolüsyonlu ağlara nazara bölgeler için daha güvenilir bilgiler vermektedir. Elde edilen sonuçlar ayrıntılı olarak noktasal ve olasılık dağılımları olarak gösterilmiş ve analiz edilmiştir.
Özet (Çeviri)
Wireless channel parameters of a region are required for a successful network planning. Sufficient information about those parameters can be obtained by either actual measurements or ray-tracing simulations that use 3D model of the target area. However, measurements are costly and time consuming, and ray-tracing simulations have high computational cost. This thesis recommends various methods of estimating path loss or its parameters using deep learning. We give two solutions for estimating path loss or path loss parameters. Firstly, regression modeling is shown for estimating path loss exponent and shadowing factor of the wireless channel by using deep learning methods with satellite images or height map. Path loss dataset that is needed for training the deep neural network is produced by ray-tracing simulations. The deep network takes satellite image or height map as input and applies regression to estimate the desired channel parameters. Since the path loss is a critical value as well as its parameters in wireless communication, our second problem is to estimate the point-wise excessive path loss values of a region using the conditional general adversarial network. Ray-tracing simulations are also taken as the ground truth for this problem. With this method, we aim to find the path loss value of the receiver directly at each region. Even though it is not a perfect model for point-wise prediction but it can give us more reliable general information for the region than the convolutional networks. The results obtained are shown and analyzed as point-wisely for each region and probability distributions in detail.
Benzer Tezler
- Deep learning based prediction of path loss values and distributions from satellite images
Uydu görüntülerinden yol kaybı değerlerinin ve dağılımlarının derin öğrenme tabanlı tahmini
AHMED MOHAMED NAGIB IBRAHIM MAREY AHMED MOHAMED NAGIB IBRAHIM MAREY
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. BAHADIR KÜRŞAT GÜNTÜRK
- İzmir ve çevresinde 900-2100 Mhz bandında açık alanda radyo dalgası yayılımının modellenmesi
Comparison of path loss prediction models for cellular networks in Izmir at 900-2100 Mhz bands
ERDEM EKİZ
Yüksek Lisans
Türkçe
2011
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. RADOSVETA SOKULLU
- Trabzon kent merkezinde elektrik alan ölçmeleri ve bazı mikro hücreler için yayılım modelleri ile ölçme sonuçlarının karşılaştırılması
Electric field measurements in the city center of Trabzon and comparison of propagation models with measurement results for some microcells
BERİL SELVİ
Yüksek Lisans
Türkçe
2011
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HAYDAR KAYA
- Vehicular visible light communication channel modeling and performance analysis
Araç görünür ışık haberleşmesi kanal modellemesi ve performans analizleri
BUĞRA TURAN
Doktora
İngilizce
2021
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SİNEM ÇÖLERİ
- A sensor fusion and machine learning approach for predicting signal power path loss in wireless communications
Başlık çevirisi yok
YUNUS EĞİ
Doktora
İngilizce
2019
Elektrik ve Elektronik MühendisliğiFlorida Institute of TechnologyDR. CARLOS E. OTERO