Dépôt institutionnel de l'UQO
RECHERCHER

Deep learning modeling of channel propagation in indoor environments

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Kedjar, Khaled (2021). Deep learning modeling of channel propagation in indoor environments. Thèse. Gatineau, Université du Québec en Outaouais, Département d’informatique et ingénierie, 111 p.

[thumbnail of Kedjar_Khaled_2021_these.pdf]
Prévisualisation
PDF
Télécharger (14MB) | Prévisualisation

Résumé

La caractérisation et la modélisation du canal de propagation sont d'une grande importance pour la conception des communications sans fil, l'analyse de la qualité de la communication et la simulation de la performance du réseau. Dans la littérature, le canal de propagation est défini comme le milieu où les ondes électromagnétiques voyagent entre les antennes, et sont soumises à divers phénomènes physiques qui affectent la qualité de la transmission. Ces phénomènes sont catégorisés par les réflexions, les diffractions et les diffusions, causées par la nature des surfaces et la densité des obstacles dans le site spécifique. Ils provoquent donc des interférences et des distorsions de l'information dans le canal. Plusieurs approches ont été utilisées pour exploiter les ressources des réseaux de propagation, par exemple les techniques seule entrée et une seule sortie (Single-Input Single-Output ou bien SISO) et multiple entrée et une multiple sortie (Multiple-Input-Multiple-Output ou bien MIMO). Au cours de la dernière décennie, la communauté des chercheurs a multiplié les efforts pour étudier la propagation des canaux sans fil dans les environnements intérieurs, les bureaux, les bâtiments et les mines souterraines. De plus, l'effet du corps est également considéré dans plusieurs études comme un paramètre important, en particulier pour les futurs systèmes de communication dans les mines souterraines. Par conséquent, les canaux des réseaux corporels sans fil (Wireless body Area Network ou WBAN) ont été étudiés dans les mines souterraines afin de comprendre le mécanisme de propagation résultant de l'effet du corps dans des scénarios SISO et MIMO, en considérant les situations (Line of the Sight ou bien LoS) et (No - Line of the Sight ou bien NLoS). Par conséquent, la nécessité croissante d'améliorer les conditions d'exploitation minière en mettant en oeuvre des réseaux de communication souterrains efficaces a suscité diverses recherches sur les sites miniers souterrains. Ces études visent à remplacer les communications filaires, dont la maintenance est coûteuse et l'évolutivité limitée, par une liaison sans fil fiable et sûre. Ces études ont été développées dans le but de développer une meilleure compréhension et des solutions pour l'environnement complexe des mines souterraines, qui est caractérisé par des surfaces rugueuses et aléatoires. Les chercheurs ont travaillé sur différentes configurations de systèmes d'antennes telles que MIMO, SISO. De plus, des scénarios de LoS et de NLoS ont été utilisés pour stimuler le comportement réel du signal à bande étroite ou à large bande dans n'importe quelle situation. Bien que ces algorithmes permettent une bonne compréhension des canaux sans fil, ils restent limités à un seul environnement, et il est difficile d'appliquer ou de conclure les mêmes résultats dans des environnements différents. En conséquence, ces modèles de canaux de propagation ne seront pas suffisants pour concevoir le système d'information. En conséquence, ces modèles de canaux de propagation ne seront pas suffisants pour concevoir le système sans fil dans n'importe quel environnement en raison de la croissance rapide des réseaux et des installations pour les canaux de propagation sans fil qui comportent des normes plus élevées pour une efficacité spectrale élevée.
De nos jours, l'Intelligence Artificielle (IA) fait son apparition dans notre vie quotidienne. Nous ne pouvons pas regarder un film ou une émission de télévision sans qu'un robot IA n'apprenne le schéma de notre routine quotidienne pour finalement nous faire des suggestions le lendemain, c'est fascinant. Cependant, l’arrière-plan de ces applications est basé sur des algorithmes, à savoir des algorithmes d’apprentissage automatique (Machine Learning ou bien ML) qui ont été utilisés dans plusieurs applications, telles que la reconnaissance faciale, la détection d'objets, etc. En fait, ces applications collectent plus de données afin de performer et de bien prédire le choix du film que nous voulons regarder. En outre, il existe deux types de problèmes de prédiction : les problèmes de classification, où la cible de sortie est une étiquette de classe discrète, et les problèmes de régression, où la cible est une quantité continue. Par conséquent, comme nous vivons également à l'époque de la technologie de l'Internet des objets (Internet of things ou bien IOT), le domaine de l'IA est très utile pour apporter une nouvelle solution dans la vie quotidienne. Cela crée de nouvelles technologies massives où plusieurs objets doivent être connectés en même temps entre eux et aussi avec le serveur hôte. Par conséquent, le besoin de capacité de canal et de couverture devient crucial pour les futurs systèmes de communication sans fil dans les environnements intérieurs. L'algorithme d'apprentissage profond (Deep Learning ou bien DL) est un sous-domaine de la ML qui structure les algorithmes en plusieurs couches pour créer un réseau neuronal artificiel capable d'apprendre et de prendre des décisions intelligentes par lui-même.
Cette thèse étudie l'application de l'algorithme DL pour modéliser le canal intérieur dans les couloirs et les environnements souterrains dans des configurations SISO et MIMO. Il s'agit d'un travail nécessaire visant à concevoir d'abord un modèle basé sur les données pour prédire le canal dans tout environnement complexe dans un scénario SISO. Ensuite, un modèle empilé (Stacked model ou bien SM) est conçu pour le canal WBAN-MIMO afin de prédire, simultanément, le sous-canal de la matrice H, la position de l'endroit où les données sont collectées (classificateur de position) et s'il s'agit d'une situation LoS ou NLoS (détection LoS-NLoS).

Type de document: Thèse (Thèse)
Directeur de mémoire/thèse: Talbi, Larbi
Co-directeurs de mémoire/thèse: Nedil, Mourad
Départements et école, unités de recherche et services: Informatique et ingénierie
Date de dépôt: 08 mars 2022 16:44
Dernière modification: 08 mars 2022 16:44
URI: https://di.uqo.ca/id/eprint/1344

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt