Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông: Ứng dụng thông tin vị trí sử dụng các thành phần đa đường trong dự báo kênh cho hệ thống truyền thông vô tuyến thế hệ mới

27 5 0
Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông: Ứng dụng thông tin vị trí sử dụng các thành phần đa đường trong dự báo kênh cho hệ thống truyền thông vô tuyến thế hệ mới

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông Ứng dụng thông tin vị trí sử dụng các thành phần đa đường trong dự báo kênh cho hệ thống truyền thông vô tuyến thế hệ mới sẽ bắt đầu bằng các nghiên cứu trong các ứng dụng khác nhau về truyền thông có nhận thức vị trí, tiếp theo là thảo luận về CQM và một số công cụ dự đoán tạo điều kiện thuận lợi cho việc lập bản đồ chất lượng kênh trong toàn bộ môi trường. Mời các bạn cùng tham khảo!

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Nguyễn Hồng Anh ỨNG DỤNG THÔNG TIN VỊ TRÍ SỬ DỤNG CÁC THÀNH PHẦN ĐA ĐƯỜNG TRONG DỰ BÁO KÊNH CHO HỆ THỐNG TRUYỀN THÔNG VÔ TUYẾN THẾ HỆ MỚI Ngành: Kỹ thuật viễn thông Mã số: 9520208 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THƠNG Hà Nội – 2022 Cơng trình hồn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS TS Nguyễn Văn Khang PGS TS Klaus Witrisal Phản biện 1: Phản biện 2: Phản biện 3: Luận án bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp Trường Đại học Bách khoa Hà Nội Vào hồi …… giờ, ngày … tháng … năm ……… Có thể tìm hiểu luận án thư viện: Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội Thư viện Quốc gia Việt Nam CHƯƠNG GIỚI THIỆU 1.1 Lý chọn đề tài Mạng truyền thông 5G cao phải đáp ứng tăng trưởng nhanh mạng di động số lượng người sử dụng, số lượng kết nối hay khối lượng liệu truyền tải Thơng tin ngữ cảnh, mơi trường nói chung thơng tin vị trí nói riêng hình dung hỗ trợ cơng nghệ truyền thống hay công nghệ đột phá việc giải nhiều thách thức tồn mạng 5G sau 5G Bên cạnh đó, cơng nghệ định vị nhận quan tâm phát triển chục năm gần Trong tương lai, phần lớn thiết bị 5G trang bị nhận thức vị trí thơng qua nhiều công nghệ, hệ thống vệ tinh GNSS, hệ thống định vị GPS Kết hợp với hệ thống hỗ trợ mặt đất hoạt động đa băng tần, hệ thống cung cấp độ xác khoảng 1m ngồi trời Khi GNSS yếu khơng khả dụng, công nghệ khác dựa radio cục sóng băng thơng siêu rộng (UWB), Bluetooth, ZigBee nhận dạng tần số vô tuyến (RFID) bổ sung cho định vị dựa Wi-Fi Kết hợp với nhau, chúng tạo định vị với độ xác 1m Thơng tin vị trí xác tận dụng tất lớp giao thức để cải tiến hiệu suất mạng [2] Ở lớp trên, thơng tin vị trí sử dụng trực tiếp Ở lớp (PHY, MAC, network, transport layer), sở liệu số chất lượng kênh (CQM) vị trí tương ứng xây dựng Từ sở liệu đó, đến vị trí chưa biết, CQM dự báo, thay đổi lớp giao thức thực để thích nghi với môi trường sử dụng tốt tài nguyên mạng Ở phần này, bắt đầu nghiên cứu ứng dụng khác truyền thơng có nhận thức vị trí, thảo luận CQM số công cụ dự đoán tạo điều kiện thuận lợi cho việc lập đồ chất lượng kênh tồn mơi trường 1.1.1 Nhận thức vị trí mmWave beamforming Hệ thống MIMO có ưu điểm có khả tạo hình định hướng tia, điều cần thiết cho tín hiệu mmWave để bù cho suy giảm kênh lớn May mắn thay, bước sóng nhỏ dải tần cho phép nhiều phần tử ăng-ten đóng gói diện tích nhỏ Tuy nhiên, không dễ dàng để khai thác độ lợi điều hướng chùm tia q trình khám phá phức tạp Với định dạng chùm tia tương tự, trạm gốc thiết bị người dùng phải điều hướng chùm ăng ten theo hướng khác trước tìm hướng tối ưu Trong đó, định dạng chùm tia kỹ thuật số linh hoạt tốn tìm kiếm hướng người dùng có quyền truy cập vào liệu số từ tất phần tử ăng ten [5]; nhiên, số lượng RF front end nhiều, nên phương pháp tốn không thực tế thiết bị người dùng Vì vậy, định dạng chùm tia tương tự có lợi Ngoài ra, giải pháp lai việc tạo hình chùm tương