Estimação de cobertura rádio em GSM-R através de redes neuronais

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia de Eletrónica e Telecomunicações

Atualmente estão a ser implementados sistemas GSM-R nas linhas ferroviárias de Portugal e para isto é necessário obter uma estimativa de sinal o mais precisa possível de forma a minimizar ao máximo o custo de instalação dos sistemas. Com base em medidas feitas anteriormente, esta dissertação propõe um método de estimativa de sinal alternativo aos modelos de estimação de cobertura rádio utilizando redes neuronais. Com medidas de várias linhas, implementou-se várias redes neuronais utilizando um método de treino supervisionado, ou seja, as redes conseguem aprender o comportamento de sinal em linhas ferroviárias com base nos parâmetros do modelo e nos parâmetros de terreno. Numa primeira experiência implementou-se uma rede neuronal multicamada, seguindo os vários passos do seu dimensionamento, para obter uma solução ótima na estimação de cobertura rádio em cada um dos cenários estudados. Esta experiência revelou uma diminuição do erro obtido na estimação de sinal apresentando-se como uma melhor solução em relação aos métodos anteriormente considerados. Numa segunda experiência pretendeu-se seguir uma abordagem diferente treinando um perceptrão com os vários parâmetros e fatores corretivos do modelo de Okumura-Hata de forma a comparar os resultados com a rede treinada anteriormente. Esta segunda experiência apresentou um aumento do erro em relação à anterior mas ainda apresentando resultados validos na estimação de sinal. Numa fase final pretendeu-se implementar uma aplicação, baseada em redes neuronais, que apresente uma solução generalizada para todos os cenários considerados. Para isto treinou-se uma rede neuronal competitiva com o objetivo de classificar as várias amostras em diferentes tipos de ambiente. Definidos os ambientes, treinou-se uma rede neuronal otimizada para cada um desses ambientes. A aplicação foi testada e apresentou um pequeno aumento do erro em relação às redes otimizadas para cada cenário mas apresenta um erro menor em relação aos métodos utilizados anteriormente provando ser uma melhor solução.

Abstract: Currently GSM--R systems are being implemented in Portugal’s railway lines. For this it is necessary to obtain an estimate of the signal as precisely as possible in order to minimize as much as possible the cost of installation of the systems. Based on measurements previously made, this thesis proposes an alternative method of estimating the signal using neural networks. With the measurements of the various lines various neural networks were implemented, using a method of supervised training, in other words the networks manage to learn the signal behaviour of railway lines based on the parameters of the model and the terrainparameters. In a first experiment a multi-layered neural network was implemented, following the various steps of its design to obtain an optimal solution in the estimation of radio coverage in each of the scenarios investigated. This experiment revealed a decrease in error obtained in the estimation of the signal, presenting a better solution in relation to the previously considered methods. In a second experiment a different approach was followed, training a perceptron with the various parameters and corrective factors of the Okumura-Hata model to compare the results with the previously trained network. This second experiment presented an increase in error in relation to the previous one but obtaining valid results in the estimation of signal. In a final phase an application based on neural networks was to be implemented, presenting a generalized solution for all the scenarios considered. For this a competitive neural network was trained with the objective of classifying the various samples into different types of environment. Having defined the environments, an optimized neural network was trained for each one. The application was tested and presented a small increase in error in relation to the optimized networks for each scenario, but presented a smaller error in relation to the previous methods proving to be a better solution.