Αυτή η εργασία μελετά ένα νέο σύστημα οπτικών επικοινωνιών LiFi για την
εκτίμηση της τρισδιάστατης θέσης και του προσανατολισμού των συσκευών
των χρηστών, με βάση συλλεγμένα, επισημασμένα και ελεγμένα δεδομένα,
χρησιμοποιώντας προσεγγίσεις τεχνητών νευρωνικών δικτύων που βασίζονται
σε πυρήνα. Περιγράφονται τόσο η συλλογή και η επισήμανση ενός συνόλου
δεδομένων, όσο και τα χρησιμοποιούμενα μοντέλα. Παρουσιάζονται οι
αλγόριθμοι ANN, όπως CNN, MLP και SVM και τα αποτελέσματα συγκρίνονται
με αυτά του KNN ως προς την απόδοση, όπως ο χρόνος που χρησιμοποιείται,
ο ρυθμός σφάλματος bit, η ακρίβεια και το μέσο σφάλμα εκτίμησης.
Η όλη διαδικασία χωρίστηκε σε διάφορα στάδια, όπως συλλογή δεδομένων,
μοντέλο εκπαίδευσης και έλεγχο. Στη διαδικασία συλλογής δεδομένων
χρησιμοποιείται κώδικας MATLAB που βασίζεται σε εκτίμηση γωνίας
περιστροφής, περικομμένη κατανομή Laplace με βάση τόσο το LOS όσο και το
NLOS, ενώ το μοντέλο εκπαίδευσης περιλαμβάνει την επιλογή του καλύτερου
μοντέλου απεικόνισης για την επίτευξη βέλτιστης απόδοσης όσον αφορά τη
θέση, τις γωνίες προσανατολισμού του εξοπλισμού χρήστη και το
λαμβανόμενο SNR διάνυσμα. Στη φάση του ελεγχου, είναι προφανές ότι τα
μοντέλα τροφοδοτούνται από άγνωστα και ανεξερεύνητα δεδομένα και στη
συνέχεια εκτιμάται η ορθότητα των αποτελεσμάτων.
(EL)
This Thesis studies a novel LiFi optical communication system, the 3D position and orientation of users’ devices depending on collected, labelled, and tested dataset by using kernel-based Artificial Neural Network approaches. Both the collection and labelling of a dataset and the used models are explained. The ANN algorithms such as CNN, MLP, and SVM are presented and the results are compared with KNN output in terms of performance, such as utilized time, bit error rate, accuracy, and average estimate error.
The whole process was divided into several steps like data collection, training model, and testing. The data collection process utilizes MATLAB code based on rotation angle estimation, truncated Laplace distribution considering both LOS and NLOS, while the training model includes choosing the best mapping model to reach optimal output in terms of positioning, orientation angles of user equipment, and received SNR vector. In the testing phase, it is obvious that models are fed by unseen and unexplored data and then the correctness of results is estimated.
(EN)
/aggregator-openarchives/portal/institutions/uoa
