Modelización de pérdidas del canal del sistema de comunicaciones LTE con métodos tradicionales y Machine Learning

Las comunicaciones inalámbricas, como las que ofrece la tecnología Evolución a Largo Plazo (LTE, del inglés Long-Term Evolution), son esenciales en la sociedad actual. Por esto el siguiente estudio se enfoca en la modelización de las pérdidas del canal en sistemas de comunicaciones LTE, mediante la combinación de métodos tradicionales y técnicas de Machine Learning. El objetivo es prever las pérdidas de señal en la transmisión a través del canal de comunicaciones, en función de la distancia y niveles de potencia. La metodología planteada parte de la identificación de las propiedades y variables, así como la reunión de una base de datos representativa del Indicador de Intensidad de Señal Recibida (RSSI, del inglés Received Signal Strength Indicator) del sistema LTE de la cual se reordena los datos para obtener una base de soporte común. A partir de la base se considera dos enfoques, los métodos tradicionales en los que se considera ajustes de curvas y modelos de pérdidas de canal tradicionales. Además, modelos basados en la teoría de Machine Learning y Deep Learning. Para esto se plantean tres casos, en el primero se utiliza todos los datos de la base de soporte común para la aplicación de cada modelo, en el segundo se eliminan los datos atípicos para luego aplicar los modelos y en el último se utiliza la eliminación de datos atípicos y Data Augmentation antes de aplicar los modelos. Para cada caso las pruebas se realizan con la media y la mediana de las pérdidas. El desempeño de los modelos diseñados se evalúa mediante la Raíz del Error Cuadrático Medio (RMSE, del inglés Root Mean Square Error). En los resultados obtenidos tienen un menor RMSE en el tercer caso, mediante ajuste de curvas destaca el ajuste lineal con el que se consigue obtener un RMSE de 5,0030. Entre los modelos basados en Machine Learning destaca el modelo de Rational Quadratic GPR con un RMSE de 4,8046. Mientras que en el modelo en base a Deep Learning el menor RMSE es de 5,0091.

• Autor principal: Tibán Molina, Ian Mateo (author)
• Formato: bachelorThesis
• Publicado: 2024
• Materias: MODELIZACIÓN; PÉRDIDAS; LTE; MACHINE LEARNING; DATA AUGMENTATION
• Acceso en línea: https://repositorio.espe.edu.ec/handle/21000/42585