tự kết hợp với tiền mã hóa kỹ thuật số phương án quan tâm [6], [7] Một cách tiếp cận chưa khám phá đầy đủ sử dụng đặc điểm lan truyền môi trường cụ thể mà hệ thống triển khai Kiến thức khai thác trạm gốc dạng sở liệu đo số lượng lớn điểm khu vực liên kết với vị trí thiết bị người dùng [8] Từ đó, hướng tốt trạm gốc thiết bị người dùng ước lượng Trong [9], công cụ ray-tracing sử dụng, khơng tia truyền thẳng tia phản xạ mà tia phân tán mô Một sơ đồ định dạng chùm đơn giản hơn, anten hướng vài thành phần đa đường Trong trường hợp có thay đổi kênh đột ngột, ví dụ, bị chắn người, từ sở liệu lưu trữ, (các) chùm tia xếp lại nhanh chóng cách tuyển dụng thành phần đa đường khơng bị chặn khác 1.1.2 Nhận thức vị trí truyền thông phương tiện giao thông Số lượng cảm biến xe tỷ lệ liệu mà chúng tạo ngày tăng Bằng cách cảm nhận tồn tại, vị trí vận tốc phương tiện vật thể khác, radar ô tô giúp bạn điều khiển hành trình thích ứng, phát điểm mù, hỗ trợ chuyển làn, hỗ trợ đỗ xe Một thách thức lớn liên quan đến nhiều cơng nghệ cảm biến chúng có phạm vi hạn chế Một giải pháp thay sử dụng liên lạc không dây phép ô tơ trao đổi thơng tin Điều có hai lợi ích tiềm Đầu tiên, tơ liên lạc điều kiện khơng có tầm nhìn, ví dụ xung quanh góc Thứ hai, có sẵn liên kết truyền thơng băng thơng cao, tơ trao đổi liệu cảm biến thơ với tốc độ cao hơn, từ đó, ta hướng đến lái xe hoàn toàn tự động, điều khiển đám mây Ở dạng đơn giản nhất, [15], giao thức MAC dựa vị trí đề xuất, theo phương tiện phát thơng tin đến phương tiện khác chúng qua khu vực truyền dẫn khai thác trước Khi lưu lượng giao thông tăng, giao thức dựa vị trí đề xuất có thời gian gửi tin nhắn nhỏ so với phương pháp truy cập ngẫu nhiên thông thường Một ý tưởng tương tự đề xuất [16], mà giao thức truy cập kênh dựa vị trí phi tập trung nghiên cứu Các kênh phân bổ dựa vị trí địa lý tức thời phương tiện kênh liên kết với cell Bằng cách sử dụng ánh xạ cell-to-channel lưu trữ trước, phương tiện biết cần truyền kênh nào, giảm bớt nhu cầu điều phối tập trung Điều dẫn đến việc sử dụng băng thông khoa học tránh vấn đề node ẩn Với tiềm tốc độ liệu cao, mmWave cách tiếp cận khả thi để hỗ trợ chia sẻ liệu cảm biến lớn ứng dụng xe cộ Thật khơng may, chùm tia mmWave hẹp tính di động cao đặc biệt bối cảnh xe cộ Một codebook lớn phải tìm kiếm tồn diện để chỉnh hướng chùm tia giải pháp đào tạo chùm tia Trong [17], sở liệu xây dựng cách thu thập cơng suất nhận vị trí máy thu tất cặp góc định hướng codebook Sau đó, giai đoạn trực tuyến, từ thơng tin vị trí thu máy thu, cặp chùm tia tốt chọn cách tra cứu sở liệu finger-printing Một hạn chế nghiên cứu [17] [18] thuật toán đề xuất xem xét kiến thức phương tiện mục tiêu, không xem xét vị trí phương tiện khác Trong [19], khung mô kết hợp phương pháp ray-tracing mô giao thông đề xuất để tạo kênh xe cộ với quỹ đạo xe tương quan theo thời gian Chỉ có phương tiện mục tiêu di chuyển phương tiện khác (làm phân tán, chắn tín hiệu) đứng n Từ mơ ray-tracing, sau cung cấp cho tất chi tiết cần thiết, chẳng hạn vị trí, kích thước, vật liệu, v.v tán xạ, chặn, công suất nhận thu mục tiêu ứng với cặp chùm tia mơ Học máy áp dụng cho sở liệu mô để cung cấp cặp chùm tia tốt vị trí máy thu biết Tương tự, [20], không cặp chùm tia tốt mà công suất chùm tia tối ưu hóa 1.1.3 Nhận thức vị trí truyền thơng thích nghi, lập lịch điều hướng Trong [8], thông tin liên lạc di động thích ứng nhận biết vị trí thiết kế Một sở liệu finger-print xây dựng trước Khi thời điểm người dùng báo cáo vị trí dự đốn tương lai cho sở liệu, cách sử dụng tính qn kênh chuyển động khơng gian, cường độ tín hiệu nhận tương ứng dung lượng kênh dự đốn Tốc độ truyền sau điều chỉnh để nhỏ dung lượng kênh dự đoán, dẫn đến độ lợi dung lượng kênh lớn so với sơ đồ điều chế thích ứng đại cho