Modélisation avec les réseaux de neurones d'un canal UWB dans un environnement minier souterrain

Le canal de transmission joue un rôle majeur dans un système de communication, car il peut constituer un obstacle à la transmission fiable de l'information. L'étude de la propagation des signaux se fait généralement à partir de la modélisation de ce canal, dans ce mémoire de maîtrise nous sommes particulièrement intéressés à la modélisation de canal minier UWB en utilisant les réseaux de neurones. L'UWB est une technologie sans fil caractérisée par un grand débit, une faible densité et une réponse de canal sélective dans le domaine fréquentiel. Ainsi, le canal de transmission UWB est généralement un canal à trajets multiples, utilisé principalement pour les applications à l'intérieur. Dans notre cas nous allons nous baser sur les mesures faites par le laboratoire de recherche en communication souterrain (LRTCS) dans la mine CANMET à Val d'Or située à 500 km au nord de Montréal, Canada. Ces mesures ont été effectuées dans deux galeries différentes au niveau 70m et 40m sous terrains. Les techniques traditionnelles permettant de déterminer le comportement du canal selon des modèles analytiques compliqués et nécessitent beaucoup de temps. Aussi, l'étude au milieu minier est difficile et même parfois, elle est dangereuse, c'est pour cette raison que nous avons retenu une nouvelle méthode plus facile et plus efficace se basant sur les réseaux de neurones. Les réseaux de neurones (RN) permettent de modéliser des problèmes complexes dans différents domaines. Contrairement aux modèles statistiques, les RN sont capables de découvrir la forme de la fonction qui lie les variables d'entrées aux variables de sorties à l'aide de mise à jour, des valeurs de ses poids à l'apprentissage. Pendant notre travail nous nous sommes intéressés particulièrement à la variation de puissances reçues en fonction de distance et de fréquences. Autant, la fréquence varie entre 3GHz et lOGHz, et autant la distance varie aussi entre 1 et 10 mètres. Nous avons construit un modèle de neurones de type perceptron multicouches se basant sur la méthode de rétropropagation pour l'apprentissage de réseaux. D'ailleurs, la phase la plus importante dans la construction d'un modèle neuronale est de déterminer les entrées et les sorties de ce dernier. Ensuite, par comparaison entre les résultats que nous avons obtenus par le modèle neuronal et les valeurs mesurées, nous remarquons que notre modèle est capable de prédire correctement la variation de puissance reçue de canal UWB minier pour deux galeries différentes ce qui montre que le réseau de neurones est une solution réalisable pour la modélisation du canal de transmission minier.

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.