Modélisation d'un canal minier Ultra Large Bande(UWB) en utilisant les réseaux de neurones Artificiels RBF
Bibliographic record
Abstract
Dans un environnement m1mer, le besoin d'un système de communication fiable est primordial. Ce type d'environnement étant complexe, le déploiement des systèmes de communication nécessite une connaissance parfaite du milieu de propagation. La modélisation d'un canal présente une matière très intéressante dans le domaine de recherche, et elle a été traitée dans plusieurs travaux en se basant sur des modèles traditionnels permettant de déterminer le comportement du canal de propagation selon des modèles analytiques, empiriques ou stochastiques. Dans notre projet d'étude, on s'intéresse à la modélisation du canal ultra-large bande (Ultra-Wide band UWB) dans un environnement minier en se basant sur une méthode différente des méthodes traditionnelles ; l'utilisation des réseaux de neurones artificiels RBF (réseaux à fonction de base radiale). Le canal de transmission UWB est un canal à trajets multiples, surtout au cas des applications à l'intérieur. Dans notre recherche, on s'est basé sur des mesures réalisées par LR TCS dans la mine CANMET à V al d'or située à 500km au nord de Montréal, Canada. Ces mesures ont servi comme base de données pour entrainer et créer l'architecture du réseau de neurones RBF. Dans un travail antérieur, la modélisation du canal en utilisant les réseaux de neurones est réalisée, mais en utilisant les réseaux de neurones multicouches MLP (Multi Layer Perceptron), et en s'intéressant seulement à l'affaiblissement de parcours en visibilité directe (line of sight, LOS). Dans ce travail, nous nous sommes intéressés à estimer l'affaiblissement du parcours1 (Path Joss) sur toute la bande UWB, et la phase du signal reçu, en considérant les deux types de trajets : en visibilité directe (LOS) et en visibilité non directe (non line of sight, NLOS). Les résultats obtenus montrent la capacité de ce type de réseau à modéliser le canal UWB dans un environnement minier avec une haute précision.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".