Professional Documents
Culture Documents
ΤΕΛΙΚΗ ΠΑΡΟΥΣΙΑΣΗ
ΤΕΛΙΚΗ ΠΑΡΟΥΣΙΑΣΗ
ΤΕΛΙΚΗ ΠΑΡΟΥΣΙΑΣΗ
“ΕΦΑΡΜΟΓΗ ΜΕΘΟΔΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ ΓΙΑΤΗΝ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΚΑΙ ΠΡΟΒΛΕΨΗ ΤΩΝ ΕΠΙΠΕΔΩΝ ΕΚΘΕΣΗΣ ΣΕ ΜΗ ΙΟΝΤΙΖΟΥΣΑ ΗΛΕΚΤΡΟΜΑΓΝΗΤΙΚΗ ΑΚΤΙΝΟΒΟΛΙΑ”
Γ Ι Α Ν Ν Α ΚΟ Π Ο ΥΛ Ο Σ Γ Ε Ω Ρ Γ Ι Ο Σ
Κ Α ΡΑ Ν Α Σ ΤΑ Σ Η Α Θ Α Ν Α Σ Ι Α
ΚΟ ΚΟ Σ Η Σ Π Υ Ρ Ι Δ Ο ΥΛ Α
Μ Ο Ϊ Α Ν ΟΥ Ε Λ Π Ι Ν Ι Κ Η
ΕΙΣΑΓΩΓΗ
Στην παρούσα εργασία μελετήθηκαν 6 μέθοδοι μηχανικής μάθησης για την πρόβλεψη
των επιπέδων έκθεσης σε μη ιοντίζουσα ηλεκτρομαγνητική ακτινοβολία
Αξιολόγηση των μεθόδων μηχανικής μάθησης
-Σύγκριση των επιπέδων ηλεκτρομαγνητικής ακτινοβολίας που προκύπτουν από την
πρόβλεψη με τα πραγματικά (παραδοσιακές μέθοδοι)
Μοντέλο 1: Mazloum et al.
όπου:
Pmax: μέγιστη επιτρεπόμενη ισχύς μετάδοσης
P0: το ζητούμενο σήμα προς λήψη στον σταθμό βάσης σε αναλογία με τις
παρεμβολές και τον θόρυβο ανά πηγή
M: αριθμός των πηγών
α:παράγοντας αντιστάθμισης απώλειας
PL: απώλεια διαδρομής κατερχόμενης ζεύξης
ΔMCS :παράγοντας συστήματος διαμόρφωσης και κωδικοποίησης
δ: διορθωτική τιμή που στοχεύει να αντισταθμίσει την ταχέως
εξασθενούμενη διακύμανση
Μετριέται σε dBm
Χρήση scheduler μειούμενου ρυθμού εκμάθησης: γρήγορη και ομαλή
σύγκλιση
Μοντέλο 1 - Αποτελέσματα
Αξιολόγηση απόδοσης με βάση :
ΜΑΕ
RMSE
Μέγιστο RSRP στον όροφο 5
Ελαχιστοποίηση απώλειας διαδρομής
και συνθήκες διάδοσης καλύτερες
Απομάκρυνση από τον όροφο 5=> μείωση RSRP
λόγω γωνίας ανύψωσης κεραίας
Όροφος 6: Υψηλότερο RSRP από τους 1-4 λόγω της ύπαρξης γυάλινου παραθύρου στην οροφή
Όροφος 0: Υψηλότερο RSRP σε σχέση με 1-4 και 6 λόγω εισόδου με 2 γυάλινες πόρτες
Μοντέλο 1 - Αποτελέσματα
Αύξηση RSRP/RSSI=>μείωση απώλειας διαδρομής=> μείωση ισχύος μετάδοσης
Nemo Handy: αριθμός δειγμάτων ανά δευτερόλεπτο όχι σταθερός
Υπολογισμός μέσων τιμών για διαφορετικές χρονικές περιόδους (1, 3 και 5s)
Μέσος όρος των 5s για τα δεδομένα μέτρησης:
-Καλός συμβιβασμός για αφαίρεση του θορύβου και επαρκή αριθμό δεδομένων εκπαίδευσης
-Καλύτερη ακρίβεια πρόβλεψης από άποψη ΜΑΕ, RMSE και
Πολλά υποσχόμενα αποτελέσματα (MAE=2.334 dB)
Μοντέλο 2 : Tongola et al
Πρόβλεψη της έκθεσης σε η/μ ακτινοβολία σε Διαχωρισμός παραμέτρων εισόδου που αφορούν
εσωτερικούς χώρους. την έκθεση κατερχόμενης ζεύξης (downlink
exposure) από αυτές που σχετίζονται με την
Παράμετροι: ανερχόμενη (uplink exposure).
• Θέση του ασύρματου δικτύου
Υπολογισμός επιπέδου έκθεσης → αλγόριθμος
• Θέση των τοίχων WΗIPP.
Μοντέλο 2 - Αποτελέσματα
Χαμηλό σφάλμα + Δείκτης συσχέτισης κοντά στη μονάδα → Αποτελέσματα κοντά στα πραγματικά
Μοντέλο 3: M.N. Halgamuge and D. Davis
Αλγόριθμοι:
Random Forest
k-Nearest Neighbor.
Τα εκτιμώμενα αποτελέσματα προκύπτουν από την χρήση της μεθόδου k-fold cross-validation.
Μοντέλο 3 - Αποτελέσματα
Αξιολόγηση των αλγορίθμων με βάση την μέση ακρίβεια και τον υπολογιστικό χρόνο:
Μοντέλο 3 - Αποτελέσματα
το βάρος ωn(b) :
Αν:
Τρεις αλγόριθμοι:
Random Forest
Ridge Regression
Deep Learning
Χαμηλό σφάλμα για όλους τους αλγορίθμους Αύξηση προβλέψεων → Μείωση του σφάλματος
Αξιολόγηση:
Μέσο τετραγωνικό σφάλμα
Περιοχή κάτω από την καμπύλη ROC
Οι μελέτες που έχουν πραγματοποιηθεί τα τελευταία χρόνια έχουν δείξει ότι η χρήση των
μοντέλων μηχανικής μάθησης μπορεί να παρέχει αξιόπιστες προβλέψεις για τα επίπεδα έκθεσης
σε ηλεκτρομαγνητική ακτινοβολία.
Μελλοντικές ερευνητικές εργασίες, μπορούν να επικεντρωθούν στην ανάπτυξη πιο προηγμένων
μοντέλων, ώστε να αξιοποιήσουμε πλήρως τα πλεονεκτήματα της μηχανικής μάθησης για την
αντιμετώπιση των προκλήσεων που σχετίζονται με την ηλεκτρομαγνητική ακτινοβολία και την
υγεία μας.