موقعیت یابی مبتنی بر اطلاعات حالت کانال با استفاده از شبکه های عصبی

هدف اصلی پژوهش بررسی موقعیت یابی مبتنی بر اطلاعات حالات کانال با استفاده از شبکه های عصبی است. در این راستا پساز مطالعات اولیه و آشنایی بیشتر با مفاهیم و کاربرد آنها، آخرین پژوهش ها و روشهای جدید در رابطه موضوع موردمطالعهقرار گرفت و سپس یک مجموعه عظیم داده متشکل از اطلاعات حالت کانال ناشی از ۶۴ آنتن در سه حالت چینش متفاوتکمترین درصد میانگین خطا در کل مربوط به مجموعه داده ۶۴ آنتن برای چیدمان مستطیلی یکنواخت (URA) برابر با ۷۳ / ۲درصد است و بیشترین درصد میانگین خطا برای مجموعه داده ۸ آنتن در چیدمان خطی یکنواخت (ULA) برابر با ۱۶ / ۱۶درصد محاسبه شده است.با استفاده از این داده ها یک مدل شبکه ی عصبی کانولوشنال به روش یادگیری عمیق برای سهچینش متفاوت آنتن آموزش داده و مورد ارزیابی قرار گرفت که مشاهده شد دقت موقعیت یابی به تعداد و ساختار چینشآنتنها وابستگی زیادی دارد. برای آموزش هر مدل ناشی از حجم بالای داده های ورودی، روش آموزش انتقالی پیاده سازیگردید این رویکرد در راستای کاهش زمان محاسبات و حجم پردازش است. در مرحله ی نهایی نیز اثر نویز بر یک مدل آموزشدادهشده به روش آموزش انتقالی مورد تحقیق قرار گرفت ; که با مقادیر ۴۰ ، ۳۰،۲۰ و ۱۵ دسی بل نتایج آن تحلیل گردید که باکاهش مقدار سیگنال به نویز بر حسب دسیبل میزان درصد خطا افزایش می یابد. با توجه به حداقل توان درنظر گرفته شدهبرای نویز، بیشترین مقدار SNR بر حسب dB در اینجا ۴۰ در نظر گرفته شده است که درصد میانگین خطای آن ۹۳ / ۵ درصداست و نسبت به درصد خطای دادههای بدون نویز (۵۹ / ۳ درصد) به میزان ۳۴ / ۲ درصد افزایش یافته است. در مرحله بعد باافزایش توان نویز و در نظر گرفتن مقدار سیگنال به نویز ۳۰ دسیبل، میزان درصد خطا به مقدار ۰۳ / ۵ درصد نسبت به درصدخطای داده های بدون نویز افزایش یافته است. با توجه به حداکثر درصد خطای قابل قبول، کمترین مقدار SNR بر حسب dBدر اینجا ۱۵ در نظر گرفته شده است. در انتها بر مبنای نتیجه حاصل از مرحله قبل دادهها برابر مقدار ۳۰ دسیبل انتخابمی گردد ، مدل مجددا با به کارگیری روش آموزش انتقالی تحت آموزش قرار گرفت تا عملکرد این روش در مقابل ورود نویز بهشبکه و عملکرد رویکرد آموزش انتقالی در برابر ورود داده های آغشته به نویز بررسی گردد. نتایج این بررسی نیز نشان می دهددرصد میانگین خطای محاسبه شده کل داده های این مجموعه آموزش دیده، برابر ۲۸ / ۴ است که نسبت به میانگین درصدخطای قبل از آموزش مجدد، به میزان ۳۴ / ۴ درصد بهبود داشته است. از عملکرد مناسب روش آموزش انتقالی و کاهش اثرخطای ناشی از ورود نویز به شبکه درازای آموزش مجدد شبکه با داده های آلوده به نویز دارد.

کلیدواژه ها:

موقعیت یابی ، اطلاعات حالت کانال ، شبکه های عصبی کانولوشنی ، انتقال یادگیری