Data Analysis for Hearability and Synchronization in Telecom Systems
| Autor: | Xin, Sun |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: | |
| Druh dokumentu: | Text |
| Popis: | In a wireless communication system, synchronization is one of the most critical functions. Good timing and synchronization can prevent messages of the communication system from interfering with each other and enable a smooth message transfer. For 5G (the fifth generation of telecommunication network), the timing and synchronization requirements are even more strict. To synchronize the communication system, the first thing is to detect the connection quality and find the faults’ positions. This thesis aims to investigate a machine learning or deep learning approach to predict the connection quality called ”Hearability” between cells and to find the base stations whose cells have an absolute time error larger than a configurable threshold. The results show that the random forest classifier can obtain the highest accuracy while requiring less computing time than k-Nearest-Neighbors, Support Vector Machine, and Graph Neural Network. Additionally, we found the base stations with faults and offered suggestions for detecting the faults in complicated cases. I ett trådlöst kommunikationssystem är synkronisering en av de mest kritiska funktionerna. Bra timing och synkronisering kan förhindra meddelanden från kommunikationssystemet från att störa varandra och möjliggöra en smidig meddelandeöverföring. För 5G (den femte generationens telekommunikationsnätverk) är kraven på timing och synkronisering ännu strängare. För att synkronisera kommunikationssystemet är det första att detektera anslutningskvaliteten och hitta felens positioner. Denna avhandling syftar till att undersöka en maskininlärning eller djupinlärning för att förutsäga anslutningskvaliteten som kallas ”Hörbarhet” mellan celler och att hitta de basstationer vars celler har ett absolut tidsfel som är större än en konfigurerbar tröskel. Resultaten visar att den slumpmässiga skogsklassificeraren kan få högsta noggrannhet samtidigt som den kräver mindre beräkningstid än k-Nearest-Neighbors, Support Vector Machine och Graph Neural Network. Dessutom hittade vi basstationerna med fel och gav förslag för att upptäcka felen i komplicerade fall. |
| Databáze: | Networked Digital Library of Theses & Dissertations |
| Externí odkaz: |
|