[pt] O transporte de voz continua crescendo nos sistemas de comunicações atuais, progredindo de um serviço específico numa determinada localização para um serviço mais pessoal, com a grande maioria das pessoas possuindo um telefone móvel. O transporte de dados é a área de maior desenvolvimento que, através da introdução do IP (acesso Internet), irá permitir diversas oportunidades de negócios. Transmissão de dados e outras aplicações serão a chave para novos rendimentos. Diversos serviços, principalmente para transporte IP, têm sido desenvolvidos, operando em freqüências mais altas que a de sistemas celulares atuais. Dentre elas existe uma aplicação específica da banda de 3,5 GHz para sistemas FWA (Fixed Wireless Access). Neste sentido, destaca-se a importância do estudo do comportamento de um sinal eletromagnético na freqüência de 3,5 GHz principalmente em ambientes urbanos. Este estudo foi desenvolvido neste trabalho e constituiu-se de uma campanha de medições de intensidade de campo nesta freqüência específica realizada em dois ambientes de características diferentes dentro da cidade do Rio de Janeiro. Um laboratório de medidas móveis foi montado e o nível de sinal recebido de uma transmissão fixa foi medido em diversas ruas destes ambientes. Resultados de perda de percurso em função da distancia foram obtidos e comparados com os modelos mais usuais de predição de cobertura. Além disto as características de variabilidade do nível de sinal recebido foram também medidas e suas estatísticas comparadas com distribuições de probabilidade conhecidas. Resultados obtidos no trabalho sugerem novos modelos de predição de perda de percurso e novas distribuições estatísticas principalmente para parâmetros sistêmicos como taxa de cruzamento de nível e duração média de desvanecimento. / [en] Voice transport stills emerging in modern communication systems, going ahead from a specific located service to a more personal, with most of people having a mobile phone. Data transport is the development area that, through the Internet Protocol (IP), will allow a lot of opportunities on the business market. Data and the new applications that will emerge will be the key to new yields in wireless communications. A lot of data transport services through IP are being developed, operating on a frequency band higher than the one used by the existent cellular mobile systems. Actually there are a lot of emerging FWA (Fixed Wireless Access) services in the 3.5 GHz band with support to IP. Then, the study of the behaviour of an electromagnetic signal in 3.5 GHz is a very important issue because new and important applications are emerging and being developed in this band. In order to carry out this task, a fixed to mobile link was assembled and a lot of experimental work was performed on two different sites of Rio de Janeiro city. The results presented in this work deal with path- loss measurements for coverage prediction and the study of received signal variability essential on system parameter determination. The results are compared with the most popular empirical and statistical models in the literature. The conclusion of this work suggest that new prediction models for path-loss determination and new distribution functions are needed mainly for systems parameters like level crossing rate (LCR) and average fading duration (AFD). / [es] EL transporte de voz continúa creciendo en los sistemas de comunicaciones actuales, llendo de un servicioo específico en una determinada localización para un servicio más personal, donde la gran mayoría de los individuos posean un teléfono móvil. El transporte de datos es el área en desarrollo que, a través de la introducción del IP (acceso Internet), abrirá diversas oportunidades de negocios. la transmisión de datos y otras aplicaciones serán un punto clave para nuevos rendimientos. Diversos servicios, principalmente para transporte IP, han sido desarrollados, operando en frecuencias más altas que la de sistemas celulares actuales. Dentro de ellas, existe una aplicación específica de la banda de 3,5 GHz para sistemas FWA (Fixed Wireles Acces). En este sentido, es de destacar, la importancia del estudio del comportamiento de una seña eletromagnética en frecuencia de 3,5 GHz principalmente en ambientes urbanos. Este estudio fue desarrollado en el marco de este trabajo y está constituido por una campaña de mediciones de intensidad de campo en esta frecuencia específica realizada en dos ambientes de características diferentes en la cidad del Rio de Janeiro. Se montó un laboratorio de medidas móviles y el nivel de la señal recibido de una transmisión fija fue medido en diversas calles de estos ambientes. Se obtuvieron resultados de pérdida de recorrido en función de la distancia. Éstos fueron comparados con los modelos más usuales de predicción de cobertura. Se midieron además, las características de variabilidad del nivel de la señal recibida y sus estadísticas se fueron comparadas con las distribuciones de probabilidad conocidas. Los resultados obtenidos en este trabajo sugieren nuevos modelos de predicción de pérdida de recorrido y nuevas distribuciones estadísticas principalmente para parámetros sistémicos como tasa de cruzamiento de nível y duración media de desvanecimiento.

