Analysis of deep learning based path loss prediction from satellite images
| dc.authorid | 0000-0002-6842-1528 | |
| dc.authorid | 0000-0003-0779-9620 | |
| dc.contributor.author | Alam, Muhammad Zeshan | |
| dc.contributor.author | Ateş, Hasan Fehmi | |
| dc.contributor.author | Baykaş, Tunçer | |
| dc.contributor.author | Güntürk, Bahadır Kürşat | |
| dc.date.accessioned | 2021-08-13T07:02:25Z | |
| dc.date.available | 2021-08-13T07:02:25Z | |
| dc.date.issued | 2021 | |
| dc.department | İstanbul Medipol Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Elektrik ve Elektronik Mühendisliği Bölümü | |
| dc.department | İstanbul Medipol Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Bilgisayar Mühendisliği Bölümü | |
| dc.description.abstract | Determining the channel model parameters of a wireless communication system, either by measurements or by running electromagnetic propagation simulations, is a time-consuming process. Any rapid deployment of network demands faster determination of at least major channel parameters. In this paper, we investigate the idea of using deep convolutional neural networks and satellite images for channel parameters (i.e., path loss exponent $n$ and shadowing factor sigma) prediction in a cellular network with aerial base stations. Specifically, we investigate the performance dependency of the method on three different factors: height of the transmitter antenna, quantization levels of the channel parameters and architectural design of CNN. The results presented in this paper show a high prediction accuracy of the channel parameters in real-time. | |
| dc.description.abstract | Bir kablosuz ileti¸sim sisteminin kanal modeli parametrelerini, ölçümlerle veya elektromanyetik yayılma simülasyonları çalı¸stırarak belirlemek zaman alan bir i¸slemdir. Agın herhangi bir hızlı da ? gıtımı, en azından ana ? kanal parametrelerinin daha hızlı belirlenmesini gerektirir. Bu yazıda, hava baz istasyonlu bir hücresel agda ? kanal parametreleri (yani, yol kaybı üssü n ve gölgeleme faktörü sigma) tahmini için derin evri¸simli sinir agları ve ? uydu görüntüleri kullanma fikri ara¸stırılmı¸stır. Spesifik olarak, yöntemin performans bagımlılı ? gını üç farklı fak- ? töre göre incelenmi¸stir: verici anteninin yüksekligi, kanal ? parametrelerinin niceleme seviyeleri ve CNN’in mimari tasarımı. Bu yazıda sunulan sonuçlar, gerçek zamanlı olarak kanal parametrelerinin yüksek dogrulukla tahmin ? edilebilecegini göstermektedir. | |
| dc.identifier.citation | Alam, M. Z., Ateş, H. F., Baykaş, T. ve Güntürk, B. K. (2021). Analysis of deep learning based path loss prediction from satellite images. 29th IEEE Conference on Signal Processing and Communications Applications, SIU. Virtual, Istanbul, 9-11 June 2021. https://dx.doi.org/10.1109/SIU53274.2021.9478009 | |
| dc.identifier.doi | 10.1109/SIU53274.2021.9478009 | |
| dc.identifier.isbn | 9781665436496 | |
| dc.identifier.scopusquality | N/A | |
| dc.identifier.uri | https://dx.doi.org/10.1109/SIU53274.2021.9478009 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12511/7809 | |
| dc.identifier.wosquality | N/A | |
| dc.indekslendigikaynak | Web of Science | |
| dc.indekslendigikaynak | Scopus | |
| dc.language.iso | en | |
| dc.publisher | Institute of Electrical and Electronics Engineers Inc. | |
| dc.relation.ispartof | 29th IEEE Conference on Signal Processing and Communications Applications, SIU | en_US |
| dc.relation.publicationcategory | Konferans Öğesi - Uluslararası - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/embargoedAccess | |
| dc.subject | Channel Parameters Estimation | |
| dc.subject | Deep CNNs | |
| dc.subject | Image Classification | |
| dc.subject | Kanal Parametreleri Tahmini | |
| dc.subject | Derin CNN’ler | |
| dc.subject | Görüntü Sınıflandırması | |
| dc.title | Analysis of deep learning based path loss prediction from satellite images | |
| dc.title.alternative | Uydu görüntülerinden derin ö?renme tabanli yol kaybi tahmini analizi | |
| dc.type | Conference Object |
