Spelling suggestions: "subject:"power densityprofile"" "subject:"power sprayprofilen""
1 |
Simulation, Analysis and Detection of Indoor Multipath Fading Channels Using an SVM ClassifierCalatrava, Helena, Lindgren, Mimmi January 2020 (has links)
Nowadays, identification of fake data is an elaboratechallenge that calls for the use of machine learning techniques.This is due to the huge amount of data and its complexity makesthe differences indistinguishable even for the trained eye. In thisproject we use the MATLAB wlanTGnChannel System objectto simulate multipath fading channels that are comparable toreal impulse response measurements made by Ericsson AB of anindoor8×8MIMO (Multiple Input Multiple Output) system.We use an SVM classifier to compare the eigenvalues of theircorrelation covariance matrices, obtaining an accuracy of 84%.Comparing their power delay profiles (PDPs) happens to bea classification task of low complexity due to time resolutionlimitation in the real measurements. We suggest that the proposedMATLAB model strongly differs from the real data we have beenprovided with. / Nu för tiden så är identifiering av fejkad data en svår utmaning som ofta kräver maskininlärningstekniker. Detta beror på den stora mängden data och att komplexiteten i datat gör att skillnaderna kan vara svår att se även för ett tränat öga. I det här projektet använder vi oss av MATLABs systemobjekt wlanTGnChannel för att simulera flervägs fädningskanaler som kan jämföras med riktiga impulssvarsmätningar gjorda av Ericsson AB av ett innomhus 8 X 8 MIMO(Multiple Input Multiple Output) system. Vi använde en SVM (stödvektormaskins) klassificerare för att jämföra egenvärdena av deras korrelationskovariansmatriser, vilket erhåller en noggranhet på 84%. Att jämföra deras power delay profiles (PDP) råkar vara ett klassificeringsproblem av låg svårighetsgrad på grund av tidsupplösningsbegränsningar för de riktiga mätningarna. Vi vill påstå att den tilltänkta MATLAB- modellen aviker mycket från den givna datan. / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm
|
Page generated in 0.0371 seconds