[pt] A óptica de espaço livre (FSO), inicialmente estudada na década de 60, está atraindo atenção no contexto dos sistemas 5G+, que exige tecnologias de back-hauling sem fio com taxas de dados extremamente altas em distâncias de poucos quilômetros. A atual falta de um modelo global de perda de percurso para FSO motiva o estudo do comportamento do enlace óptico sob diferentes condições atmosféricas. Esta tese trata do desenvolvimento de modelos para prever a atenuação devido a neblina e chuva para projetar enlaces FSO em tecnologias 5G e além. Estudamos os bancos de dados de medições de superfície disponíveis em todo o mundo como referência para analisar as respostas do FSO considerando os dados disponíveis de longo prazo e descobrimos que o maior impacto na visibilidade em todo o mundo é causado por neblina, neve e chuva. Assim, selecionamos neblina e chuva como o foco deste estudo. Vários modelos de perda de percurso, baseados na visibilidade, são avaliados através de uma abordagem analítica. Propomos modelos de limite inferior e superior para estimar a atenuação específica devido ao nevoeiro considerando incertezas quanto à sensibilidade da atenuação específica, gama, em função da visibilidade em 1.550 micrômetros e o melhor ajuste aos resultados do modelo microfísico. Com relação à atenuação causada pela chuva, estudamos modelos disponíveis na literatura para enlaces de micro-ondas e os modificamos para aplicação em enlaces FSO. Quando os efeitos de espalhamento múltiplo são considerados, foi encontrada uma redução significativa na atenuação da chuva. Construímos a partir dos modelos, um método para combinar estatisticamente a atenuação em enlaces FSO causada por diferentes condições climáticas. O desempenho dos enlaces ópticos é avaliado em termos do máximo comprimento do enlace em relação à disponibilidade sob quatro condições climáticas: (i) somente chuva, (ii) somente neblina, (iii) chuva e neblina, e (iv) e todas as condições. Finalmente, eventos experimentais para os enlaces FSO e mmWave implementados no campus Leonardo do Politecnico di Milano são classificados e analisados dependendo do efeito atmosférico estudado: chuva estratiforme, chuva convectiva, chuva leve, vento, neblina pesada, neve e outros. / [en] Free-space optics (FSO), initially studied in the 60s, is attracting attention in the frame of 5G+ systems, which demands wireless back-hauling technologies with extremely high data rates over distances up to a few kilometers. The current lack of a global path loss model for FSO motivates studying the optical link s behavior under different atmospheric conditions. This thesis deals with the development of models for predicting the attenuation due to fog and rain for designing FSO links in 5G and beyond technologies. We study extensive surface measurement databases worldwide as a benchmark for analyzing FSO responses considering available long-term data. We find that the highest impact on visibility worldwide is caused by fog, snow, and rain. Thus, we select fog and rain as the focus of this study. Several path loss models based on visibility are assessed. We propose lower and upper-bound models to estimate the specific attenuation, gamma, due to fog which considers uncertainties as the sensitivity of gamma to the visibility at 1.550 µm and a micro-physical model of fog. Regarding attenuation caused by rain, we study models available in the literature for microwave links and modify them for application to FSO. When the multiple scattering effects are considered, a significant reduction in the rain attenuation has been found. From the findings, we build a method to statistically combine the attenuation effects on FSO caused by different weather conditions. The performance of FSO links is assessed in terms of the maximum link range against availability under four weather conditions: (i) rain only, (ii) fog only, (iii) rain and fog, and (iv) all conditions. Finally, experimental events for FSO and mmWave links implemented at Leonardo Campus of Politecnico di Milano are classified and analyzed depending on the studied atmospheric effects: stratiform rain, convective rain, light rain, wind, heavy fog, snow, and others.

[pt] A perda de percurso (PL) é um parâmetro essencial em modelos de propagação e crucial na determinação da área de cobertura de sistemas móveis. Os métodos de aprendizado de máquina (ML) tornaram-se ferramentas promissoras para a previsão de propagação de rádio. No entanto, ainda existem alguns desafios para sua implantação completa, relacionados à seleção das entradas mais significativas do modelo, à compreensão de suas contribuições para as previsões do modelo e à avaliação adicional da capacidade de generalização para amostras desconhecidas. Esta tese tem como objetivo projetar modelos de PL baseados em ML otimizados para diferentes aplicações das tecnologias 5G e além. Essas aplicações abrangem links de ondas milimétricas (mmWave) para ambientes indoor e outdoor na faixa de frequência de 26,5 a 40 GHz, cobertura de macrocélulas no espectro sub-6 GHz e comunicações veiculares usando campanhas de medições desenvolvidas em CETUC, Rio de Janeiro, Brazil. Vários algoritmos de ML são explorados, como redes neurais artificiais (ANN), regressão de vetor de suporte (SVR), floresta aleatória (RF) e aumento de árvore de gradiente (GTB). Além disso, estendemos dois modelos empíricos para mmWave com previsão de PL melhorada. Propomos uma metodologia para seleção robusta de modelos de ML e uma metodologia para selecionar os preditores mais adequados para as máquinas consideradas com base na melhoria de desempenho e na interpretabilidade do modelo. Além disso, para o canal veículo-veículo (V2V), uma técnica de rede neural convolucional (CNN) também é proposta usando uma abordagem de aprendizado por transferência para lidar com conjuntos de dados pequenos. Os testes de generalização propostos mostram a capacidade dos modelos de ML de aprender o padrão entre as entradas do modelo e a PL, mesmo em ambientes e cenários mais desafiadores de amostras desconhecidas. / [en] Path loss (PL) is an essential parameter in propagation models and critical in determining mobile systems’ coverage area. Machine learning (ML) methods have become promising tools for radio propagation prediction. However, there are still some challenges for its full deployment, concerning to selection of the most significant model s inputs, understanding their contributions to the model s predictions, and a further evaluation of the generalization capacity for unknown samples. This thesis aims to design optimized ML-based PL models for different applications for the 5G and beyond technologies. These applications encompass millimeter wave (mmWave) links for indoor and outdoor environments in the frequency band from 26.5 to 40 GHz, macrocell coverage in the sub-6 GHz spectrum, and vehicular communications using measurements campaign carried out by the Laboratory of Radio-propagation, CETUC, in Rio de Janeiro, Brazil. Several ML algorithms are exploited, such as artificial neural network (ANN), support vector regression (SVR), random forest (RF), and gradient tree boosting (GTB). Furthermore, we have extended two empirical models for mmWave with improved PL prediction. We proposes a methodology for robust ML model selection and a methodology to select the most suitable predictors for the machines considered based on performance improvement and the model’s interpretability. In adittion, for the vehicle-to-vehicle (V2V) channel, a convolutional neural network (CNN) technique is also proposed using a transfer learning approach to deal with small datasets. The generalization tests proposed shows the ability of the ML models to learn the pattern between the model’s inputs and PL, even in more challenging environments and scenarios of unknown samples.

[pt] A perda de percurso (PL) é um parâmetro essencial em modelos de propagação e crucial na determinação da área de cobertura de sistemas móveis. Osmétodos de aprendizado de máquina (ML) tornaram-se ferramentas promissoras para a previsão de propagação de rádio. No entanto, ainda existem algunsdesafios para sua implantação completa, relacionados à seleção das entradasmais significativas do modelo, à compreensão de suas contribuições para asprevisões do modelo e à avaliação adicional da capacidade de generalizaçãopara amostras desconhecidas. Esta tese tem como objetivo projetar modelosde PL baseados em ML otimizados para diferentes aplicações das tecnologias5G e além. Essas aplicações abrangem links de ondas milimétricas (mmWave)para ambientes indoor e outdoor na faixa de frequência de 26,5 a 40 GHz,cobertura de macrocélulas no espectro sub-6 GHz e comunicações veicularesusando campanhas de medições desenvolvidas em CETUC, Rio de Janeiro,Brazil. Vários algoritmos de ML são explorados, como redes neurais artificiais(ANN), regressão de vetor de suporte (SVR), floresta aleatória (RF) e aumentode árvore de gradiente (GTB). Além disso, estendemos dois modelos empíricospara mmWave com previsão de PL melhorada. Propomos uma metodologiapara seleção robusta de modelos de ML e uma metodologia para selecionar ospreditores mais adequados para as máquinas consideradas com base na melhoria de desempenho e na interpretabilidade do modelo. Além disso, para o canalveículo-veículo (V2V), uma técnica de rede neural convolucional (CNN) também é proposta usando uma abordagem de aprendizado por transferência paralidar com conjuntos de dados pequenos. Os testes de generalização propostosmostram a capacidade dos modelos de ML de aprender o padrão entre as entradas do modelo e a PL, mesmo em ambientes e cenários mais desafiadoresde amostras desconhecidas. / [en] Path loss (PL) is an essential parameter in propagation models and critical in determining mobile systems coverage area. Machine learning (ML) methods have become promising tools for radio propagation prediction. However, there are still some challenges for its full deployment, concerning to selection of the most significant model s inputs, understanding their contributions to the model s predictions, and a further evaluation of the generalization capacity for unknown samples. This thesis aims to design optimized ML-based PL models for different applications for the 5G and beyond technologies. These applications encompass millimeter wave (mmWave) links for indoor and outdoor environments in the frequency band from 26.5 to 40 GHz, macrocell coverage in the sub-6 GHz spectrum, and vehicular communications using measurements campaign carried out by the Laboratory of Radio-propagation, CETUC, in Rio de Janeiro, Brazil. Several ML algorithms are exploited, such as artificial neural network (ANN), support vector regression (SVR), random forest (RF), and gradient tree boosting (GTB). Furthermore, we have extended two empirical models for mmWave with improved PL prediction. We proposes a methodology for robust ML model selection and a methodology to select the most suitable predictors for the machines considered based on performance improvement and the model s interpretability. In adittion, for the vehicle-to-vehicle (V2V) channel, a convolutional neural network (CNN) technique is also proposed using a transfer learning approach to deal with small datasets. The generalization tests proposed shows the ability of the ML models to learn the pattern between the model’s inputs and PL, even in more challenging environments and scenarios of unknown samples.