độ trễ phản hồi từ trung bình đến lớn Trong [21], thuật tốn lập lịch tổng hợp hỗ trợ vị trí để tái sử dụng tần số phần đề xuất Bằng cách chia sẻ tài nguyên tạm thời người dùng trung tâm rìa cell, tổng thơng lượng chứng minh cao hơn, phản hồi u cầu ngày so với phương pháp thơng thường Cơ sở liệu CQM sử dụng để tính SINR máy phát sơ cấp, máy thu sơ cấp máy phát thứ cấp biết vị trí chúng Nếu SINR ngưỡng định, tài nguyên chia sẻ [22] nghiên cứu lập lịch kết hợp kiểm sốt cơng suất có nhận biết vị trí cho IEEE 802.15.3, dẫn đến độ trễ thấp thông lượng cao so với chế lập lịch kiểu roundrobin truyền thống Một mơ hình lan truyền không gian tự đơn giản giả định, cho phép tính tốn tín hiệu nhận vị trí nào, khơng cần sở liệu CQM Bộ điều phối piconet định công suất nút cho phép truyền song song cặp truyền / nhận riêng biệt miễn chúng không gây nhiễu Các kỹ thuật hỗ trợ vị trí, đặc biệt sử dụng thơng tin di động để dự báo dung lượng kênh cho thiết bị di động, có vai trị quan trọng chuyển giao tạm thời theo chiều dọc cho hệ thống có dung lượng kênh lớn để tải liệu Các hệ thống cơng suất lớn có hội ngắn phạm vi hạn chế chúng 1.1.4 Chỉ số chất lượng kênh (CQM) Các CQM tham số chất lượng kênh, bao gồm cơng suất thu, độ trễ bình phương trung bình, mức nhiễu, độ trải góc rank cho hệ thống multiantenna [8, 2, 21] Trong ứng dụng nhận biết vị trí, sở liệu CQM kết hợp vị trí lập, từ đó, CQM vị trí khác suy Ngồi ra, có khái niệm tương tự, gọi đồ môi trường vô tuyến (REM), ban đầu sử dụng mạng vô tuyến nhận thức, nơi thông tin đa miền bao gồm phần tử vô tuyến, môi trường bối cảnh [23] mô tả Trong mạng IoT, đặc điểm mơi trường lập đồ cách thu thập lượng lớn liệu cảm biến với thơng tin vị trí phổ biến tác nhân di động di chuyển xung quanh đóng góp Trong luận án này, chúng tơi quan tâm đến việc lập đồ CQM liên quan đến RF để xây dựng REM Ở dạng đơn giản nhất, CQM dự đốn cách sử dụng sở liệu finger-printing [17] Trong [19, 20], học máy sử dụng để học từ sở liệu công suất thu biết thông tin AOA, AOD, độ trễ liên kết đa đường thu từ mô raytracing Trong [24], hồi quy quy trình Gaussian (GPR) đề xuất sử dụng, cho phép phát triển thuật tốn suy luận mà độ phức tạp khơng tăng theo số lượng quan sát [25] 1.2 Những thách thức hội Nó Phần 1.1 để thực thay đổi lớp dưới, tức PHY, MAC, lớp mạng lớp truyền tải, để thích ứng với mơi trường vị trí mới, cần phải xây dựng sở liệu chất lượng kênh ánh xạ tới địa điểm Các kỹ thuật xây dựng thường dành cho tín hiệu băng hẹp [24] dựa mô ray-tracing [19, 20], sử dụng mơ hình suy hao đường đơn giản [22] Phương pháp ray-tracing thường phức tạp đòi hỏi thông tin chi tiết môi trường, khơng thích ứng với thay đổi, chướng ngại vật / người Hơn nữa, bên cạnh AOA, AOD độ trễ, biên độ thành phần đa đường riêng lẻ chưa sử dụng Mặt khác số nhiều kỹ thuật định vị tại, có nhánh nghiên cứu xử lý kênh UWB theo nhiều MPC riêng biệt Các thuật toán theo dõi lập đồ MPC riêng lẻ sử dụng thiết bị RF UWB thương mại phát triển [26, 27, 28] Do đó, việc xây dựng sở liệu dựa đa đường nhắm mục tiêu tín hiệu mmWave UWB khả thi hơn, đơn giản tự động việc xử lý chướng ngại vật Ngồi ra, để ứng dụng có nhận thức vị trí hoạt động tốt hơn, thuật tốn định vị phải phát triển Một số đáng kể thách thức xử lý tín hiệu cần phải giải bao gồm: 1) chuyển giao, hợp tích hợp cơng nghệ định vị khác nhau; 2) đối phó với lỗi mơi trường lan truyền khắc nghiệt nhiễu; 3) phân quyền giảm độ phức tạp 1.3 Mục tiêu nghiên cứu Đối tượng nghiên cứu luận án khả khai thác thơng tin vị trí để giúp cải thiện hiệu suất hoạt động mạng không dây Mục đích luận án đề xuất mơ hình lan truyền để dự đốn CQM MPC riêng lẻ vị trí cách sử dụng sở liệu đo Một thuật toán đề xuất để chứng minh tính hữu ích thơng tin vị trí mạng không dây Phạm vi luận án