Otimização da escolha de modelo de propagação por medição de campo e inteligência artificial

• Ano de defesa: 2019
• Autor(a) principal: Botelho, Alberto Leonardo Penteado
• Orientador(a): Akamine, Cristiano
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: televisão digital; SBTVD; modelo de propagação; rede de frequência única; predição de cobertura; medição de campo; inteligência artificial; aprendizagem de máquina; aprendizagem por classificação
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS; CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES
• Link de acesso: http://dspace.mackenzie.br/handle/10899/24488

O modelo de propagação a ser escolhido no projeto de uma estação de televisão terrestre é um ponto crítico para a predição da área de cobertura. Existem diversos modelos, com características específicas que podem ser melhores que outros em determinadas situações. A dissertação apresenta um estudo para a escolha do modelo de propagação, através da utilização de inteligência artificial (IA). É apresentada uma breve revisão do padrão SBTVD (Sistema Brasileiro de Televisão Digital), da complexidade de operação em SFN (Single Frequency Network, em português Rede de Frequência Única) e dos principais modelos de propagação utilizados na literatura. O comparativo dos modelos de propagação foi elaborado com medições de campo e simulações pelo software de predição de cobertura Progira, que funciona sobre a plataforma de geoprocessaomento ArcGis. O comparativo considerou o critério de menor erro médio (desvio médio absoluto, desvio padrão e erro médio quadrático) entre a medição de campo e a simulação de software. O modelo de propagação ITUR P. 1812-3 teve o melhor desempenho médio. Para otimizar a análise de escolha dos modelos de propagação, foi desenvolvido um método de IA por aprendizagem de máquina por classificação para que o computador possa formular aspectos da inteligência humana e ter a capacidade de escolher o melhor modelo de propagação para cada área de estudo, não restrito aos sites medidos em campo. Os modelos de aprendizagem de Máquinas de Vetores de Suporte e de Classificadores Vizinhos mais Próximos apresentaram uma melhora significativa do erro médio em comparação ao modelo de propagação de menor erro médio.