O presente trabalho apresentou um modelo de rádio propagação que faz uso do classificador KNN de forma discretizada. Campanhas de medições foram realizadas em frequências distintas para que o modelo pudesse ser mais flexibilizado no uso das frequências. Além disso foi feita uma otimização para diferentes cenários utilizando o modelo proposto.
O modelo proposto apresenta vários aspectos inovadores. O primeiro é o caráter híbrido do modelo, utilizando aprendizado supervisionado de máquina na abordagem teórica/computacional, possibilitando tratar diferentes atributos de um ambiente.
Outro aspecto inovador é a inclusão de uma generalização do uso das frequências a partir de um polinômio gerado por uma parábola, e apesar do modelo proposto não possuir uma formulação matemática definida, o algoritmo desenvolvido faz uso de muitas formulações em seu desenvolvimento.
Os resultados do modelo proposto mostram-se adequado a predição da potência recebida em cada ponto do cenário, diferenciando-se da maioria dos modelos de propagação que tem uma característica ponto a ponto.
Aspectos do ambiente foram inseridos no modelo pelo classificador KNN, onde os atributos escolhidos representam um de uma típica cidade amazônica. Como a inserção de atributos depende de um especialista do conhecimento (aprendizado supervisionado), o modelo pode ser adaptado a outros tipos de ambientes, desde que se possa construir um conjunto de treinamento mínimo.
A otimização do posicionamento das torres mostrou que o modelo pode ser utilizado em planejamentos de áreas e cobertura, uma vez que foi possível prever, em área, a potência recebida. Os locais candidatos podem ter uma maior flexibilidade se forem consideradas modelos de small cell, que tem formato de um poste e altura de 15m, que baixaria o custo, consequentemente, o número de locais candidatos aumentaria.
Em trabalhos futuros pretende-se inserir no modelo atributos qualitativos de relevância de cobertura, onde os quadrados teriam um sistema de prioridade de atendimento.
Pode-se como trabalho futuro usar otimização multiobjetivo, para garantir a maior potência mínima, podendo-se levar em consideração não só a média geral, mas também a relevância dos quadrados de terreno em questão.
Campanhas de medições em diferentes frequências, em especial as possíveis frequências em 5G, pode ser pensado para melhorar o polinômio desenvolvido para o cálculo das frequências.
Referencias
AGÊNCIA NACINAL DE TELECOMUNICAÇÕES, Anatel,
www.anatel.gov.br, último acesso em :01/12/2018
Bishop, C. M. and I. T. Nabney. Pattern Recognition and Machine Learning:
A Matlab Companion. Springer. (2008)
CASTRO, B.S.L “Modelo de propagação para redes sem fio fixas na Banda de 5,8 GHz em cidades típicas da região Amazônica”, Dissertação de Mestrado, Universidade Federal do Pará, 2010
CAVALCANTE, G.P.S.” Propagação de ondas eletromagnéticas em meios
com camadas múltiplas usando funções de Green Diádicas e sua aplicação no modelamento de florestas”. 1982. 89 f. Tese (Doutorado em Engenharia Elétrica) –
Faculdade de Engenharia Elétrica, Universidade Estadual de Campinas, Campinas, 1982.
DANTZIG, G. B., “Linear Programming and Extensions”, Princeton University Press, 1963
CHEE, K.L.; TORRICO, S.A.; KUNER, T. “Foliage Attenuation Over Mixed
Terrains in Rural Areas for Broadband Access at 3.5 GHz”. IEEE Transaction on
Antennas and Propagation, v. 59, nº 7, jul. 2011
EUROPEAN COOPERATION IN THE FIELD OF SCIENTIFIC AND TECHNICAL RESEARCH EURO-COST231, Urban Transmission Loss Models for
Mobile Radio in the 900 and 1800MHz Bands. Revision 2, The Hagne, set. 1991
GOMES, C. R.; LEITE, J. B. N.; NASCIMENTO, R. A.; GOMES, I. R.; GOMES, H. S.; FRAIHA, S. G. C.; CAVALCANTE, G. P. S. “Knowledge-Based
Indoor Propagation Model”. In: EUROPEAN CONFERENCE ON ANTENNAS
AND PROPAGATION-EUCAP, Anais…, Praga, 2012
GOMES, C. R. “MODELO DE RÁDIO PROPAGAÇÃO NA FAIXA DE UHF PARA TRAJETOS NÃO HOMOGÊNEOS E CLIMAS DISTINTOS UTILIZANDO TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL”, Tese de Doutorado, Universidade Federal do Pará, 2015
HATA, M. “Empirical Formula for Propagation Loss in Land Mobile Radio
Service”, IEEE Transactions on Vehicular Technology, VT- 29, 3, p.317-325, 1980
HOLLAND, J. H. “Adaptation in Natural and Artificial Systems”, MIT Press, p. 11-147, 1975.
