Modeling analysis and data-driven prediction of the channel path-loss in the THz bands for B5G/6G wireless networks.

Elburki, Nagma (2024). Modeling analysis and data-driven prediction of the channel path-loss in the THz bands for B5G/6G wireless networks. Thèse. Québec, Université du Québec, Institut national de la recherche scientifique, Doctorat en télécommunications, 126 p.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

Les bandes de fréquences THz sont une bande de fréquences intéressante qui va généralement de 1 THz à 100 THz. À mesure que l’on utilise de plus en plus la technologie, il y a un besoin croissant d’une nouvelle bande de fréquences capable d’absorber un grand nombre d’utilisateurs, qui ne soit pas nocive pour l’environnement et qui offre une plus grande capacité de transmission des données, dans laquelle la fréquence THz est conservée. une position parfaite. Dans cette thèse, nous avons étudié en profondeur les bandes de fréquences THz (Térahertz) et proposé différentes méthodes permettant de prédire la perte de trajet, allant des méthodes traditionnelles aux méthodes d’apprentissage. Elle a été divisée en 5 chapitres de cette thèse. L’objectif principal est de trouver la nature de l’utilisation des bandes de fréquences THz et la nature des modèles pouvant être appliqués.
Dans le deuxième chapitre, nous évaluons les modèles d’affaiblissement de trajet qui peuvent être adoptés pour les communications intérieures dans la bande de fréquences TeraHertz (THz). Trois modèles différents sont étudiés en fonction de la distance ; à savoir, l’ITU, le modèle de distance logarithmique (LD) et les modèles COST 231 multimurs. Ce dernier présente une perte de trajet beaucoup plus élevée que les deux autres car il est capable de prendre en compte avec plus de précision les obstacles intérieurs des environnements intérieurs.
Dans le troisième chapitre, nous étudions la robustesse des modèles de prédiction de perte de trajet basés sur l’apprentissage automatique (ML) dans le contexte de la bande THz pour les applications en environnement intérieur. Cette étude met en évidence les limites des modèles empiriques et déterministes et propose des solutions pour améliorer la précision des prédictions.Pour améliorer la prédiction de la perte de trajet, les auteurs étudient quatre modèles de ML différents : Gradient Boosting (GB), Random Forest (RF), Multivariate Polynomial (MP) et Deep Learning (ANN). Les modèles Random Forest et Deep Learning montrent une précision de prédiction plus élevée que les deux autres techniques en raison de l’apprentissage intrinsèquement intensif de ces modèles. Comme ces modèles montrent une précision inférieure à celle des autres modèles basés sur la méthode d’évaluation des prédictions NRMSE (Normalized Root Square Mean Error), où les modèles RF et ANN surpassent les autres modèles de 25%.
Dans le quatrième chapitre, nous avons utilisé différentes fréquences dans les bandes THz et différents points du plan donné. La position de l’émetteur diffère de l’espace emballé à l’espace ouvert, ce qui a un impact sur les signatures RF visibles sur le papier. La signature RF similaire donne le même type de précision et la prédiction lorsqu’elle est effectuée avec les modèles d’apprentissage automatique tels que les réseaux de neurones artificiels (ANN), la forêt aléatoire (RF), etc. Ce chapitre donne une vue comparative des signatures RF et de leur prédiction en utilisant les différents modèles de prédiction pour l’analyse comparative des signatures RF. Là, la signature RF change avec le changement de position de l’émetteur.
Dans le cinquième chapitre, nous avons proposé le multi-émetteur dans l’environnement intérieur et prédit la perte de chemin par des méthodes d’apprentissage automatique. Il a été constaté que lorsque les 2 émetteurs sont introduits, l’ANN et l’amplification du gradient fonctionnent bien mieux. La forêt aléatoire semble être trop entraînée avec la situation complexe et l’augmentation du gradient et ANN le gère parfaitement et la prédiction de perte de chemin est bien meilleure pour ANN et GB. Dans le chapitre, nous avons proposé l’utilisation des méta-apprenants qui sont une sorte d’apprentissage par renforcement qui aide à mieux prédire les résultats lorsqu’ils sont combinés avec les réseaux de neurones ou la SVM (Support Vector Machine), bien qu’il existe des apprenants populaires comme S-Learners et X-Learners. Nous avions constaté que l’utilisation de ces apprenants avait amélioré les modèles de prédiction. Ils ont été testés en utilisant différentes bandes de fréquences du THz et semblent mieux fonctionner.
Dans le sixième chapitre, la recherche élargit les études précédentes en investiguant la prédiction de la perte de trajet dans un environnement intérieur avec l’introduction d’une configuration multi-émetteur, plus précisément deux émetteurs. L’étude utilise des cartes de chaleur pour représenter visuellement la couverture de transmission et le rapport signal/ bruit plus interférences (SINR) pour chaque émetteur individuellement et combiné. Ces visualisations, basées sur un paramètre de fréquence de 1 THz, facilitent la compréhension des comportements des émetteurs et de leurs plages de chevauchement. Des modèles d’apprentissage automatique (ML) sont ensuite appliqués pour prédire les valeurs de l’erreur quadratique moyenne normalisée (NRMSE) pour la perte de trajet, avec des résultats détaillés pour des fréquences allant de 1 THz à 100 THz. Cette approche vise à améliorer la précision des prédictions de perte de trajet dans des environnements intérieurs complexes avec plusieurs sources de transmission, fournissant des informations précieuses pour l’optimisation des systèmes de communication sans fil dans de tels environnements.

