Gaussian processes (GPs) as a Bayesian regression method have been around for some time. Since proven advant-ageous for sparse and noisy data, we explore the potential of Gaussian process regression (GPR) as a tool for estimating radiochannel characteristics. Specifically, we consider the estimation of a time-varying continuous transfer function from discrete samples. We introduce the basic theory of GPR, and employ both GPR and its deep-learning counterpart deep Gaussian process regression (DGPR)for estimation. We find that both perform well, even with few samples. Additionally, we relate the channel coherence bandwidth to a GPR hyperparameter called length-scale. The results show a tendency towards proportionality, suggesting that our approach offers an alternative way to approximate the coherence band-width. / Gaussiska processer (Gaussian processes, GPs) har länge använts för Bayesiansk regression. Då de visat sig fördelaktiga för gles och brusig data utforskar vi möjligheterna för GP-regression (Gaussian process regression, GPR) som ett verktyg för att estimera egenskaper hos radiokanaler.I synnerhet betraktas skattning av en tidsvarierande överföringsfunktion utifrån diskreta samplingar. Vi presenterar den grundläggande teorin kring GPR, och använder både GPR och dess djupinlärningsmotsvarighet DGPR (deep Gaussian process regression) för skattning. Båda ger goda resultat, även när samplingarna är få. Utöver detta så relaterar vi koherensbandbredden hos en radiokanal till en hyperparameter i GPR-modellen. Resultaten visar på en tendens till proportionalitet, vilket antyder att vår metod kan användas som ett alternativt sätt att approximera koherensbandbredden. / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-289449 |
| Date | January 2020 |
| Creators | Ottosson, Anton, Karlstrand, Viktor |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2020:166 |
Page generated in 0.0017 seconds