En este trabajo se propone una solución del problema de la predicción de los principales parámetros de radiopropagación en exteriores, para optimizar la calidad del servicio de los sistemas de comunicaciones inalámbricas, a partir de las características específicas de cualquier entorno exterior, urbano o rural.

Para ello se propone un nuevo modelo de propagación basado en el Trazado de Rayos y en el uso de Redes Neurales Artificiales, para mejorar tanto la exactitud como el tiempo de cómputo necesario, respecto a otros modelos existentes. Se propone además un nuevo enfoque teórico del problema de la propagación en exteriores, en el cual se utilizan parámetros numéricos que dependen de la distribución y características eléctricas de las  paredes y otros elementos del entorno, los cuales se utilizan como parámetros de entrada de Redes Neurales Artificiales, las complementan el análisis de la propagación de la onda hecho utilizando óptica geométrica. Combinando ambos elementos se realiza la predicción de la potencia recibida, considerado como uno de los principales parámetros para caracterizar el canal radioeléctrico.

Introducción

En los últimos años se ha visto un crecimiento de la demanda de servicios inalámbricos y móviles de telecomunicaciones en todo el mundo, que podría sobrepasar a los servicios fijos, por lo que existe una serie de estándares de redes inalámbricas, con una creciente penetración en el mercado que se están extendiendo rápidamente también en Cuba. Existen herramientas para entornos exteriores que sirven para predecir el mejor lugar para situar las estaciones base, y la calidad que tendría la recepción, teniendo en cuenta en qué medio se realiza la transmisión, y los obstáculos del terreno en los diferentes entornos. Sin embargo ninguna herramienta resuelve totalmente el problema, y muchas de éstas no están probadas en determinados entornos, por ejemplo las ciudades y zonas suburbanas de Cuba. Por otro lado las herramientas usadas en nuestro país por las compañías proveedoras de servicios inalámbricos, como el famoso SuperCover(R), no tienen en cuenta la predicción del ancho de banda máximo disponible, ni la taza de desvanecimiento rápido. Por tales razones dedicamos este estudio a proponer y comprobar, mediante mediciones ya realizadas, un modelo de predicción de la calidad de la transmisión en espectro ensanchado para entornos exteriores de propagación, a partir de la predicción de uno de los parámetros que caracterizan al canal radioeléctrico.

El trabajo incluye un examen de los elementos de la teoría de la  propagación electromagnética que se aplican en nuestro caso, de las técnicas de ensanche espectral, y de las Redes Neuronales Artificiales utilizadas como perceptrones multicapa.

Esta investigación constituye una novedad en Cuba, donde son muy pocos los estudios que se han hecho sobre el canal radioeléctrico tanto en exteriores como en interiores y se reportan pocos resultados concretos en cuanto a su modelación. También es una novedad para la comunidad científica internacional, donde no se reportan modelos anteriores que combinen Trazado de Rayos y Redes Neurales, y que además tengan las especificaciones aquí propuestas para estas dos herramientas.

El problema principal de esta investigación es la necesidad de un sistema para la predicción de los parámetros principales que caracterizan la propagación radioeléctrica en entornos exteriores, y partimos de la siguiente hipótesis:

Con la realización de esta investigación y la utilización para su desarrollo de los métodos conocidos de Trazado de Rayos (Ray-Tracing), y el uso de Redes Neurales Artificiales, es posible resolver el problema de la predicción de los parámetros principales que caracterizan la propagación radioeléctrica en entornos exteriores para las bandas de 900 MHz a 2.5 GHz.

Descripción general del modelo de predicción

La investigación que se expone aquí, además de sus contribuciones al estudio de la propagación en exteriores, arroja como producto final un modelo para predecir: la potencia  de la señal recibida en un entorno urbano, parámetro del canal radioeléctrico, que determina la calidad de los sistemas de comunicación.

Para encontrar esos parámetros utilizamos una variante de un algoritmo de Trazado de Rayos, complementados con un sistema de redes neuronales artificiales, a partir de una base de datos que describe la geometría del entorno, así como los materiales  que lo conforman, se combinan Trazado de Rayos y Redes Neuronales para lograr un predictor preciso y generalizable que requiera tiempos de cómputo y capacidad de procesamiento relativamente bajos, que lo hagan fácilmente utilizable por cualquier ingeniero que planifique o evalúe  sistemas  inalámbricas en exteriores.