The THz frequency band is an interesting frequency band which usually ranges from 1 THz to 100 THz. As there is an increased use of technology there is an increase in the need for a new frequency band which can absorb a large number of users, which is not harmful to the environment and holds more capacity for the transmission of data, in which THz frequency holds a perfect position. In this thesis, we have studied thoroughly the THz (Terahertz) frequency bands and proposed where various methods in which the prediction of the path loss can be predicted ranging from Traditional methods to Learning methods. It has been divided into 5 Chapters of this thesis. The main goal is to find the nature of utilization of the THz frequency bands and the nature of the models which can be applied.
In the second chapter, we evaluate the path-loss models that can be adopted for indoor communications in the TeraHertz (THz) frequency band. Three different models are investigated versus distance; namely, the ITU, the log-distance (LD), and the multi-wall COST 231 models. The latter exhibits much higher path loss than the other two because it can account more accurately for the interior obstacles of indoor environments.
In the third chapter, we investigate the robustness of Machine Learning (ML) based path loss prediction models within the context of THz band for indoor environment applications. This study highlights the limitations of both empirical and deterministic models and provides solutions to improve prediction accuracy. To improve path loss prediction, We investigate four different ML models: Gradient Boosting (GB), Random Forest (RF), Multivariate Polynomial (MP), and Deep Learning (ANN). The Random Forest and the Deep Learning models show a higher prediction accuracy compared to the other two techniques due to the inherently intensive learning of these models. As those models show accuracy lesser than the other models based upon the NRMSE (Normalized Root Square Mean Error) prediction evaluation method where RF and ANN models outperform other models by 25%.
In the fourth chapter, we used different frequencies in THz bands and different points in the given plan. The transmitter position differs from the packed space to open space which makes an impact on the RF Signatures which can be seen in the paper. The similar RF Signature gives a similar kind of accuracy and prediction when done with machine learning models like Artificial Neural Networks (ANN), Random Forest (RF) etc. This chapter gives a comparative view of RF Signatures and their prediction by using the different prediction models for the comparative analysis of RF Signatures. There the RF signature changes with the change of the position of the transmitter.
In the fifth chapter, we have proposed the usage of the meta learners which are kind of reinforcement learning which helps helps to predict better the results when combined with the neural networks or the SVM (Support Vector Machine), though there are popular Learners like S-Learners and X-Learners. We had seen that the usage of these learners had improved the prediction models. They have been tested while using different frequency bands of the THz and they seem to perform better.
In the sixth chapter, research expands on previous studies by investigating path loss prediction in an indoor environment with the introduction of a multi-transmitter setup, specifically two transmitters. The study utilizes heat maps to visually represent the transmission coverage and signal interference plus noise ratio (SINR) for each transmitter individually and combined. These visualizations, based on a 1Thz frequency parameter, facilitate an understanding of the transmitters’ behaviours and their overlapping ranges. Machine Learning (ML) models are then applied to predict the normalized root mean square error (NRMSE) values for path loss, with results detailed for frequencies ranging from 1 Thz to 100 Thz. This approach aims to enhance the accuracy of path loss predictions in complex indoor settings with multiple transmission sources, contributing valuable insights for the optimization of wireless communication systems in such environments.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Affes, Sofiène
Mots-clés libres:	S.O.
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	28 nov. 2024 19:53
Dernière modification:	28 nov. 2024 19:53
URI:	https://espace.inrs.ca/id/eprint/16200

Gestion Actions (Identification requise)

Modifier la notice