universidade federal do pará

Trabalho de Conclusão de Curso apresentado à Banca Examinadora do Programa de Pós-Graduação em Engenharia Elétrica da UFPA para obtenção do título de Doutor em Engenharia Elétrica na área de Telecomunicações. PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA MODELO DE PROPAGAÇÃO DE RÁDIO EM UHF PARA AMBIENTES SEM.

Introdução

Contextualização
Objetivos

Objetivo Geral
Objetivos Específicos

Metodologia
Organização da Tese

O método utilizado nesta tese inclui técnicas de aprendizado de máquina como a base computacional do modelo proposto e o uso de uma função verde diádica para confirmar uma das hipóteses na qualificação, confirmando com as informações obtidas pelas campanhas de medição. O Capítulo 8 apresenta os resultados obtidos pelo modelo, análise de erros e comparações com modelos clássicos que fortalecem a validação do modelo proposto.

Modelos e Recomendações de Propagação de Ondas de Rádio

Modelos de Rádio Propagação

Modelos Determinísticos
Modelos Empíricos

A União Internacional de Telecomunicação
O Setor de Radiocomunicação
As Recomendações ITU-R P

ITU-R P.527-3 Electrical Characteristics of the Surface of the Earth (1992)
ITU-R P.1546-4 Method for Point-to-area Prediction for Terrestrial Service in
ITU-R P.833-7 Attenuation in Vegetation (02/2012)
ITU-R P.837 Characteristics of Precipitation for Propagation Modelling
ITU-R P.840 Attenuation due to clouds and fog (02/2012)

Considerações Finais

Atualmente, o modelo de rastreamento de raios é considerado o modelo de previsão de intensidade de campo mais confiável. As curvas de propagação representam os valores de intensidade de campo excedidos 50%, 10% e 1% do tempo.

Elementos de Aprendizado de Máquina

Aprendizado de Máquina (AM)
Categorias de AM
Aprendizagem supervisionada

Classificação
Regressão

Aprendizagem não supervisionada

Clustering
Fatores Latentes
Estrutura de Grafos
Completamento Matricial

Agentes Baseados em Conhecimento (BC)
Classificador K-Nearest Neighbors
Clustering

O objetivo dessa técnica de aprendizado é organizar um conjunto de dados em clusters eficientes de forma que os elementos de um mesmo cluster sejam semelhantes e distantes dos elementos de outros clusters. Esse tipo de aprendizado geralmente é usado para reduzir a dimensionalidade, projetando dados de um conjunto em um subconjunto de dimensão menor, a fim de mostrar a essência dos dados. Uma das motivações para esse tipo de aprendizado é que, embora muitos dados apareçam em uma dimensão muito grande, muitas vezes apenas um pequeno subconjunto deles é mais significativo, ou mesmo um pequeno grau de variabilidade é suficiente para descrever o grupo. subconjunto. chamados de fatores latentes.

Para um determinado conjunto de variáveis correlacionadas, o objetivo desse aprendizado é descobrir quais variáveis estão mais correlacionadas com outras. Estes podem ser registrados qualitativamente (empiricamente) por um especialista ou quantitativamente por equipamentos, compondo assim uma Base de Conhecimento. O conjunto de treinamento é formado por vetores n-dimensionais, e cada elemento desse conjunto representa um ponto no espaço n-dimensional.

Para determinar a classe de um elemento que não pertence ao conjunto de treinamento, o classificador KNN busca os K elementos do conjunto de treinamento que estão mais próximos do elemento desconhecido, ou seja, que possuem o menor.

Trabalhos Correlatos

Terrenos Mistos

Terrenos Mistos do Tipo Terra-Mar
Terrenos Mistos do Tipo Terra-Água Doce
Terrenos Mistos - Critérios de Urbanização

Modelos de propagação que envolvem vegetação
Umidade e Chuvas
Aplicações de técnicas de aprendizagem de máquina

Aplicações em classificação de imagem
Aplicações em detecção de doenças
Aplicações em análise de consumo
Comparações entre técnicas

Os autores apresentam um estudo de caso com medições na região metropolitana de Belém-PA, cidade que apresenta diferentes morfologias, desde perímetros urbanos densos até áreas de mata e rios. Aqui, os autores apresentam um modelo de difusão determinístico cuja formulação matemática é baseada em equações integrais. Os autores tomam como base o modelo COST231, fazem correções para terrenos mistos usando o método Millington e correções para difração usando o método Deygout.

