Enhanced Indoor Path Loss and RSRP of 5G mmWave Communication System with Multi-objective Genetic Algorithm
Notice bibliographique
Résumé
The signal strength in 5G mobile communication systems is significantly influenced by the surroundings, with key factors including the path difference, operating frequency, and obstructions at specific locations. Consequently, planning a communication system that can deliver improved signal strength becomes highly challenging. To address this issue, indoor path loss models are employed to estimate signal loss in different environments, frequencies, and distances. This paper introduces an intelligent multi-objective genetic algorithm aimed at enhancing path loss and received signal power. A comparative analysis is conducted to evaluate the performance of the proposed intelligent optimization algorithm against the traditional approach. The path loss and received power of various scenarios are estimated using various path loss models. The 5GCM indoor officce, 5GCM InH shopping mall, 3GPP TR 38.91 InH office, mmMAGIC InH office, METIS InH shopping mall, and IEEE 802.11 ad InH office indoor path loss models estimates the path loss of 62.37 dB, 62.15 dB, 63.12 dB, 50 dB, 55.18 dB, and 52.89 dB in traditional approach and 36.87 dB, 35.86 dB, 36.84 dB, 68.80 dB, 36.23 dB and 33.94 dB using GA approach and received powers of $$-12.17~dBm, -11.37~dBm, -12.17~dBm, -5.80~dBm,$$ $$-12.24~dBm$$ and $$-8.68~dBm$$ in traditional approach and 26.13 dBm, 27.14 dBm, 26.15 dBm, $$-5.80~dBm$$ , 26.75 dBm and 29.05 dBm using GA approach repectively. The 5GCM and 3GPP models produces the path loss difference above 25 dB and mmMAGIC, METIS and IEEE models produces a path loss below 19 dB. Except mmMAGIC model, all models produces the recceiver power difference above 37 dBm. Therefore, the highest path loss difference of 26 dB is observed in 5GCM InH shopping mall model and the highest reccieved power difference of 39.01 dBm is observed in METIS InH shopping mall model. The results clearly demonstrate that the proposed intelligent optimization approach outperforms the traditional approach across various indoor scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».