ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ

ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ

ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ

“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

 Ραγδαία ανάπτυξη στον τομέα των τηλεπικοινωνιών τις τελευταίες δεκαετίες

=>Αύξηση των επιπέδων ακτινοβολίας στα οποία εκτίθενται οι άνθρωποι
 Επιτακτική η ανάγκη πρόβλεψης, ανησυχία για τις επιπτώσεις στην υγεία του ανθρώπου
 Παραδοσιακά: Μετρήσεις οι οποίες καταγράφουν τις στιγμιαίες τιμές των επιπέδων έκθεσης
ΟΧΙ ΣΥΜΦΕΡΟΥΣΕΣ! ΓΙΑΤΙ ;
ΧΡΟΝΟΒΟΡΕΣ
 ΚΟΣΤΟΒΟΡΕΣ
ΕΦΑΡΜΟΓΗ ΣΕ ΠΕΡΙΟΡΙΣΜΕΝΗΣ ΕΚΤΑΣΗΣ ΠΕΡΙΟΧΕΣ (ΤΟΠΙΚΗ ΚΛΙΜΑΚΑ)
ΛΥΣΗ: MHXANIKH ΜΑΘΗΣΗ
- Χρήση τεχνητής νοημοσύνης για παραγωγή συστημάτων τα οποία εκπαιδεύονται και βελτιώνονται από την εμπειρία τους
-Διαχείριση όγκου Big Data
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.

Πρόβλεψη ισχύος ανερχόμενης ζεύξης σε κτήριο 6 ορόφων, με χρήση νευρωνικού

δικτύου (Μάιος και Αύγουστος 2021)
 Μετρήσεις:
 Σε κάθε έναν από τους 6 ορόφους -> Επίδραση του υψομετρικού επιπέδου και της
γωνίας ανύψωσης του σταθμού βάσης στο τελικό αποτέλεσμα
Σε 3 διαφορετικές χρονικές περιόδους (πρωί, μεσημέρι, απόγευμα)
 Συλλογή δεδομένων με τη βοήθεια της εφαρμογής Nemo Handy, που υποστηρίζει:
 WhatsApp voice call, WhatsApp video call και Data upload
 Το κινητό κρατιούνταν σε απόσταση 1 m πάνω από το δάπεδο του εκάστοτε ορόφου
Μοντέλο 1: Mazloum et al.
Ως είσοδοι του νευρωνικού δικτύου χρησιμοποιήθηκαν τα παρακάτω 6 χαρακτηριστικά:
Ισχύς που λαμβάνεται (δείκτες RSRP και RSSI)
Υπηρεσία που χρησιμοποιείται (πλήθος πηγών εκπομπής ακτινοβολίας)
Όροφος που πραγματοποιείται το πείραμα (απώλεια διαδρομής και γωνία κλίσης κεραίας)
Ώρα μέσα στην ημέρα κατά την οποία γίνεται η μέτρηση
Εύρος συχνοτήτων της ακτινοβολίας
Μήνας
-Οι συμβολοσειρές, ανάλογα με τον τύπο τους μετατρέπονται σε αριθμητικές τιμές που μπορούν να
επεξεργαστούν από το νευρωνικό δίκτυο.
-Το επίπεδο εισόδου διαδέχονται 3 πλήρως συνδεδεμένα επίπεδα μειούμενου αριθμού νευρώνων
(10, 5 και 2 αντίστοιχα).
 Μοντέλο 1: Mazloum et al.
Ίσχύς μετάδοσης ανερχόμενης ζεύξης PΤΧ:

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

Σύγκριση πραγματικών τιμών και εκτιμώμενων τιμών:

Χαμηλό σφάλμα + Δείκτης συσχέτισης κοντά στη μονάδα → Αποτελέσματα κοντά στα πραγματικά
Μοντέλο 3: M.N. Halgamuge and D. Davis

Πρόβλεψη αλλαγών στο DNA των φυτών μετά 6 χαρακτηριστικά:

από έκθεση σε ηλεκτρομαγνητική ακτινοβολία. • Συχνότητα
• Ρυθμός απορρόφησης(SAR)
• Πυκνότητα ροής ισχύος
169 πειραματικές μελέτες από το 1996 μέχρι το • Ένταση ηλεκτρικού πεδίου
2016 • Χρόνος έκθεσης
• Τύπος φυτού
 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

Συσχέτιση μεταξύ των χαρακτηριστικών εισόδου:

 Μοντέλο 4: O.E. Aru, K.C. Adimora, and F.J. Nwankwo

Eπιπτώσεις της ηλεκτρομαγνητικής ακτινοβολίας στην υγεία του ανθρώπου.

Μέτρηση του βάθους της ζημιάς στον βιολογικό ιστό, υπολογίζοντας:

το βάρος ωn(b) :

την συνάρτηση Spline:

Μοντέλο 4: O.E. Aru, K.C. Adimora, and F.J. Nwankwo

Αν:

Η ακτινοβολία είναι επιβλαβής → πρέπει να

αποφευχθεί.
Μοντέλο 4 - Αποτελέσματα

Θερμοκρασία που παράγεται μέσω της έκθεσης του ανθρώπου σε 5G ακτινοβολία:

Μοντέλο 4 - Αποτελέσματα

Παρεμβολή της 5G ακτινοβολίας στον βιολογικό ιστό:

Μοντέλο 5: R. Falkenberg, B. Sliwa, N. Piatkowski and C. Wietfeld
Εκτίμηση επιπέδων ακτινοβολίας από συσκευές χρηστών

Τρεις αλγόριθμοι:
 Random Forest
 Ridge Regression
 Deep Learning

Τέσσερις διαφορετικές εκδοχές του πειράματος →

Διαφορετικές παράμετροι
Μοντέλο 5 - Αποτελέσματα

Χαμηλό σφάλμα για όλους τους αλγορίθμους Αύξηση προβλέψεων → Μείωση του σφάλματος

Καλύτερος ο Random Forest

 Μοντέλο 6: M. N. Halgamuge
Σκοπός: Επίδραση της ακτινοβολίας στον άνθρωπο και άλλους οργανισμούς
Επιλογή παραμέτρων του μοντέλου μέσω των τεχνικών:
 Principal Component Analysis


Χρήση 10 διαφορετικών αλγορίθμων:

 Random Forest  k-Nearest Neighbor
 Bagging  JRip
 J48  Support Vector Machine
 Decision Table  Naïve Bayes
 BayesNet  Logistic Decision
 Μοντέλο 6 - Αποτελέσματα

Αξιολόγηση:
 Μέσο τετραγωνικό σφάλμα
 Περιοχή κάτω από την καμπύλη ROC

Επτά από τους δέκα αλγορίθμους έδωσαν ικανοποιητικά

αποτελέσματα

Καλύτερη επιλογή ο αλγόριθμος Random Forest

ΣΥΜΠΕΡΑΣΜΑΤΑ-ΕΠΙΛΟΓΟΣ

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.