Ανάπτυξη μεθοδολογίας με τεχνητά νευρωνικά δίκτυα για την εκτίμηση της απώλειας διαδρομής ραδιοκυμάτων σε δομημένο περιβάλλον ανοιχτού χώρου

Abstract

The use of Artificial Neural Networks, so as to predict the propagation path loss in built-up outdoor areas, has been investigated. The novelty of the work at hand emanates from the determination of the kind of information which must be gathered from the built-up environment, according to its local architectural characteristics. That information is later fed to, and utilized from, appropriate Artificial Neural Networks. The effects of parameters such as the operating frequency, the transmitter’s height and its distance from the receiver have been investigated. Two methods of Artificial Neural Network parameter optimization, based on differential evolution, have been proposed in order to make sure that the benefits from the input information are reaped to the biggest extend possible: the former enables the determination of their optimal inner architecture, while the latter deals with optimizing the weights between the synapses, given a predetermined inner structure. Moreover, and in order to compare results with the Artificial Neural Networks, the machine learning method of Random Forests has been implemented in order to obtain path loss predictions. Apart from comparing the results between them, the combination of the two methods in a meta-model in order to obtain even better results, has been proposed.

Μελετήθηκε η χρήση Τεχνητών Νευρωνικών Δικτύων για την εκτίμηση της απώλειας διαδρομής ραδιοκυμάτων σε δομημένα περιβάλλοντα ανοιχτού χώρου. Η πρωτοτυπία της διατριβής αφορά στην εξειδίκευση του είδους της πληροφορίας που πρέπει να αντληθεί για το περιβάλλον διάδοσης βάσει των τοπικών αρχιτεκτονικών χαρακτηριστικών που το καθορίζουν. Η αξιοποίηση αυτής της πληροφορίας γίνεται από κατάλληλα Τεχνητά Νευρωνικά Δίκτυα. Η μελέτη πραγματοποιήθηκε λαμβάνοντας ως επιπλέον παραμέτρους την συχνότητα, το ύψος του πομπού και την απόστασή του από τον δέκτη. Προκειμένου να διασφαλιστεί πως τα εσωτερικά χαρακτηριστικά των χρησιμοποιούμενων Τεχνητών Νευρωνικών Δικτύων είναι τέτοια που να επιτρέπουν την καλύτερη δυνατή αξιοποίηση της πληροφορίας στην είσοδό τους, προτάθηκαν δύο μέθοδοι για την βελτιστοποίησή τους, βασιζόμενες στην Διαφορική Εξέλιξη: η πρώτη αφορά τον καθορισμό της βέλτιστης αρχιτεκτονικής τους, ενώ η δεύτερη επιτρέπει την βελτιστοποίηση των βαρών τους, για δεδομένη εσωτερική αρχιτεκτονική. Συμπληρωματικά με τα Τεχνητά Νευρωνικά Δίκτυα, και προς σύγκριση με αυτά, χρησιμοποιήθηκε η μέθοδος μηχανικής μάθησης των Τυχαίων Δασών για τον υπολογισμό της απώλειας διαδρομής. Πέρα από την σύγκριση των αποτελεσμάτων των δύο μεθόδων προτάθηκε επιπλέον μία μέθοδος για τον συνδυασμό τους με στόχο την περαιτέρω βελτίωση της ακρίβειας πρόβλεψης.