El diagrama general del predictor de parámetros que se propone para implementar el modelo propuesto se muestra en la figura siguiente.

Programa predictor de parámetros del canal radioeléctrico.

Como resultado de esta investigación se obtuvo un programa realizado utilizando BorlandÔ C++ Builder 5.0. Sus funciones principales se basan en:

·        Ejecutar tareas de procesamiento de mediciones y datos de un entorno dado para generar ficheros de entrenamiento de redes neuronales.

·        Realizar la predicción de la potencia recibida y otros parámetros que caracterizan el canal radioeléctrico.

Para comenzar a utilizar la aplicación en con el objetivo de estudiar un entorno, el primer paso es cargar dentro de la aplicación el entorno (el cual puede ser tomado como una imagen de mapa de bits, jpg o gif), y un juego de redes neuronales, el cual es un conjunto de ficheros que contiene la información sobre la arquitectura, los pesos y polarizaciones de cada capa, así como la información de compatibilidad. Como segundo paso, después de cargar el entorno, la aplicación realiza un análisis y determina la ubicación de las facetas. El número se facetas generalmente coincidirá con el de las paredes, excepto el caso de que el entorno posea paredes u obstáculos curvilíneos, más una faceta correspondiente al piso.

El próximo paso sería situar el transmisor en una posición deseada, e indicar si se quiere tomar como receptor un punto o predecir sobre todos los puntos. Estas bases de datos pueden guardarse en disco como ficheros de estructura propietaria de los autores, que contienen el entorno, los datos de facetas y paredes, y grupos de coordenadas asociadas a un número, que es precisamente el valor de la predicción.

Para utilizar el programa en la obtención de información de entrenamiento, sólo hay que cargar el entorno, y algún fichero de datos obtenidos mediante mediciones, el cual contiene coordenadas (en metros o en pixels) que puede tener formato de fichero texto o de hoja de cálculo de MSExcel.

La versión actual de la aplicación ocupa 953 Kbytes, además utiliza 2 DLLs, de 25Kbytes y 1.47 Mbytes respectivamente, utiliza 1 Mbytes de memoria RAM para correr, sin contar con los datos, los cuales puede ocupar hasta 16 Mbytes, los cuales pueden ser redireccionados a conveniencia por Windows hacia la memoria virtual. El tiempo de ejecución de la predicción sobre una base de datos completa sigue aproximadamente la ley T_cómputo=0,7sn (mS), donde n es el número de paredes (facetas) y s el número de puntos de la base de datos.

Resultados obtenidos

Como resultado del entrenamiento de las redes obtuvimos una red neuronal capaz de corregir el valor de potencia recibida obtenido por Trazado de Rayos. La red se seleccionó entre 25 obtenidas de la convergencia del algoritmo Backpropagation antes de 100 épocas, sobre el mismo juego de datos correspondiente a la ciudad de Stutgart en Alemania. Se escogió la red neuronal que tuviese mejor precisión y a la vez haya entrenado en menos épocas. Para obtener las 25 redes se realizaron 49 sesiones de entrenamiento. En  la tabla se muestran algunos de los resultados.

La aplicación del predictor sobre el segmento de la ciudad de Stutgartt de donde tomamos la base de datos arroja los siguientes resultados.

Los entrenamientos se realizaron con un máximo de 100 épocas porque se considera que una red que converja con un número mayor de épocas para estas aplicaciones está sobreadaptada al entorno en que fue entrenada. El performance de salida se escogió 1e-4, así como la razón de aprendizaje, el estado del proceso de entrenamiento se mostraba cada 20 épocas. Vea la figura.

La comparación de los resultados de nuestro predictor con los de la base de datos de ejemplo se muestran a continuación:

El error  en los puntos donde se entrenó es menor que 1dB, resultado este más que suficiente para las exigencias de las aplicaciones de comunicaciones radioeléctricas en exteriores.

El error en los puntos en los que no se entrenó se comporta de la siguiente manera.

Conclusiones

En el presente trabajo hemos llegado a las siguientes conclusiones:

-     Es posible resolver el problema de la predicción de los parámetros principales que caracterizan la propagación radioeléctrica en entornos exteriores para las bandas de 900 MHz a 2.5 GHz, utilizando Trazado de Rayos y Redes Neuronales Artificiales. Esto corrobora la hipótesis planteada para este trabajo.

