Machine Learning-Based Underground Mine Path Loss Prediction Using mm-Wave Massive MIMO Measurements
Notice bibliographique
Résumé
Accurate path loss (PL) modeling in complex environments, such as underground mines, is essential for the deployment of the next-generation wireless networks. This article presents a deep neural network (DNN)-based approach to predict path loss using massive multiple-input multiple-output (MIMO) propagation measurements at 28 GHz within an underground mine environment. Compared to traditional empirical models, including log-distance and multislope methods, the proposed DNN model demonstrates superior predictive accuracy, achieving a root mean squared error (RMSE) of 1.46 dB and a correlation of 99.17%, effectively capturing the intricate propagation characteristics of the environment. Building on the 28-GHz model, this study explores the generalization of the DNN model to other frequencies, such as 26 and 38 GHz, with minimal additional measurements. The generalization process begins by incorporating free-space (FS) path loss data at both 28 GHz and the target frequency, providing a foundational understanding of frequency-dependent behavior. Subsequently, the model is refined using a subset (5%) of target frequency measurements, resulting in improved predictive performance, with RMSE values of 2.23 dB for 26 GHz and 2.86 dB for 38 GHz. Finally, a conditional generative adversarial network (cGAN) is employed to generate synthetic data, enabling the model to learn from an augmented dataset and further enhance its accuracy without requiring extensive real measurements. This approach achieves RMSE values of 1.64 dB for 26 GHz and 2.02 dB for 38 GHz. This multistage framework demonstrates the capability of the DNN model to generalize across frequencies and adapt to challenging scenarios with limited resources, offering a scalable and practical solution for wireless communication challenges in complex environments.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».