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: Derin öğrenme, Silahlı insansız hava araçları, Deep learning, Armed unmanned aerial vehicles
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Medipol Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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 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
- SEA yöntemi yardımıyla tek ve çift tabakalı yapı elemanlarından ses geçiş kayıplarının hesaplanması için bir bilgisayar programı geliştirilmesi
Prediction of sound transmission- loss by the sea method
BANU GÜNAL
Yüksek Lisans
Türkçe
1997
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SELMA KURRA
- Topology-preserving medical image segmentation via path-cost supervision
Yol maliyeti denetimi ile topoloji koruyan tıbbi görüntü bölütleme
ELYAR ESMAEILZADEH
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DORUK ÖNER
- Stochastic prediction of collapse of building structures under seismic excitations
Başlık çevirisi yok
DERYA DENİZ
Doktora
İngilizce
2014
Deprem MühendisliğiUnıversıty Of Illınoıs At Urbana-ChampaıgnDr. JUNHO SONG
Prof. JEROME F. HAJJAR