Deep learning based prediction of path loss values and distributions from satellite images

It is critical to provide rapid deployment of robust and effective outdoor communication systems in today's world, where many seek to provide wireless connection services from aerial grids of drones and balloons, or low orbit satellites. This goal cannot be achieved without fast and detailed analysis of different terrains and building characteristics. Current methods, such as ray tracing simulations, empirical mathematical models, or practical measurement surveys, are neither generally applicable nor fast enough. In this thesis, we propose two solutions that are suitable for online analysis, rapid deployment, and accurate enough for predicting excessive path loss in wireless network planning. First, we propose using convolutional neural networks, such as VGG-16, and we compare the results for estimating the probability distribution of excessive path loss with satellite and height map inputs. Second, we develop a conditional Generative Adversarial Network for predicting point-wise path loss. We propose using adversarial loss function for training generator and discriminator in predicting path loss maps of a region. We show the results for satellite images and compare them with the height maps as an input for the proposed approach.

Açık alan iletişim sistemlerinin sağlam, etkili ve hızlı bir şekilde konuşlandırılmasının kritik olduğu günümüzde, pek çok kişi insansız hava araçları ve balonlar veya düşük yörüngeli uyduların havadan şebekelerinden kablosuz bağlantı hizmetleri sağlamaya çalışmaktadır. Bu amaç farklı araziler ve bina özellikleri için hızlı ve ayrıntılı analiz yapılmadan elde edilemez. Işın izleme yöntemleri ya da ampirik matematiksel modeller veya pratik ölçüm anketleri gibi mevcut yöntemler yeteri kadar genel ya da hızlı değildir. Bu tezde, kablosuz ağ planlamasında aşırı yol kaybını tahmin etmek için çevrim içi analize, hızlı kuruluma uygun ve yeterince doğru iki çözüm öneriyoruz. İlk olarak aşırı yol kaybının olasılık dağılımını tahmin etmek için VGG-16 gibi bir evrişimsel sinir ağı kullanılmasını öneriyor, uydu ve yükseklik haritasının girdi olarak kullanılmasıyla elde edilen sonuçları karşılaştırıyoruz. İkinci olarak, noktasal yol kaybının kestirimi için koşullu bir Üretici Çekişmeli Ağ geliştiriyoruz. Bir bölgenin yol kaybı haritasının kestirimi için üretici ve ayırtaç ağ eğitiminde çekişmeli kayıp fonksiyonu kullanmayı öneriyoruz. Önerilen yaklaşım için uydu görüntülerinin sonuçları gösterilmiş ve yükseklik haritasının girdi olarak kullanılmasıyla elde edilen sonuçlarla karşılaştırılmıştır.