ПРОГНОЗУВАННЯ ВТРАТ У СИСТЕМАХ СТІЛЬНИКОВОГО ЗВ’ЯЗКУ ЗА ДОПОМОГОЮ НЕЙРОННИХ МЕРЕЖ
DOI:
https://doi.org/10.31649/1997-9266-2020-150-3-96-101Ключові слова:
стільниковий зв'язок, втрати, нейронна мережаАнотація
Розглянуто метод прогнозування втрат потужності при поширенні сигналу системи стільникового зв’язку. Нове століття характеризується швидким впровадженням систем стільникового зв’язку у всі сфери життя людини. Шляхи проходження сигналу системи стільникового зв’язку від передавача до приймача можуть бути різними: від лінії прямої видимості до щільно забудованої місцевості. На відміну від проводового зв’язку з постійними параметрами, радіоканали безпровідного зв’язку мають випадкові параметри, які складно аналізуються. Саме тому моделювання радіолінії є найскладнішою задачею в процесі проектування систем стільникового зв'язку. Більшість систем стільникового зв'язку працюють в містах, де немає прямої видимості між антенами базових і мобільних станцій. Крім того, наявність високих будівель призводить до великих дифракційних втрат. Також, інтерференція радіохвиль через багаторазове перевідбиття від різних об'єктів викликає суттєву зміну рівня сигналу. Однією з перспективних галузей сучасної техніки є штучні нейронні мережі. Важливою властивістю нейронних мереж є паралельне оброблення інформації великою кількістю нейронів одночасно. Типовими задачами, які можна розв'язати за допомогою нейронних мереж є: керування, кодування та декодування інформації, класифікація, прогнозування, автоматизація процесу ухвалення рішень, розпізнавання образів тощо. Нейронні мережі застосовуються у телекомунікаційних системах для розв’язання таких задач: керування трафіком, розподіл каналів, комутація, адаптивна маршрутизація. Запропоновано використовувати нейронну мережу для підвищення точності визначення втрат потужності при поширенні сигналу системи стільникового зв’язку. Після створення програмного або апаратного рішення нейронної мережі необхідно створити математичну модель мережі та виконати її навчання. Нейронна мережа є багатошаровим перцептроном, схему якого запропоновано у статті. Обґрунтовано кількість нейронів у всіх шарах персептрона. Описано роботу багатошарового перцептрона.
Посилання
В. А. Утц, «Исследование потерь при распространении радиосигнала сотовой связи на основе статистических моделей,» Вестник Балтийского федерального университета им. И. Канта, № 5, с. 44-49, 2011.
С. В. Молчанов, и А. И. Захаров, «Применение искусственных нейронных сетей с целью прогнозирования характеристик распространения радиосигнала,» Вестник Балтийского федерального университета им. И. Канта, № 4, с. 100-105, 2014.
Yan Zhang, JinxiaoWen, Guanshu Yang, Zunwen He, and Jing Wang, “Path Loss Prediction Based on Machine Learning: Principle, Method, and Data Expansion,” Applied Sciences, vol. 9, issue 9, May. 2019. https://doi.org/10.3390/app9091908 .
Bruno J. Cavalcanti, and Gustavo A. Cavalcante, “A Hybrid Path Loss Prediction Model based on Artificial Neural Networks using Empirical Models for LTE And LTE-A at 800 MHz and 2600 MHz,” Journal of Microwaves, Optoelectronics and Electromagnetic Applications, vol. 16, no. 3, pp. 708-722, September. 2017. http://dx.doi.org/10.1590/2179-10742017v16i3925 .
Segun I. Popoola, Emmanuel Adetiba, Aderemi A. Atayero, Nasir Faruk, and Carlos T. Calafate, “Optimal model for path loss predictions using feed-forward neural networks,” Cogent Engineering, vol. 5, February. 2018. https://doi.org/10.1080/23311916.2018.1444345.
А. Ю. Кононюк, Нейроні мережі і генетичні алгоритми. Київ, Україна: Корнійчук, 2008, 446 с.
##submission.downloads##
-
PDF
Завантажень: 198
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
