Studienabschlussarbeiten

Bei der drahtlosen Kommunikation wird die Qualität des empfangenen Signals durch Faktoren wie Empfängerempfindlichkeit, Sendeleistung, Antennenparameter, Kommunikationsfrequenz und Kanalausbreitungseigenschaften bestimmt. Das Verständnis dieser Eigenschaften ist für die Arbeit mit und für die Analyse von drahtloser Kommunikation notwendig. Die Modellierung drahtloser Kanale bei der Planung von Kommunikationsnetzen und der Bewertung der Leistung eines Kommunikationssystems für bestimmte Kanalparameter. Das Verständnis des drahtlosen Kommunikationssystems kann durch die Visualisierung verschiedener Kanalmodellierungsansätze und -eigenschaften in dreidimensionalen Darstellungen vereinfacht werden. In dieser Masterarbeit wird das Konzept einer interaktiven Plattform aus Pappkartons und Sand zur Modellierung von Kanalumgebungen zur Demonstration verschiedener Kanalmodellierungsmethoden und -funktionen vorgeschlagen. Dazu, um einige drahtlose Ausbreitungsmerkmale wie Sichtlinie, Fresnel-Zone, Beugung an einer scharfen Kante, Antennenstrahlungsmuster, Mehrwegeausbreitung, Signalabdeckung und scattering-clusters. Darüber hinaus wird ein Konzept für den Aufbau der interaktiven Plattform, der Benutzeroberfläche und der Bibliothek der Programmierschnittstellen entwickelt. Das Systemdesign und das Konzept sind anpassbar, um den Anforderungen der Benutzer gerecht zu werden. Darüber hinaus wird in dieser Arbeit eine Referenzimplementierung für das vorgeschlagene Konzept entwickelt. Die auf der dreidimensionalen Plattform erstellte Szene wird mit einer Tiefensensorkamera aufgenommen. Die Szene wird dann so skaliert, dass sie einer natürlichen Kanalumgebung ähnelt. Auf der Grundlage der angegebenen Sender- und Empfängerpositionen werden dann dreidimensionale Abbildungen entwickelt, die die Merkmale der drahtlosen Ausbreitung darstellen. Die Draufsicht dieser Abbildungen wird auf die Plattformszene projiziert, um die Visualisierung der drahtlosen Kommunikationssysteme zu zeigen. Darüber hinaus werden die Abbildungen der Merkmale auch innerhalb des dreidimensionalen Modells der Szene simuliert. Um Daten für die Implementierung von Illustrationen für die drahtlose Mehrwegeausbreitung zu demonstrieren, wird ein Ray-Tracing-Algorithmus implementiert, der auf der SBR-Methode (Shooting Bouncing Ray) basiert.

Eine der schwierigen Herausforderungen, denen sich Serviceroboter stellen müssen, ist das vollständige Verständnis der Szene. Aus diesem Grund werden verschiedene Strategien angewandt, um eine punktuelle Aufteilung der 3D-Szene zu erreichen, wie z.B. die semantische Segmentierung. Die Verwendung von ML ist eine Aufgabe, die gelabelte Daten für das Training eines neuronalen Netzes erfordert. Daher wird in dieser Studie eine automatische Bildbeschriftungsmethode auf Pixelebene untersucht, um beschriftete Daten zu generieren, die dann zum Vergleich mit einem 3D-Netz verwendet werden, das mit einem etwas anderen, aber perfekt beschrifteten Datensatz trainiert wurde. Darüber hinaus werden einige der populären neuronalen Netze für Pixel-Annotation in 2D untersucht und mit einer regionsbasierten und einer verteilungsbasierten Verlustfunktion für das Training bewertet. Außerdem wird das Konzept des Transfer-Lernens untersucht, um bereits trainierte Modelle für Vorhersagen zu verwenden.