giới hạn mạng truyền thông không dây nhà sử dụng tín hiệu mmWave UWB Trong luận án này, môi trường giả sử tĩnh, tức khơng có thay đổi mơi trường, thêm vật cản, v v 1.4 Các giả thiết nghiên cứu Giả thiết 1: Trong kênh đa đường thưa thớt (tín hiệu mmWave UWB), phương pháp dự báo CQM cách có cấu trúc dựa liên kết đa đường riêng lẻ xây dựng, để q trình học / dự đốn dễ dàng xác Giả thiết 2: Các tham số chất lượng kênh thống kê quy mô lớn để giảm overhead thời gian trễ hệ thống Giả thiết 3: Các CQM đóng vai trị thơng tin phụ, giúp cho thuật tốn định vị dựa đa đường hoạt động hiệu CHƯƠNG MƠ HÌNH TÍN HIỆU VÀ HỆ THỐNG 2.2 Mơ hình hệ thống 2.2.1 Biểu diễn bề mặt phản xạ virtual anchor (VA) Virtual anchor (VA) khái niệm sử dụng Mơi trường / vật phản xạ biết trước - Vị trí VA xác Các vị trí VA tính tốn với sơ đồ mặt xác Bằng cách phản chiếu vị trí anchor với tường phản xạ, VA bậc xây dựng VA bậc cao tính cách lấy ảnh VA bậc thấp so với bề mặt phản xạ khác [47,49] Hình 2.1 minh họa mơ hình hình học Vật phản xạ / môi trường biết trước không chắn - Vị trí VA theo xác suất Trên thực tế, sơ đồ mặt biết trước khơng xác Do đó, ta có mơ hình xác suất VA Hình 2.2, mở rộng từ mơ hình hình học xác 2.2.2 Sơ đồ mặt / thông tin môi trường cho ứng dụng nhận biết vị trí Chúng tơi giả định thiết bị RF có khả cung cấp vị trí thơng qua hợp tác với thiết bị khác Hãy xem xét môi trường nhà, sơ đồ mặt (hay vật cản) biểu diễn tốt vị trí VA Sơ đồ mặt biết trước khơng Trong trường hợp thứ hai, thuật toán vẽ đồ, ví dụ SLAM [52] sử dụng để vẽ sơ đồ mặt vị trí VA sử dụng tín hiệu RF máy phát máy thu Trong luận án này, chưa xét đến trường hợp vị trí VA chưa biết xác Song, việc mở rộng sang trường hợp hồn tồn sử dụng mơ hình xác suất cho vị trí VA [52] Hình 2.1: Minh họa hình học đa đường sử dụng VA để truyền PA tác nhân di động với thông tin sơ đồ mặt xác Hình 2.2: Minh họa VA cho PA tác nhân (agent) với PDF p (VA) p (tác nhân), tương ứng VA false đại diện cho việc phát sai VA 𝑚 ̂ 1,𝑘 𝑚 ̂ 2,𝑘 bậc bậc hai mẫu lượng |𝛼𝑘 (𝒑𝑙 )| 2.4.3 Dung lượng kênh a Đóng góp SMC Theo mơ hình kênh chúng tơi từ (2.1), độ lợi kênh ℎ𝑘 biến ngẫu nhiên Gaussian, 𝐾 ℎ𝑘 = 〈 ∑ 𝛼𝑘′ 𝑠(𝑡 − 𝜏𝑘′ ) + (𝜈 ∗ 𝑠)(𝑡) , 𝑠(𝑡 − 𝜏𝑘 )〉 = 𝛼𝑘 + 𝜈𝑘 𝑘 ′ =1 Dung lượng thành phần kênh là: 𝐸 𝐶𝑘 = log (1 + 𝑁𝑠 |ℎ𝑘 |2 ) (2.15) b Đóng góp tất SMC Giả sử máy thu lấy mẫu tất K SMC Khi đó, hệ thống xem kênh SIMO Kênh có dung lượng [58]: 𝐸 𝐶𝑎𝑙𝑙 = log (1 + 𝑁𝑠 ∥ 𝒉 ∥2 ) (2.18) 2.4.4 Position error bound (PEB) PEB cho toán định vị hỗ trợ đa đường CramerRao Lower Bound sai số vị trí, bậc hai trace ma trận x phía bên trái ma trận thơng tin Fisher nghịch đảo (FIM) 𝐉𝝍 [50, eq (17)] −1 𝒫{𝐩} = √𝑡𝑟 {[𝐉𝝍 ] } = √𝑡𝑟{𝐉𝐩−1 } 2×2 𝑇 [𝐩𝑇 (2.22) 𝑇 ]𝑇 𝝍 = ℛ𝜶 ℐ𝜶 vectơ tham số chứa vị trí chưa biết thiết bị di động biên độ phức SMC 𝐉𝐩 FIM tương đương (EFIM) Ta có 𝐉𝐩 = 8𝜋2 𝛽 𝐾 ∑𝑘=1 SINR 𝑘 𝐉𝑟 (𝜙𝑘 ) 𝑐2 2 |𝑆(𝑓)|2 (2.23) 𝛽 = ∫ 𝑓 𝑑𝑓 băng thông hiệu dụng Thông tin trễ SMC thứ k hướng tới VA thứ k, biểu thị cos2 (𝜙𝑘 ) cos 𝜙𝑘 sin 𝜙𝑘 𝐉𝒓 (𝜙𝑘 ) = [ (2.24) ] cos 𝜙𝑘 sin 𝜙𝑘 sin2 (𝜙𝑘 ) 11 CHƯƠNG QUY TRÌNH HỒI QUY GAUSS CHO BIÊN ĐỘ CỦA SMC 3.1 Các nghiên cứu liên quan Điều kiện tiên để thực nhận biết vị trí khả ước lượng vị trí xác lập đồ CQM Các thuật toán định vị lập đồ đồng thời (SLAM) tiếng sử dụng để xây dựng mơ hình hình học từ tín hiệu nhận trước, đồng thời xác định vị trí người dùng di động [67,52,68] Liên quan mật thiết đến công trình báo hệ thống định vị vơ tuyến khai thác thơng tin đồ Ví dụ: tham số mô tả cấp thấp kênh, chẳng hạn RSS, ToF, AoA ánh xạ tới vị trí cách sử dụng mơ hình hình học cố định phương pháp triangulation/ trilateration [71, 72] Trong tài liệu tham khảo [49], thông tin độ trễ thành phần đa đường SMC sử dụng để nâng cao tính mạnh mẽ giảm nhu cầu sở hạ tầng hệ thống định vị UWB [41] Những