KARMARKAR, N., A New Polynomial-Time Algorithm for Linear Programming, Combinatorics 4, 1984, pp. 373 – 395
KIRK, M. Thoughtful machine learning: a test-drive approach. Sabastopol: O’Reilly, 2014.
NESKOVIC, A.; NESKOVIC, N.; PAUNOVIC, G.; “Modern Approaches in
Modeling of Mobile Radio Systems Propagation Environment”. IEEE
Communications Surveys, p. 9-11, 2000
NEGNEVITSKY, M. “Artificial intelligence: a guide to intelligent systems”. Harlow:Addison-Wesley, 2a edição, 2005, p.26.
Ni. W, et al "Graph theory and its applications to future network planning:
software-defined online small cell management," in
IEEE
Wireless
Communications
, vol. 22, no. 1, pp. 52-60, February 2015.NKORDEH, N.S et al. “LTE Network Planning using the Hata-Okumura
and the COST-231 Hata Pathloss Models” World Congress on Engineering, London,
2014
MENG, Y.S.; LEE, Y.H.; NG, B.C “Further study of rainfall effect on VHF
forested radio-wave propagation with four layered model”. Progress in
electromagnetics research-PIER99, pp.149-161, 2009.
MURPHY, K.P. “Machine learning”: A probabilistic perspective. Massachusetts: MIT, 2012
Muñoz,P; Sallent, O; Pérez-Romero,J, "Self-Dimensioning and Planning of
Small Cell Capacity in Multitenant 5G Networks," in
IEEE Transactions on
Vehicular Technology
, vol. 67, no. 5, pp. 4552-4564, May 2018OKUMURA, T.; OHMORI, E.; FUKUDA, K. “Field strength and its
Communication Laboratory, v. 16, 9-10, p.825-873, 1968
OLIVEIRA, R. A. N.; SOUZA, J. F.; MAGNO, F. N. B.; COZZOLINO, K.; CAVALCANTE, G. P. S. “Propagation Path Loss Prediction Using Parabolic
Equations for Narrow and Wide Angles”, In: EUROPEAN CONFERENCE ON
ANTENNAS AND PROPAGATION-EUCAP, 7, Anais…, Gothenburg, Sweden, 2013 RAPPAPORT, T. S. “Wireless Communications: Principles and Practice. Upper Saddle River: Prentice Hall PTR, 2002.
SAUNDERS, S. R. “Antennas and Propagation for Wireless
Communications Systems”. Baffins Lane: John Wiley and Sons, 1999
SPENDLEY, W.; HEXT, G. R.; HIMSWORTH, F. R.” Sequential application
of simplex designs in optimization and evolutionary operation”. Technometrics, v.
1962, p. 441–461, 1962.
SUTTUN, R. S.” Special issue of Machine Learning on reinforcement
learning, 8. Also published as Reinforcement Learning”. Kluwer Academic, Boston,
1992.
TAUFIQUE, A; Jaber,B; Imran, A; Dawy,Z; Yacoub,E, "Planning Wireless
Cellular Networks of Future: Outlook, Challenges and Opportunities," in
IEEE
Access
, vol. 5, pp. 4821-4845, 2017.TAMIR, T. “Radiowave propagation in forest environments”. IEEE Transaction on Antennas and Propagation, v.15, nº6, 1967
VALENTE, A. M. C., RODRIGUES, J. C.; PINHEIRO, M. R. “Otimização de
modelos de perda de propagação da rede LTE 1800 MHz utilizando algoritimo genético” XXXIV Simposio Brasileiro de Telecomunicações, SBrT 2016.
WRIGHT, M. H. “Nelder, Mead, and the other simplex method”. Documenta Mathematica, v. 2012, p. 271–276, 2012.
Yun,Z. and Iskander, M. F. "Ray Tracing for Radio Propagation Modeling: