FenixEdu™

Dissertação

Calibração Automática de Modelos de Propagação em Ferrovias EVALUATED

Detalhes: A previsão de cobertura do sinal de rádio é uma etapa fundamental no planeamento de uma rede rádio de comunicações móveis. Em ambiente ferroviário, essa previsão exige uma precisão e rigor superiores comparativamente aos das redes públicas, dadas as limitações decorrentes dos requisitos de segurança. Torna-se, portanto, essencial a calibração dos modelos de propagação utilizados para os diferentes tipos de ambientes e características, presentes na ferrovia. O processo de ajuste dos parâmetros de um dado modelo, implica o recurso a técnicas de otimização automática, que a partir de amostras de teste, produzem soluções de parâmetros que minimizam o erro existente no ajuste das curvas. A utilização de algoritmos genéticos demonstrou-se ser válida, na otimização de parâmetros de calibração de modelos de propagação, quando aplicados à predição de cobertura rádio em ferrovias. No entanto, foi destacada a dificuldade em obter uma otimização global, em termos de modulação do comportamento do sinal, para os diferentes ambientes, bem como a não utilização da informação de clutter. O desenvolvimento de um algoritmo de clustering, capaz de agrupar um conjunto de medidas caracterizantes de um dado cenário ferroviário, em subconjuntos que partilhem semelhanças morfológicas, possibilita a otimização dos parâmetros de configuração, para cada grupo obtido. Através da calibração de modelos de propagação, para os diferentes tipos de ambientes e características, combinando técnicas de Data Mining, como algoritmos genéticos e de clustering, produzem-se soluções de parâmetros que minimizam, em 10%, o desvio padrão do erro de predição, comparativamente aos valores obtidos através de uma otimização global.
Keywords: Clustering, Clutter, Algoritmos Genéticos, modelos de propagação, comunicações rádio em ferrovias.

Discussão: novembro 9, 2016, 10:0