cơng trình mối liên hệ chặt chẽ đồ thông tin vị trí Do đó, ta tách SMC sử dụng mơ hình hình học để mô tả tham số chúng Ngược lại, SMC cho phép dự đốn thơng số kênh này, với mơ hình hình học có sẵn Khác với mơ hình độ trễ góc SMC, việc mơ hình hóa biên độ SMC khó đạt nhiều Điều nhiều yếu tố Mô sử dụng ray-tracing nỗ lực để giải thách thức [76, 34, 77] Tuy nhiên, cách tiếp cận cần có thơng tin xác vật liệu xây dựng, khơng khả thi sử dụng dự đoán kênh trực tuyến Trong chương này, tiếp cận theo hướng sử dụng tập liệu để giải vấn đề, hồi quy quy trình Gaussian (GPR) sử dụng để mơ hình hóa biên độ SMC 3.2 Mơ hình lan truyền SMC SMC: SMC thứ k đặc trưng độ trễ 𝜏𝑘 (𝐩) biên độ phức tạp 𝛼𝑘 (𝐩) Độ trễ mơ hình hóa cách xác định hàm vị trí 𝐩 Biên độ phức 𝛼𝑘 (𝐩) ∈ ℂ cho là: 𝛼𝑘 (𝐩) = 𝐴(𝜙𝑘 (𝐩))Γ𝑘 (𝜙𝑘 (𝐩)) 𝑑𝑘 (𝐩) exp {− 12 𝑗2𝜋𝑓𝑐 𝑑𝑘 (𝐩) } 𝑐 (3.1) 𝐴(𝜙𝑘 (𝐩)) bao gồm độ lợi anten TX RX suy hao đường truyền khoảng cách tham chiếu 𝑑0 = 1m Độ lợi anten tham số hóa góc định hướng 𝜙𝑘 (𝐩) = ∠(𝐩 − 𝐚𝑘 ) Γ𝑘 (𝜙𝑘 (𝐩)) mô tả hệ số phản xạ bề mặt (phẳng) ứng với VA 𝐚𝑘 3.3 Mơ hình GP biên độ SMC Từ (3.1) ta thấy phụ thuộc 𝛼𝑘 (𝐩) vào khoảng cách biểu diễn cách tường minh, mối quan hệ với góc phụ thuộc vào nhiều yếu tố khó thể dạng cơng thức thơng thường Do đó, chúng tơi đề xuất sử dụng mơ hình hồi quy Gauss (GPR) để mơ tả (phần phụ thuộc góc của) 𝛼𝑘 (𝐩), tức 𝛾𝑘 (𝜙𝑘 (𝐩)) Chúng tách biên độ phức thành giá trị tuyệt đối pha có giá trị thực Mơ hình GPR sử dụng để mơ hình hàm số: 𝑎𝑏𝑠 𝑎𝑏𝑠 𝜓(𝜙𝑘 (𝐩)) ≔ |𝛾𝑘 (𝜙𝑘 (𝐩))| + 𝑛𝜈,𝑘 = |𝛼𝑘 (𝐩)|𝑑𝑘 (𝐩) + 𝑛𝜈,𝑘 (3.3) 𝑝ℎ 𝑝ℎ 𝜍(𝜙𝑘 (𝐩)) ≔ ∠𝛾𝑘 (𝜙𝑘 (𝐩)) + 𝑛𝜈,𝑘 = ∠𝛼𝑘 (𝐩) + 𝑛𝜈,𝑘 2𝜋𝑓𝑐 𝑑𝑘 (𝐩) + 𝑐 (3.4) 𝑝ℎ 𝑛𝜈,𝑘 𝑝ℎ 𝑎𝑏𝑠 𝑎𝑏𝑠 𝑛𝜈,𝑘 với phương sai 𝜎𝜈,𝑘 với phương sai 𝜎𝜈,𝑘 đại diện cho thành phần DM biên độ pha tương ứng 3.4 Hồi quy quy trình Gauss 3.4.1 Mơ hình Đối với thành phần giá trị tuyệt đối biên độ 𝜓(𝜙𝑘 (𝐩)) ∼ 𝒢𝒫 (𝜇𝐺𝑃 (𝜙𝑘 (𝐩)), 𝑐𝐺𝑃 (𝜙𝑘 (𝐩), 𝜙𝑘 (𝐩′ ))) (3.5) 𝜇𝐺𝑃 (𝜙𝑘 (𝐩)) biểu diễn hàm giá trị trung bình, 𝑐𝐺𝑃 (𝜙𝑘 (𝐩), 𝜙𝑘 (𝐩′ )) biểu diễn hàm hiệp phương sai Ở đây, giá trị trung bình mơ hình hóa số: 𝜇𝐺𝑃 (𝜙𝑘 (𝐩)) = 𝑚𝑘𝑎𝑏𝑠 (3.6) 𝑝ℎ (và 𝑚𝑘 cho pha biên độ) Một hàm mũ bình phương sử dụng cho hiệp phương sai, 𝑐𝐺𝑃 (𝜙𝑘 (𝐩), 𝜙𝑘 (𝐩′ )) = 𝜎𝑘𝑎𝑏𝑠 exp (− 𝑎𝑏𝑠 𝜎𝜈,𝑘 𝛿(𝐩 − 𝐩′ ) (𝜙𝑘 (𝐩)−𝜙𝑘 (𝐩′ )) 2𝑎𝑘𝑎𝑏𝑠 2 )+ (3.7) 13 𝜎𝑘𝑎𝑏𝑠 độ lệch chuẩn kernel tương quan, 𝑎𝑘𝑎𝑏𝑠 góc 𝑎𝑏𝑠 tương quan đặc trưng 𝜎𝜈,𝑘 độ lệch chuẩn gây DMC 𝑝ℎ 𝑝ℎ 𝑝ℎ (3.1) (và 𝜎𝑘 , 𝑎𝑘 ,và 𝜎𝜈,𝑘 pha) Ta có tham số cần ước lượng sau: 𝑎𝑏𝑠 𝑎𝑏𝑠 𝜽𝑎𝑏𝑠 = [𝑎𝑘𝑎𝑏𝑠 , 𝜎𝑘𝑎𝑏𝑠 , 𝜎𝜈,𝑘 , 𝛽𝑘 ] 𝑘 𝑝ℎ 𝜽𝑘 = 𝑇 (3.8) 𝑝ℎ 𝑝ℎ 𝑝ℎ 𝑝ℎ 𝑇 [𝑎𝑘 , 𝜎𝑘 , 𝜎𝜈,𝑘 , 𝛽𝑘 ] (3.9) 3.4.2 Dự báo Sau tham số ước lượng, giá trị trung bình phương sai biên độ 𝜓(𝜙𝑘 (𝐩∗ )) (hoặc pha 𝜍(𝜙𝑘 (𝐩∗ ))) vị trí thử 𝐩∗ thể dạng công thức [80] 3.5 Thí nghiệm kết 3.5.1 Xử lý trước phép đo Trong q trình thí nghiệm, vị trí xác thiết bị di động chưa biết Do đó, bước xử lý ban đầu, chúng tơi sử dụng thuật tốn SLAM [27, 52] để ước tính vị trí quỹ đạo {𝐩} vị trí (1) (1) (1) VA {𝐚𝑘 } Đối với Anchor 1, có VA 𝐚2 , 𝐚4 𝐚5 số số (1) , tương ứng với phản xạ lần (2) EPB, WW NGW Tương tự, Anchor 2, có VA 𝐚2 , (2) (2) 𝐚3 𝐚4 Với vị trí ước tính PA VA, độ trễ dự kiến 𝜏𝑘 (𝐩) xác định Biên độ 𝛼̂𝑘 (𝐩) ước lượng sử dụng (2.4) Góc định hướng 𝜙𝑘 (𝐩) = ∠𝐩 − 𝐚𝑘 tính tốn Từ ta có số tập liệu, biểu thị 𝒟𝑘 = {𝜙𝑘 (𝐩), 𝑦𝑘 (𝐩)} Trên sở tập liệu này, hàm hồi quy GP fitrgp hàm dự đoán predict tích hợp sẵn Matlab (Matlab R2018a) sử dụng 3.5.2 GPR biên độ SMC (a) (b) 14 (c) (d) (e) (1) (1) 𝒂2 , Hình 3.1 Quy trình hồi quy Gauss biên độ SMC ứng với VA (a) 𝒂1 , (b) (2) (3) (1) (c) 𝒂2 , (d) 𝒂2 , (e) 𝒂5 3.5.3 GPR pha SMC (1) (2) Hình 3.4: Hồi quy quy trình Gauss cho pha SMC ứng với (a) 𝐚2 , (b) 𝐚2 , (c) (1) 𝐚5 15 CHƯƠNG BẢN ĐỒ MƠI TRƯỜNG VƠ TUYẾN CHO MƠ HÌNH LAN TRUYỀN Ở MỘT ĐỊA ĐIỂM CỤ THỂ 4.1 Các nghiên cứu liên quan Chất lượng liên kết truyền thông mạng thông tin