UNIVERSIDADE FEDERAL FLUMINENSE DEPARTAMENTO DE ENGENHARIA DE TELECOMUNICAÇÕES Redes Neurais Artificiais Aplicadas na Predição de Cobertura de Sinal Rádio VHF em Terreno Acidentado Ericson Tannus Bittencourt - Petrobrás Gilbert Ponciano Ferreira UFF Ângelo Canavitsas - Petrobrás Emanoel Costa PUC/RJ Leni Joaquim de Matos UFF João Marcos Meirelles da Silva - UFF
Motivação Objetivo Medições Valores Teóricos Redes Neurais Artificiais Desempenho dos Métodos Comparação Final dos Resultados 2
Propagação Otimizar a predição de cobertura; Reduzir interferências entre sistemas; Propor alternativas ao métodos tradicionais. 3
Realizar medições em campo, a fim de verificar o desempenho dos métodos da ITU-R para cálculo de difração em uma determinada região do RJ/Brasil; Utilizar as Redes Neurais Artificiais para predição de cobertura e comparar com métodos já consagrados. 4
Santa Cruz: Região propícia à ocorrência de Difrações; Base Aérea de Santa Cruz (BASC); Facilidades; Frequência escolhida: 150 MHz. Distância percorrida: Aproximadamente 30 km; 5
Medições feitas em duas etapas: 2009 e 2010; Procedimentos: A antena receptora foi instalada na viatura da BASC; Os dados do Analisador de Espectro e do GPS foram coletados para serem processados no computador. A cada medida a viatura encontrava-se parada. 6
Ao todo foram realizadas 72 medidas. Foi gerada uma planilha contendo as informações de localização, distância à transmissora, data, potência recebida, entre outras. 7
Para a definição do grau de obstrução, foi utilizado o programa disponibilizado pela Anatel, o SigAnatel, para visualização do perfil do enlace. 8
A partir da planilha com os dados consolidados, foi possível criar o gráfico com o comportamento da curva ao longo do percurso. 9
Para o cálculo dos valores teóricos, foram utilizados métodos contidos na ITU-R: Deygout Gume de Faca Bullington Epstein-Peterson Considerando apenas as atenuações causadas pelo Espaço Livre e pela Difração. Pr(dBm) = EiRP A 0 - A d 10
Como base comparativa destes valores, utilizamos a ferramenta de predição que, além de considerar as perdas citadas no slide anterior, inclui outros parâmetros no cálculo de cobertura, como exemplo, morfologia. Pr(dBm) = EiRP A 0 A d ΣA 11
Aplicação no trabalho proposto Software para simulação ão: Matlab 2010; Tipo de Rede: Backpropagation; Dados de Entrada: a distância de cada um dos 56 pontos medidos e o grau de obstrução definido; Dados de Saída da: a potência medida em cada ponto. Número de Neurônios utilizados: 20 12
Divisão do treinamento: Treinamento: a rede escolhe aleatoriamente os dados; Validação ão: verifica a capacidade da rede de generalização; Teste: análise de desempenho 13
Foram realizados 3 treinamentos e escolhido o que obteve o menor desvio em relação à curva de pontos medidos. 14
Foi criada uma tabela consolidando todos os valores teóricos e da RNA. Em seguida foi gerado o gráfico comparativo de todos os dados vistos até agora. Medido RNA CelPlan c/ Morfologia CelPlan s/ Morfologia Deygout Gume de Faca Bullington Epstein Peterson Distância do TX (m) Espaço Livre (db) Pr (dbm) Pr (dbm) Pr (dbm) Pr (dbm) Pr (dbm) Pr (dbm) Pr (dbm) Pr (dbm) 1 45 49,12-3,45-18,15-3,62-3,62-11,23-5,59-11,23-5,59 2 66 52,33-9,37-19,19-39,61-6,83-14,39-8,19-14,39-8,19 3 111 56,90-27,46-21,38-49,25-22,03-18,73-12,41-18,73-12,35 15
16
Conclusões Métodos da ITU-R Não se adequaram bem à região estudada dando valores otimistas, porém dentro da margem aceita de 10 db; Considerando a utilização de uma ferramenta de predição comercial, com informações de morfologia chegamos a valores mais realistas, sendo suficiente para a predição. Redes Neurais Resultado positivo, se adequando bem à curva na maioria dos pontos analisados. Necessários mais estudos e novas medições para verificar o comportamento em toda a região estudada, em novas regiões similares, alterando os parâmetros técnicos e em outras faixas de frequências. 17
Trabalhos Futuros Realizar novas medições com mais pontos na mesma região estudada com o objetivo de expandir novos percursos aproveitando a topologia do local. Diminuir a quantidade de dados para o treinamento da RNA, verificando o desempenho conforme a quantidade varia, até que seja atendida eficiência desejada. Testar outros modelos de RNA para que possamos comparar o desempenho de cada tipo de rede e caracterizar qual delas são recomendadas para este tipo de aplicação. 18
Perguntas? 19
Obrigado! jmarcos@telecom.uff.br 20