本稿では、最適な信号カバレッジを達成するのに役立つアンテナの位置や向きなど、5Gインフラの最適な配備のための機械学習の適用について検討する。これにより、現場での測定や大規模なソフトウェアシミュレーションを行う必要がなくなる。多変量回帰（MR）とニューラルネットワーク（NN）モデルを適用して、屋内環境における信号カバレージを予測する。その結果、60GHzの動作周波数において、NNを使用した場合の平均予測誤差は7dBであったのに対し、MRを使用した場合の誤差は6dB以下であった。この調査におけるユニークな点は、屋内信号カバレージを予測するためにクラスタリング・アルゴリズムとNN機械学習モデルを統合したことである。
出版物
本論文では、EESの新しい光線散乱モデルの精度を検証するために実施した伝搬実験の結果を示す。
探索 リソース
出版物
本論文では、デジタル画像処理、幾何光学、輸送理論を用いて、室内経路損失の高速かつ近似的な予測方式を開発する。
探索 リソース