Derin öğrenme kullanılarak yükseklik haritalarından yol kaybı tahmini
| Autor: | Bal, Mustafa |
|---|---|
| Přispěvatelé: | Güntürk, Bahadır Kürşat |
| Jazyk: | angličtina |
| Rok vydání: | 2021 |
| Předmět: |
Yol Kaybı Kuvveti
Aşırı Yol Kaybı Shadowing Factor İnsansız Hava Aracı Path Loss Factor Derin Öğrenme Regresyon Height Maps Unmanned Aerial Vehicle Channel Parameter Estimation Regression Yükseklik Haritaları Deep Learning Excessive Path Loss Havadan Karaya İletişim Sistemi Kanal Parametrelerinin Kestrimi Air-To-Ground Communication System Gölgeleme Faktörü |
| Popis: | 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. 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. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|