Os autores consideram efeitos atmosféricos para frequências nas bandas VHF e UHF. Em Meng, Lee e Ng (2008), os autores mostram que a onda lateral é dominante na propagação na banda UHF e não é afetada pela presença de. Neste trabalho, os autores tentam classificar diferentes tipos de floresta para fins de conservação, manejo e sustentabilidade florestal.

Com isso, os autores alcançam bons resultados na determinação do giro de clientes no setor de telecomunicações.

Metodologia de Aquisição e Tratamento de Dados

Descrição das características climatológicas da Amazônia
Seleção dos pontos de medição
Campanhas de medições

Equipamentos e Setup de medições
Realização das medições

Tratamento de dados
Intervalos de Confiança para os Dados Medidos
Cálculo do Campo Elétrico dada a Potência

As medições foram feitas, na maioria dos casos, em grupos de três pessoas, uma dirigindo o veículo, outra responsável pela localização do ponto e a terceira com o analisador de espectro para coleta dos dados. O analisador de espectro fornece dados em vários formatos, entre os quais foram escolhidos .spa e .csv. Em seguida, calculou-se a média das potências e excluíram-se os outliers, que apresentaram mais que o dobro do desvio padrão.

Isso foi feito para salvar apenas os dados relacionados ao sinal e não algum tipo de ruído. Os dados já processados podem ser usados diretamente em modelos de propagação que usam energia, mas em modelos que usam campo elétrico, como o P.1546-4, é necessário calcular o campo elétrico em relação à energia. As linhas verticais em magenta em cada ponto representam os intervalos de confiança dos dados medidos, que estão na linha sólida azul.

O R-P1546-4 é feito com informações sobre a intensidade do campo elétrico E, portanto é necessária uma conversão, pois os dados do analisador de espectro são valores de potência dados em dBm.

Modelo de Rádio Propagação para Diferentes Condições Climáticas Baseado em Função

Breve histórico da utilização da Função de Green Diádica (FGD)
Conceito de Função Diádica de Green
Formulação analítica da FGD
Modelo de três camadas para diferentes condições climáticas
Resultados do Modelo de FGD
Considerações finais

O meio 1 tem constante de propagação 𝑘1, permeabilidade magnética μ0, permissividade ε1 = 𝜀0 e condutividade 𝜎1 (espaço livre); o meio 2 tem constante de propagação 𝑘2, permeabilidade magnética μ0, permissividade ε2 e condutividade 𝜎2; O meio 3 é um meio dielétrico com perdas. Suas entradas são as características das antenas transmissoras e receptoras, a constante elétrica e as constantes de propagação do meio. Os erros RMS foram calculados comparando os dados medidos e os resultados do modelo.

Essa diferença média entre as curvas mostra a capacidade do modelo em distinguir as duas condições climáticas estudadas. Comparação entre os dados medidos e o modelo FGD para solos úmidos e secos para Tx1. Comparação entre os dados medidos e o modelo FGD para solos úmidos e secos para Tx2.

Este capítulo apresentou um modelo inovador de propagação outdoor para UHF por ter a capacidade de admitir através de suas entradas as condições climáticas do ambiente.

Modelo de Rádio Propagação em UHF para Ambientes Não Homogêneos e Climas

Organização e Classificação dos Dados de Entrada
Técnicas Utilizadas no Modelo Proposto
Análise dos tipos de terrenos

Edificação
Vegetação
Trechos com água doce

Modelo proposto

Atributos relacionados à morfologia do terreno são dados de acordo com o que é observado nas proximidades do ponto. Os atributos de morfologia do terreno são avaliados em valores inteiros nas seguintes faixas: Edificação [1.5]; Vegetação [1,4]; Travessia de água doce [0,1]. A informação quantitativa foi introduzida no vetor através de uma equação, no caso da perda com a distância, e um regressor KNN generalizado, no caso da potência estimada.

5 Equação do modelo de perda de propagação para perda de espaço livre - 6 Potência estimada Atribuição do valor de potência considerando a. KNN atua como um classificador na análise de dados de construção e vegetação, usando a distância euclidiana e K = 1, onde o diagrama de Voronoi para cada atributo é entrelaçado. Isso atua como um regressor generalizado no caso de calcular a potência recebida em um ponto arbitrário próximo a um ponto medido.

Se o ponto for para água doce, adicione 3 dB ao cálculo da potência recebida, caso contrário, não adicione nada.