không dây di động thay đổi từ đường truyền sang đường truyền tiếp theo, phần tính di động thiết bị đầu cuối giao tiếp môi trường động mà chúng phải hoạt động Một cách tiếp cận phổ biến chọn tham số truyền dẫn để cung cấp hiệu suất thích hợp cho điều kiện kênh xấu để đảm bảo thông tin liên lạc Một hệ thống truyền dẫn làm cho việc sử dụng lượng thời gian truyền điều kiện kênh thuận lợi Giao thức truyền dẫn thích ứng cung cấp thơng tin liên lạc đáng tin cậy qua kênh nhất, điều chỉnh thông số truyền để giảm lượng rút ngắn thời gian truyền điều kiện kênh thuận lợi Một hệ thống vịng mở vịng kín, tức khơng có có phản hồi CSI Thích ứng hệ thống dựa phản hồi CSI thường hoạt động tốt Tuy nhiên, cải tiến kèm với chi phí phần cứng lớn tỷ lệ phản hồi CSI tăng, độ trễ phản hồi tăng Độ trễ phản hồi, dẫn đến kiến thức kênh lỗi thời máy phát, đặc biệt rắc rối Các thay đổi dựa thông tin lỗi thời để chọn ăng-ten phát điều chỉnh tốc độ truyền / cơng suất, v.v gây bất lợi, làm tăng xác suất lỗi ký hiệu (SEP) tỷ lệ lỗi bit (BER) Tất nhiên, điều có ý nghĩa quan trọng kênh mờ nhanh, nơi mà chậm trễ liên kết trả làm cho thơng tin kênh hồn tồn lỗi thời vào thời điểm q trình thích ứng thực diễn Dự đoán kênh dựa CSI từ phản hồi nghiên cứu kỹ lưỡng Kalman fltering phương pháp ước tính kênh thích ứng khác thường sử dụng, hệ số ước lượng thời điểm Một phương pháp dự đốn phạm vi dài thích ứng (LRP) cho flat fading đề xuất [82, 83], tồn dải hệ số tương lai ước tính Ý tưởng dự đốn kênh dài mở rộng cho kênh nhảy tần đa đường tắt dần chọn lọc tần số sử dụng phát quán [84] 16 Trong luận án này, độ lợi kênh, SINR dự đoán cho mơi trường cụ thể với vị trí PA, VA, hệ số phản xạ … biết Mặc dù dự đốn bị hạn chế SMC, mở rộng cho DM [86] Trong chương này, chúng tơi cách dự đốn biên độ, SINR SMC riêng lẻ PEB quy mơ lớn, tức tồn mặt 4.2 Bản đồ môi trường vô tuyến (REM) sử dụng GPR Từ tập liệu 𝒟𝑘 siêu tham số 𝜽𝑎𝑏𝑠 𝑘 , ta ước lượng giá trị trung bình 𝔼{𝜓(𝜙𝑘 (𝐩 ∗))|𝒟𝑘 , 𝜽𝑎𝑏𝑠 phương sai 𝑘 } 𝑎𝑏𝑠 𝕍{𝜓(𝜙𝑘 (𝐩 ∗))|𝒟𝑘 , 𝜽𝑘 } biên độ SMC chuẩn hóa vị trí 𝐩∗ bất kỳ, từ suy SINR 𝑘 (𝐩∗ ) và PEB 𝒫(𝐩∗ ), tham số tạo đồ môi trường REM chương Ta có: 𝑎𝑏𝑠 𝔼2 {𝜓(𝜙𝑘 (𝐩 ∗))|𝒟𝑘 , 𝜽𝑘 } ∗) (𝐩 SINR 𝑘 ≈ (4.2) 𝑎𝑏𝑠 2𝕍{𝜓(𝜙𝑘 (𝐩 ∗))|𝒟𝑘 , 𝜽𝑘 } 4.3 Biên độ SMC Hình 4.2: Biên độ SMC dự đốn 𝛼𝑘 (𝒑) cho toàn mặt cho SMC khác nhau: (a) LOS, (b) phản xạ EPB, (c) phản xạ WW, (d) phản xạ SW 17 4.4 SINR Như trình bày [54], SINR 𝑘 (𝐩) giả định khơng thay đổi tồn mặt Trong luận án này, đề xuất phương pháp dự đoán SINR SMC thứ k vị trí cụ thể, giúp nâng cao hiệu suất tracking filter [49] ứng dụng khác trình bày phần 4.2.4 Hình 4.3: SINR dự đốn cho tồn mặt cho: (a) LOS, (b) phản xạ EPB, (c) phản xạ WW, (d) phản xạ SW SINR thu thập cách áp dụng GPR CIRs thu từ phép đo 595 điểm dọc theo quỹ đạo, thể Hình 8.2 Cùng thang đo dB sử dụng 4.5 Position error bound Trong [87], đồ môi trường vô tuyến định hướng dựa đường truyền đa đường phân giải, sử dụng PEB đơn giản hóa đề xuất Trong đó, PEB sử dụng làm thước đo để lựa chọn ăng ten định hướng định cho thuật toán định vị sử dụng anchor SALMA Tuy nhiên, PEB suy từ SINR cho toàn mặt phản xạ Trong luận án này, cách sử dụng GPR, SINR cho SMC dự đốn / tính tốn vị trí cụ thể tồn mơi trường, tức đạt REM có độ phân giải cao 18 Hình 4.4: PEB GP dự đốn xem xét thơng tin từ SMC tương ứng với: (a) tất VA PA, (b) tất VA bậc 2, (c) VA bậc PA, (d) tất VA bậc VA, (e) VA LOS chọn, (f) VA chọn 19 CHƯƠNG ÁP DỤNG VÀO BÀI TỐN ĐỊNH VỊ 5.1 Các nghiên cứu liên quan Thơng tin vị trí có độ xác cao coi nhân tố hỗ trợ cho dịch vụ dựa vị trí IoT mạng 5G [98, 41] Nhiều nghiên cứu thực để giải vấn đề khác liên quan đến định vị xác Các kỹ thuật dựa RSS thích hợp để định vị, khơng u cầu đồng hóa timestamp Nhược điểm phương pháp độ xác thấp so với nguyên tắc đo khác [68], đặc biệt, tính đến fading đa đường shadowing Các phép đo ToF multilateration thường sở cho hệ thống định vị mạnh mẽ, có độ xác cao, bao gồm hệ thống vệ tinh dẫn đường toàn cầu (GNSS) [107] Ai biết phương sai sai số ToF tỉ lệ nghịch với băng thơng bình phương tỷ lệ tín hiệu nhiễu (SNR) [108], điều củng cố lợi việc có sẵn băng thơng tín hiệu cao SNR phụ thuộc yếu vào phạm vi, nhiên, đa đường có ảnh hưởng nghiêm trọng [109, 64, 110] Những hiểu biết sử dụng để nghiên cứu hiệu suất định vị mạng không dây [64, 111], cho thấy ảnh hưởng vị trí (và số lượng) nút tham gia vào tính tốn vị trí Trong chương này, chúng tơi kết hợp mơ hình mơi trường hình học dựa VA mơ hình GPR Cái trước sử dụng để dự đoán độ trễ, AOA AOD SMC, sau sử dụng để dự đoán biên độ SMC, mơ tả [J1] Chúng tơi tính hữu ích REM việc cải thiện tính mạnh mẽ thuật toán định vị sử dụng anchor dựa đa đường 5.2 Bài tốn Phương trình (2.3) viết lại sau: 𝒓 = 𝑺(𝐩)𝜶 + 𝒘 ∼ 𝒞𝒩(𝑺(𝐩)𝜶, 𝑪) (5.1) Trong 𝒓 = [… , 𝑟(𝑛𝑇𝑠 ), … ], 𝑺(𝐩) = [ … , 𝑠(𝜏𝑘 (𝐩)), … ]; 𝑠(𝜏) = [ … , 𝑠(𝑛𝑇𝑠 − 𝜏), … ]𝑇 ∈ ℂ𝑁 , 𝜶 = [… , 𝛼𝑘 , … ]𝑇 ∈ ℂ𝐾 biên độ SMC 𝑪 = 𝔼{𝒘𝒘𝐻 } hiệp phương sai vecto nhiễu 𝒘 Trong thuật toán SALMA-light [114, 115] 𝑪 = 𝜎𝑛2 𝑰 (nhiễu trắng) sử dụng concentrated maximum likelihood, ta có: 20 ̂ = arg max 𝐩 ℒ(𝒓|𝐩∗ ) ∗ ℒ(𝒓|𝐩∗ ) = max ℒ(𝒓|𝐩∗ , 𝜶) 𝐩 (5.2) 𝜶 ∗ Hàm log-likelihood (LLHF) ước lượng vị trí 𝐩 : ℒ(𝒓|𝐩∗ , 𝜶) = − log det(𝑪) − (𝒓 − 𝑺(𝐩)𝜶)𝐻 𝑪−1 (𝒓 − 𝑺(𝐩)𝜶) (5.3) Cực đại (5.2) giải nghiệm bình phương nhỏ ̂= có trọng số cho ∥ 𝒓 − 𝑺(𝐩)𝜶 ∥2 , dẫn đến 𝜶 −1 𝐻 (𝐩)𝑪−1 𝐻 (𝐩)𝑪−1 𝑺(𝐩)) 𝑺 𝒓 (𝑺 Mô hình GPM cung cấp kiến thức trước giá trị tuyệt đối 𝜶 Sau đó, chúng tơi mở rộng vectơ biên độ sau: 𝜶 = 𝚽𝒙, ma trận đường chéo 𝚽 = diag(𝝓) với [𝝓]𝑘 = exp(𝑗∠𝛼𝑘 ) = exp(𝑗𝜑𝑘 ) Từ GPM, ta biết 𝒙|𝒑 ∼ 𝒩 (𝜇(𝐩), 𝚲(𝐩)) với [𝜇(𝐩)]𝑘 = 𝑎𝑏𝑠 𝔼{𝜓(𝜙𝑘 (𝐩 ∗))|𝒟𝑘 , 𝜽𝑘 } [𝚲(𝑝)]𝑘,𝑘 = ∥𝜶𝑘 −𝐩∥ ma trận đường chéo có 𝑎𝑏𝑠 2𝕍{𝜓(𝜙𝑘 (𝐩 ∗))|𝒟𝑘 , 𝜽𝑘 } ∥𝜶𝑘 −𝐩∥2 ̂ = arg max 𝐩 ℒ(𝒓|𝐩∗ , 𝜶) ∗ 𝐩 Bài toán trở thành: 𝑠 𝑡 𝒙|𝒑∗ ∼ 𝒩 (𝜇(𝐩∗ ), 𝚲(𝐩∗ )) (5.4) 5.3 Thuật tốn đề xuất Mơ hình tín hiệu trở thành ̃+𝒘 𝒓 = 𝑺(𝐩)𝚽𝜇(𝐩) + 𝑺(𝐩)𝒙 (5.5) ̃|𝐩 ∼ 𝒞𝒩(𝟎, 𝚲(𝐩)) giới thiệu để giải thích cho Với 𝒙 phương sai biên độ SMC độ không tin cậy pha 𝚽 Ta có: ℱ(𝐩∗ ) = max ℒ(𝒓|𝜎𝑛2 , 𝝓, 𝐩∗ ) (5.6) 𝜎𝑛 ,𝝓 Với ̃ ) − (𝒓 − 𝑺(𝐩)𝑴(𝐩)𝝓)𝐻 𝑪 ̃ −1 (𝒓 − ℒ(𝒓|𝜎𝑛 , 𝝓, 𝐩∗ ) = − log det( 𝑪 𝑺(𝐩)𝑴(𝐩)𝝓) (5.7) Trong 𝑴(𝐩) = 𝑑𝑖𝑎𝑔(𝜇(𝐩)) ̃ = 𝜎𝑛2 𝑰 + 𝑺(𝐩)𝚲(𝐩)𝑺𝑯 (𝐩) 𝑪 (5.8) 21 Đầu tiên, tìm pha 𝝓 phương sai nhiễu 𝜎𝑛2 cực đại (5.7), tức ̂ = arg max ℒ(𝒓|𝜎𝑛 , 𝝓, 𝐩∗ ) 𝝓 (5.9) 𝝓 ̂ , 𝐩∗ ) 𝜎̂𝑛 = arg max ℒ(𝒓|𝜎𝑛 , 𝝓 (5.10) 𝜎𝑛 Hãy biểu thị pha biên độ SMC thứ k 𝜑𝑘 Kí hiệu 𝑒 𝑗𝜑𝑘 = 𝑥𝑘 + 𝑗𝑦𝑘 Để tìm pha thứ k, ta sử dụng Lagrange multiplier, nghiệm là: ̃ −1 𝒓 𝜑̂𝑘 = ∠𝒔(𝜏𝑘 )𝑪 (5.20) Một công cụ ước lượng pha gần (nhưng mạnh mẽ hơn) 𝜑̂𝑘 = ∠𝒔(𝜏𝑘 )𝒓 (5.21) Từ (5.7), ta viết: ̂} ̃ ) − 𝑡𝑟𝑎𝑐𝑒 {𝑪 ̃ −1 𝑪 ̃ ℒ(𝒓|𝜎𝑛 , 𝝓, 𝐩∗ ) = − log det( 𝑪 (5.22) ̂ = (𝒓 − 𝑺(𝐩)𝑴(𝐩)𝝓)(𝒓 − 𝑺(𝐩)𝑴(𝐩)𝝓)𝐻 giá ̃ Trong 𝑪 ̃ Theo [96], có: trị 𝑪 ⊥ ̃ ̂} 𝜎̂𝑛 = 𝑡𝑟𝑎𝑐𝑒 {Π𝑺(𝝉) 𝑪 (5.23) 𝑁−𝐾 Trong −1 ⊥ Π𝑺(𝝉) = 𝑰𝑁 − 𝑺(𝝉)(𝑺(𝝉)𝐻 𝑺(𝝉)) 𝑺(𝝉)𝐻 𝜎̂𝑛 tính tốn Bài tốn định vị trở thành ̂ , 𝐩∗ } ̂ = arg max 𝐩 ℒ{𝑟|𝜎̂𝑛 , 𝝓 ∗ 𝐩 (5.24) (5.25) 5.4 Kết Hình 5.2 so sánh LLHF cho hai thuật tốn, SALMA-light thuật toán mới, gọi LHF+GPR LLHF đánh giá vị trí ứng viên nằm đường trịn có bán kính tương ứng với khoảng cách đường truyền thẳng ước lượng [115] Nó thuật tốn có hỗ trợ REM làm giảm số lượng cực đại cục LLHF tìm điểm cực đại xác hơn, giúp cải thiện hiệu suất so với SALMA-light 22 Hình 5.2: Các giá trị LLHF thu sử dụng (a) SALMA-light, (b) LHF + GPR với sigma ước lượng xác theo cơng thức (5.23) Giá trị LLHF điểm đánh giá vẽ mã màu Vòng tròn màu đỏ biểu thị kết ước lượng, vịng trịn màu đen tơ màu biểu thị vị trí thực Hình 5.3: CDF sai số thuật toán sử dụng (a) đoạn 1, 2, 3, để huấn luyện, (b) đoạn 4, 5, để huấn luyện Đường liền nét