Diese Arbeit stellt den Entwurf und die Analyse eines datengesteuerten Link-to-System (L2S) Modells vor, das in der Lage ist, die Leistung der physikalischen Schicht von zellularen Mobilfunknetzen im Downlink vorherzusagen. Ein datengesteuertes L2S-Modell zielt darauf ab, die physikalische Schicht mithilfe von Techniken des maschinellen Lernens (ML)/Deep Learning (DL) genau zu abstrahieren. Es wird ein generischer und einfacherer Ansatz zur L2S-Modellierung im Vergleich zu ihren modellgetriebenen Vorgängern geschaffen, die eine Abbildung des gemessenen Signals auf das Interferenz-plus- Rauschverhältnis (SINR) aus den für eine bestimmte Übertragung zugewiesenen Ressourcen der physikalischen Schicht auf einen effektiven SINR-Wert abbilden, der dem SNR in einer auf additivem weißem Gaußschen Rauschen (AWGN) basierenden Übertragung entspricht - Methoden wie die auf gegenseitiger Information basierende Abbildung des effektiven Signal-zu-Interferenz- und Rauschverhältnisses (MIESM) und die auf Exponentialität basierende Abbildung des effektiven Signal-zu-Interferenz- und Rauschverhältnisses (EESM). Die Arbeit gliedert sich in drei Hauptteile. Zunächst werden die Grundlagen der 5G NR-Standards vorgestellt. Im zweiten Abschnitt wird der modellgetriebene Ansatz zur L2S-Modellierung vorgestellt, wobei die Trainings- und Testphase der ESM-Algorithmen (Effective SINR Mapping) detailliert beschrieben wird. Im letzten Kapitel wird ein datengesteuerter Ansatz zur Abstraktion von Verbindungen beschrieben. ML-Algorithmen wie Random Forest Regression, Decision Tree Regression und XGBoost Regression werden beschrieben und numerisch mit den modellgetriebenen L2S-Methoden verglichen. Die Anwendung von DL-Techniken, nämlich Künstliche Neuronale Netze (ANN), Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM) und Conditional Tabular Generative Adversarial Network (CTGAN) wird ebenfalls in diesem Kapitel analysiert. Die Leistung der datengesteuerten Algorithmen wurde mit Tapped Delay Line (TDL)-Kanal-modellen des Third Generation Partnership Project (3GPP) für Innenraum- und Stadtszenarien evaluiert, einschließlich Single Input und Single Output (SISO) sowie Multiple Input und Multiple Output (MIMO) Fälle. Darüber hinaus werden die Rechen-, Arbeitsspeicher- und Speicherkomplexität sowohl für die modellgetriebenen als auch für die datengesteuerten Ansätze analysiert, um ein vollständiges Bild der Vor- und Nachteile sowie der damit verbundenen Kompromisse zu erhalten.

Mit der exponentiellen Zunahme verschiedener drahtloser Geräte wird das Spektrum immer knapper, was die Nachfrage nach einer gemeinsamen Nutzung des Spektrums durch Radar und Mobilkommunikation verstärkt. Die Cooperative Passive Coherent Localization (CPCL) bietet eine neue Möglichkeit zur Zusammenführung der beiden Systeme. CPCL nutzt passives Radar zur Lokalisierung des Ziels und verbessert die Zusammenarbeit innerhalb desselben Funknetzes. Ein guter Anwärter für passives Radar ist das weit verbreitete LTE-System. Da LTE im Downlink OFDMA verwendet, bietet es einen flexibleren Zugang, indem es verschiedenen Nutzern unterschiedliche Ressourcenblöcke zuweist, was eine Möglichkeit für die Verschmelzung von Mobilfunk- und Radarnetzen schafft. Aufgrund der funktionalen Unterschiede zwischen Mobilfunk und Radar könnte die OFDMA-Ressourcenzuweisung für beide Zwecke jedoch konkurrierend sein. Einerseits bevorzugt das Kommunikationssystem die Verwendung von Ressourcenblöcken mit geringem Fading für die Datenübertragung. Auf der anderen Seite erwartet das Radarsystem ausreichende Ressourcenblöcke, um die gewünschte Radarauflösung und den SNR zu erreichen. Darüber hinaus hat auch das Muster der Ressourcenblöcke einen Einfluss auf die Radarleistung. Deep Reinforcement Learning (DRL) ist ein geeigneter Ansatz zur Lösung dieses Problems, da es keine gut beschriftete Datenbank benötigt und die versteckten Merkmale hinter den Problemen entdecken kann. In dieser Arbeit wird ein DRL-Modell entwickelt, um das Problem der Ressourcenzuweisung für die gemeinsamen Mobilfunk- und Radarnetzwerke in einem Automobilszenario zu lösen. Der PPO-Algorithmus wird für das Training des DRL-Agenten und für die Analyse der Ergebnisse verwendet. Außerdem haben wir auch den DQN-Algorithmus ausprobiert, der das gleiche Problem wie PPO hat. Der zeitveränderliche Kanal wird durch mehrere Schnappschüsse modelliert und mit dem Tap-Delay-Modell simuliert. Infolgedessen kann der gut ausgebildete DRL-Agent für einen einzigen Schnappschuss Ressourcen zuweisen, die den Radar- und Kommunikationsanforderungen gleichzeitig entsprechen. Probleme gibt es jedoch nach wie vor beim Umgang mit anspruchsvollen zeitvariablen Kanälen. Da es sich um ein neues Thema handelt, werden außerdem die in dieser Arbeit gesammelten Erfahrungen bei der Kombination von RL und der gemeinsamen Ressourcenzuteilung für mobile Kommunikation und Radar vertiefend erläutert.

