Modeling Losses of Mobile Networks using Artificial Intelligence Methods

Abstract

One of the most critical problems in a communication system is losing information between the transmitter and the receiver. WiMAX (Worldwide Interoperability of Microwave Access) technology is gaining popularity and recognition as a Broadband Wireless Access (BWA) solution. At frequencies below 11 GHz, WiMAX can operate in line-of-sight (LOS) and non-line-of-sight (NLOS) scenarios. The implementation of WiMAX networks will be rushed worldwide. Estimating path loss is crucial in the early stages of wireless network deployment and cell design. To anticipate propagation loss, several path loss (PL) models are available (e.g., Okumura Model Hata Model), but they are all bound by particular parameters. In this dissertation , we propose an MLP neural network-based path loss model with a well-structured implementation network design and grid search-based hyperparameter tweaking. The proposed model optimally approximates mobile and base station path losses. Therefore, neuron number, learning rate, and hidden layer number are investigated to obtain the best model in terms of prediction accuracy. Path loss data is collected based on 14 networks in different microcellular settings. Simulations under MATLAB environment showed that prediction errors were lower than standard log-distance-based path loss models.

من أهم المشاكل في نظام الاتصال هو فقدان المعلومات بين المرسل والمستقبل. تكتسب تقنية WiMAX (قابلية التشغيل البيني في جميع أنحاء العالم للوصول إلى الميكروويف) شعبية واعترافًا كحل للوصول اللاسلكي عريض النطاق (BWA). عند الترددات التي تقل عن 11 جيجاهرتز ، يمكن أن تعمل WiMAX في سيناريوهات خط البصر (LOS) وغير خط البصر (NLOS). سيتم التعجيل بتنفيذ شبكات WiMAX في جميع أنحاء العالم. يعد تقدير خسارة المسار أمرًا بالغ الأهمية في المراحل الأولى لنشر الشبكة اللاسلكية وتصميم الخلايا. لتوقع خسارة الانتشار ، تتوفر عدة نماذج لخسارة المسير (PL) (على سبيل المثال ، نموذج Okumura Model Hata) ، لكنها كلها مرتبطة بمعلمات معينة. في هذه الأطروحة ، نقترح نموذج خسارة المسار المعتمد على الشبكة العصبية MLP مع تصميم شبكة تنفيذ جيد التنظيم وتعديل المعلمات الفائقة المستند إلى البحث في الشبكة. يقترب النموذج المقترح على النحو الأمثل من خسائر المسار المتنقلة والمحطة الأساسية. لذلك ، يتم التحقق من عدد الخلايا العصبية ومعدل التعلم ورقم الطبقة المخفية للحصول على أفضل نموذج من حيث دقة التنبؤ. يتم جمع بيانات فقدان المسار بناءً على 14 شبكة في إعدادات مختلفة من الخلايا الدقيقة. أظهرت عمليات المحاكاة في بيئة MATLAB أن أخطاء التنبؤ كانت أقل من النماذج القياسية لخسارة المسير القائمة على لوغاريتم المسافة.

L'un des problèmes les plus critiques dans un système de communication est la perte d'informations entre l'émetteur et le récepteur. La technologie WiMAX (Worldwide Interoperability of Microwave Access) gagne en popularité et en reconnaissance en tant que solution d'accès sans fil à large bande (BWA). À des fréquences inférieures à 11 GHz, le WiMAX peut fonctionner dans des scénarios en visibilité directe (LOS) et sans visibilité directe (NLOS). La mise en œuvre des réseaux WiMAX sera précipitée dans le monde entier. L'estimation de la perte de chemin est cruciale dans les premières étapes du déploiement du réseau sans fil et de la conception des cellules. Pour anticiper la perte de propagation, plusieurs modèles de perte de propagation (PL) sont disponibles (par exemple, Okumura Model Hata Model), mais ils sont tous liés par des paramètres particuliers. Dans cette thèse, nous proposons un modèle de perte de chemin basé sur un réseau de neurones MLP avec une conception de réseau de mise en œuvre bien structurée et un ajustement d'hyperparamètres basé sur la recherche de grille. Le modèle proposé se rapproche de manière optimale des pertes de trajet de la station mobile et de la station de base. Par conséquent, le nombre de neurones, le taux d'apprentissage et le nombre de couches cachées sont étudiés pour obtenir le meilleur modèle en termes de précision de prédiction. Les données de perte de trajet sont collectées sur la base de 14 réseaux dans différents paramètres micro cellulaires. Les simulations sous l'environnement MATLAB ont montré que les erreurs de prédiction étaient inférieures aux modèles standard de perte de trajet basés sur la distance logarithmique.