-     Las Redes Neuronales Artificiales postuladas en este trabajo pueden entrenarse satisfactoriamente para mejorar la precisión de una predicción por Trazado de Rayos hecha teniendo en cuenta un solo rebote de la señal en las diferentes facetas. El juego de parámetros de entrada, así como la arquitectura de la red escogida son satisfactorios.

-     La precisión obtenida en la predicción para los puntos donde no se entrenó es menor de 3 dB, lo cual es tolerable para la planificación de redes.

Anexos

Imagen de Propacare en la predicción de la potencia recibida, sobre una porción del mapa del entorno urbano de Stutgart, Alemania, utilizando la misma posición para el transmisor.

Bibliografía

 [1] Cabarrouy Fernández-Fontecha, Sergio Lázaro: “Contribución al estudio de la propagación radioeléctrica en espectro ensanchado, para el interior de edificaciones”.Tesis doctoral. Ciudad de la Habana,2003.

[2] Howard  J. and Pahlavan K.: "Measurements and analysis of indoor radio channel in the frequency domain". IEEE Trans. Instrum. Meas., Vol. 39, No. 5, pp. 751-755, Oct. 1990.

[3] Hansen G. J. M. and Prasad R.: "Propagation measurements in an indoor radio enviroment at 2.4 GHz, 4.75 GHz and 11.5 GHz" in Proc. IEEE VTS Conf.'92, Denver, CO., May. 10-13, 1992, pp. 617-620.

[4] Cox D. C. and Leck R. P.: "Correlation bandwidth and delay spread multipath propagation statistic for 910 MHz urban mobile radio channels". IEEE Trans. on Commun., Vol. COM-23, No. 9, pp. 1271-1280, Sept. 1975.

[5] Ganesh R.: "Time domain measurements, modeling and simulation of the indoor radio channel". Ph. D. Dissertation Elect. Comput. Eng. Dpt. Worcester Poly. Inst., May 1991.

[6] Seidel S. Y. and Rappaport T. S.: "Path loss prediction in multifloored building at 914 MHz". Electronic. Lett. pp. 1384-1387, Vol. 27, No. 15, July 1991.

[7] Zaghloul H., Morrison G. and Fattouche M.: "Frequency response and path loss measurements of indoor channel". Electron. Lett. Vol. 27, No. 12, pp. 1021-1022, June 1991.

[8] Pahlavan, K. Levesque Allen H.: "Wireless Data Communications". Proceedings of the IEEE, Vol. 82, No. 9, Sept. 1994, pp. 1398-1440.

[9] Damasso E., "View on the Evolution towards 3rd Generation Systems. Bruxelles.” ed. Digital Mobile Radio: COST 231. Final Report of the COST 231 Proyect, 1998.

[10] Huschka T., "Ray Tracing Models for Indoor Enviroments an their Computational Complexity", en IEEE 5th International Symposium on Personal, Indoor, Mobile Radio Communicactions, pp. 486-490, Sept. 1994.

[11] Valenzuela R.A., "A Ray Tracing Approach to Predicting Wireless Transmission", Proceedings 43rd IEEE Vehicular Technology Conference, 1993, pp. 214-218.

[12] Valenzuela R. A., Chizhik D., Ling J., "Measured and Predicted Correlation Between Local Average Power and Small Scale Fading in Indoor Wireless Communications Channels", IEEE Vehicular Technology Conference, Ottawa, May 1998.

[13] Valenzuela R.A., “A Ray Tracing Approach to Predicting Wireless Transmission”, Proceedings 43rd IEEE Vehicular Technology Conference, 1993, pp. 214-218.

[14] Devasirvatham D. M. J., "Time delay spread measurements of 850 MHz radios waves in buldin enviroments." In Proc. IEEE Global Commun. Cong. GLOBECOM´85. Pp. 970 - 973. Dec. 1985.

[15] Personal Communications systems new requirements for antenna and propagation knoledge." In 6th Int. Conf. On Antennas and Prop., ICAP´89 Part 2: Propagation. Pp. 373-376.

Autor:

Alina M. Pimienta Dueñas.

Ocupación: Ingeniera en Telecomunicaciones y electrónica. Profesora del Departamento de telecomunicaciones, Universidad de Pinar del Río, Cuba.

Correo: apimienta@tele.upr.edu.cu

UNIVERSIDAD DE PINAR DEL RIO

Hermanos Saíz Montes de Oca

Pinar del Río, 2005