In dieser Masterarbeit wird, um die Änderungen zeitvariierender Parameter im Funkkanal genauer zu verfolgen, ein neues zeitvariantes parametrisches Modell unter Verwendung der Taylor-Reihenentwicklung erstellt und dann die Verzögerung und die Doppler-Frequenzverschiebung im Kanal geschätzt durch einen Maximum-Likelihood-Ansatz unter Verwendung des Levenberg-Marquart-Algorithmus. Zunächst werden die physikalischen Ursachen der Doppler-Frequenzverschiebung und -verzögerung sowie deren Auswirkungen auf Funkkanäle vorgestellt. Eine vorhandene Zeitinvariante wird dann angezeigt. Der Fokus liegt auf dem Zusammenhang zwischen der Kanalantwort und den Parametern im Modell und dem Prinzip des statischen Modells. Dies ist wichtig, um besser zu verstehen, warum wir motiviert sind, ein neues vorzuschlagen sich nähern. Anschließend wird das neue zeitvariante parametrische Modell im Detail vorgestellt. Im traditionellen statischen Modell beträgt die Änderungsrate von Parametern mit der Zeit wird oft ignoriert, was die Genauigkeit der Parameterschätzung stark beeinflusst. Im neuen zeitvarianten parametrischen Modell, das in diesem Papier vorgeschlagen wird, sammeln wir mehrere Momentaufnahmen in einer einzigen Beobachtung und verwenden die Taylor-Expansion, um das neue zeitvariante parametrische Modell zu verfeinern, um die Auswirkung der Änderungsrate auf die Daten zu erhalten. Dies erfolgt, um die Genauigkeit der nachfolgenden Schätzung zu verbessern und das SNR zu verbessern. Im folgenden Kapitel führt diese Arbeit die Maximum-Likelihood-Schätzung ein. Wenn die Maximum-Likelihood-Schätzung in die kleinste umgewandelt wird Quadratschätzung, Wir präsentieren eine bekannte Methode, um eine geeignete Parameterschätzung mit guter Genauigkeit und relativ geringem Rechenaufwand zu erhalten. Die Grundidee zum Finden des Minimums ist der Gradientenabstieg, einschließlich der Gaußschen Methode, der Gaußschen Newton-Methode und der Levenberg-Marquardt-Methode (LVM). Ich konzentriere mich darauf zu erklären, warum dieses Papier LVM wählt, um das Extrem zu finden Wert der Maximum-Likelihood-Funktion. Dann schlage ich unseren neuen Algorithmus vor: Time-Variant-Maximum-Likelihood (TVML) Algorithmus. Danach stellen wir kurz den hochmodernen Baseline Extended KalmanFilter (EKF)-Algorithmus vor, machen einen mathematischen Vergleich mit unserem neuen TVML-Algorithmus und entdecken, dass der EKF mathematisch eine einstufige Version einer verallgemeinerten LVM-Iteration ist. Darüber hinaus können wir mit numerischen Simulationen eine Verbesserung des SNR und damit der Schätzgenauigkeit bei der Verwendung von TVML im Vergleich zu EKF feststellen.