màu xanh lam màu cam ứng với CDF sai số thu sử dụng SALMA-light LHF+GPR Hình 5.3 cho thấy CDF sai số sau thực thuật toán LHF+GPR sau kiểm tra số lượng VA mà điểm tiềm xét nhìn thấy Khi số lượng SMC sử dụng để ước tính vị trí giảm xuống cịn SMC hữu ích Nó thuật toán đề xuất làm tốt SALMA-light việc giảm lần chọn sai giá trị cực đại Những kết cho thấy thuật tốn đề xuất hoạt động tốt điều kiện khơng có LOS có người chướng ngại vật, thuật toán chưa điều chỉnh để giải cụ thể vấn đề 23 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trong năm gần đây, với phát triển công nghệ định vị mà độ xác giảm xuống cịn mét cm, dự kiến thông tin vị trí, mà trở nên sẵn có thiết bị 5G cao hơn, giúp cung cấp thơng tin mơi trường để khóa ăng-ten nhanh mmWave beamforming để điều chỉnh giao thức truyền thông nhằm tăng hiệu hoạt động Để thực hóa hệ thống thơng tin liên lạc nhận biết vị trí, có số thách thức định Hai số là: đạt nhận thức vị trí mơ hình hóa kênh khơng gian [24] Đạt nhận thức vị trí có nghĩa chuyển giao, hợp nhất, tích hợp cơng nghệ khác nhau, đối phó với lỗi mơi trường khắc nghiệt, v.v Trong mơ hình kênh khơng gian, vấn đề khác cần xem xét, chẳng hạn sai số vị trí, tính thay đổi thống kê kênh cách tiếp cận có cấu trúc dự đốn để xây dựng trì sở liệu Luận án đề cập đến hai thách thức Trong luận văn này, đề xuất tiếp cận hệ thống thông tin liên lạc nhận biết vị trí thơng qua mơ hình kênh đa đường, thành phần SMC xem xét Luận án có ba đóng góp, tức ba câu hỏi / giả thuyết nghiên cứu giải quyết, (H1) thiết kế mơ hình lan truyền cho môi trường cụ thể, (H2) phương pháp dự đốn thống kê kênh vơ tuyến quy mơ lớn (H3) thiết kế thuật toán định vị dựa đa đường sử dụng anchor mạnh mẽ có hỗ trợ thơng tin phụ CQM dự báo H1 nỗ lực để cung cấp cách tiếp cận có cấu trúc việc dự đoán học hỏi CQM H2 phương án giúp dự báo số CQM thông dụng cách nhanh chóng đơn giản, giảm chi phí độ trễ H3 chứng minh tính hữu ích CQM thuật tốn định vị, cụ thể, giúp thuật tốn định vị hoạt động hiệu môi trường lan truyền khắc nghiệt (bị chặn) Trong tương lai, muốn nghiên cứu khả sử dụng REMs cho hệ thống truyền thông không dây sử dụng băng thông rộng hệ thống truyền thông DS-CDMA Một giao thức truyền thơng thích ứng thiết kế để khai thác tài nguyên tốt Chúng muốn tiếp tục hướng nghiên cứu H3 với việc tổ chức thực nghiệm mơi trường có vật cản 24 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN Hong-Anh Nguyen, Michael Rath, Erik Leitinger, Stefan Hinteregger, Van-Khang Nguyen and Klaus Witrisal (2016), “Channel Capacity Analysis of Indoor Environments for Location-Aware Communications,” 2016 IEEE GLOBECOM Workshops (GC Wkshps), Washington DC, USA, ISBN: 978-15090-2482-7, pp.1-6 Hong-Anh Nguyen, Khanh-Hung Nguyen, and Van-Khang Nguyen (2017), “Received signal strength prediction using Gaussian process,” 2017 International Conference on Recent Advances in Signal Processing, Telecommunications and Computing (SigTelCom), Da Nang, Vietnam, ISBN: 978-1-50902291-5, pp.95-97 Hong-Anh Nguyen, Michael Rath, Josef Kulmer, Stefan Grebien, Van-Khang Nguyen and Klaus Witrisal (2018), “Gaussian Process Modeling of UWB Multipath Components,” 7th International Conference on Communications and Electronics (ICCE), Hue, Vietnam, ISBN: 978-1-5386-3679-4, pp 291-296, IEEE Hong-Anh Nguyen, Michael Rath, Erik Leitinger, VanKhang Nguyen, and Klaus Witrisal (2020), “Gaussian Process Modeling of Specular Multipath Components,” Applied Sciences, DOI: 10.3390/app10155216, (ISI Q1) Hong-Anh Nguyen, Van-Khang Nguyen, and Klaus Witrisal, “Amplitude Modeling of Specular Multipath Components for Robust Indoor Localization,” Sensors, DOI: 10.3390/s22020462, (ISI Q2) 25

Ngày đăng: 10/04/2023, 19:34

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan