Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Agata Kalenik

Głębokie sieci neuronowe wykorzystujące modele fizyczne do symulacji propagacji fal radiowych


Physics Informed Deep Neural Networks for Radio Wave Propagation Modelling


Opiekun pracy dyplomowej: dr inż. Piotr Korbel prof. ucz.
Dodatkowy opiekun pracy dyplomowej: dr hab inż. Sławomir Hausman prof. ucz.

Praca dyplomowa magisterska obroniona 2023-03-23
Streszczenie pracy dyplomowej:
Modele propagacji fal radiowych są kluczowe dla planowania i zarządzania systemami komunikacji bezprzewodowej. Tradycyjne metody symulacji strat sygnału są czaso- i pracochłonne. Ostatnie postępy w dziedzinie technik uczenia maszynowego, zwłaszcza sieci neuronowe wykorzystujące prawa fizyki, mogą usprawnić ten proces. Celem tej pracy było zbadanie potencjalnego zastosowania głębokich sieci neuronowych (DNN) wykorzystujących modele fizyczne do symulacji propagacji fal radiowych. Opracowane modele bazują na wynikach równania transmisji Friisa w wolnej przestrzeni do nauki sieci mechanizmów fal elektromagnetycznych. Praca bada wpływ dodania inspirowanej fizyką bazy danych do funkcji kosztu oraz uwzględnieniem jej jako danych wejściowych wraz z geometrią pomieszczenia i położeniem nadajnika. Uzyskane wyniki dowodzą, że włączenie modeli fizycznych na wejściu sieci poprawia dokładności DNN w przewidywaniu map propagacji w porównaniu z sieciami bez wiedzy fizycznej. Słowa kluczowe: Uczenie maszynowe, propagacja fal radiowych, głębokie sieci neuronowe, utrata ścieżki radiowej, tłumienie wolnej przestrzeni (FSL)
Abstract:
Path loss prediction models are crucial for wireless communication system planning and management. While traditional propagation solvers are time- and labour-intensive, recent advances in deep learning techniques, particularly physics based neural networks, show promise for improving this process. The aim of the thesis was to investigate the potential of Physics-Informed Deep Neural Networks as path loss solvers for indoor scenarios. The developed models integrate the Friis transmission equation results to assist the neural network in learning the underlying physics laws. The thesis examines the impact of integrating this physics-inspired database into the cost function of the Deep Neural Network and including it as input alongside conventional inputs like a room geometry and transmitter location. The results showed that incorporating the laws of physics as input leads to improved accuracy of DNNs in predicting propagation maps compared to networks without physical insight. Keywords: Machine learning, radiowave propagation, deep neural network, path loss, Free Space Loss