Resultados

A superfície de potências estimadas

Perfil da perda com a distância

Resultados apresentados em radiais

Nos primeiros quilômetros há uma queda na potência recebida, que é em área urbana, depois há um aumento brusco e sinalização constante, nessas regiões o terreno é suburbano e arborizado. Seus primeiros pontos (os primeiros seis para o radial 4 e os quatro primeiros para os radiais 5 e 6) estão localizados em áreas urbanas (notas 4 e 5), representando maior variabilidade de sinal com grandes flutuações nos valores de potência recebida. Os pontos a seguir estão em áreas suburbanas e representam uma região praticamente constante nos gráficos.

Nos pontos localizados próximos ao quilômetro 20, observa-se uma queda significativa na potência recebida em ambos os gráficos, sendo este último localizado no distrito de Outeiro (em frente à baía do Guajará). Por fim, os últimos quatro pontos (os últimos quatro da radial 7 e os últimos cinco da radial 8) localizados em Mosqueiro apresentam aumento da potência recebida, característica observada em outros trechos que incluem terreno misto com trilhas terrestres e água doce. 8.16-8.18 apresentam o mesmo comportamento em contraste com os modelos de perda com distância, mas em três casos o ponto mais próximo está localizado em uma área urbana e o último ponto está em uma área praticamente livre com casas e pequenas árvores.

Em todas as radiais, observa-se que a morfologia do terreno influencia muito na potência recebida e que o modelo proposto apresenta um resultado satisfatório devido a essas considerações.

Resultados apresentados segundo morfologia do terreno

Comparação da saída do modelo com dados medidos para pontos localizados em áreas urbanas densas - Nota 5. Comparação da saída do modelo com dados medidos para pontos localizados em áreas urbanas - Nota 4. Comparação da saída do modelo com dados medidos para pontos localizados em uma área suburbana - nota 2.

Comparação da saída do modelo com dados medidos para pontos localizados no espaço livre – Nota 1. Comparação da saída do modelo com dados medidos para pontos localizados na floresta – Nota 4. Comparação da saída do modelo com dados medidos dados medidos para pontos que estão localizados em áreas com muitas árvores – Nota 3.

Comparação da saída do modelo com dados medidos para pontos localizados em uma área com poucas árvores – Nota 2.

Resultados para diferentes condições climáticas

Comparação com outros modelos

Em ambos os casos, o tipo de edificação classe 3 apresenta o maior erro RMS, provavelmente devido à alta variabilidade dos dados. Neste modelo, é proposta uma correção para a recomendação de terreno misto com estradas sobre água doce. O modelo em (OLIVEIRA et al. 2013) é um modelo determinístico que utiliza equações diferenciais parciais parabólicas para estimar a potência recebida em um ambiente florestal.

O modelo em (GOMES et al. 2012 b) é um modelo logarítmico bem comportado e apresenta uma correção para pontos além da Baía do Guajará, porém o modelo proposto apresenta um melhor ajuste aos dados medidos, pois considera dois critérios dos demais, vegetação e edificações. Em ambos os casos, pode-se observar um aumento da potência recebida nos limites das diferentes morfologias (linhas verticais tracejadas), evidenciando o efeito de recuperação. Perfil de perdas com distância para o modelo proposto, o modelo de terreno misto e o modelo EP.

Comparação dos erros RMS entre o modelo proposto e o modelo de Hata para os diferentes graus do atributo edificação.

Conclusões

Foi utilizado o modelo de Hata (1980) para a análise das propriedades edificadas, o modelo da equação parabólica (OLIVEIRA et al., 2013) para a análise das propriedades da vegetação e o modelo (GOMES et al., 2012 b), que é uma modificação do ITU -R P.1546- 4 para terreno misto. Metodologia baseada na Recomendação ITU-R P.1546-4 para previsão de força de campo de caminho misto: terra-água doce. ITU-R P.1546-2 Método de previsão ponto a área para serviços terrestres na faixa de frequência de 30 MHz a 3000 MHz.

ITU-R P.1546-4 Método de previsão ponto-a-área para serviço terrestre na faixa de frequência de 30 MHz a 3000 MHz Estudo adicional do efeito da precipitação na propagação de ondas de rádio florestais VHF com modelo de quatro camadas. Adaptação à Recomendação ITU-R P.1546-4 para Previsão de Campo Elétrico de TV Digital na Região Metropolitana de Belém.

Prediction of propagation path loss using parabolic equations for narrow and wide angles, In: EUROPEAN CONFERENCE ON ANTENNAS AND COMMUNICATION-EUCAP Gothenburg.