Localisation basée sur l'information de l'état des canaux (CSI) dans un environnement minier souterrain

Khalaf, Ali (2024). Localisation basée sur l'information de l'état des canaux (CSI) dans un environnement minier souterrain. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Repéré dans Depositum à https://depositum.uqat.ca/id/eprint/1577

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

Dans le cadre de notre recherche approfondie au sein des industries minières canadiennes, notre objectif est de renforcer les réseaux de communication souterrains à l'aide de solutions sans fil innovantes, essentielles pour améliorer la productivité et garantir une coordination efficace entre les équipes. Notre étude s'est concentrée sur la précision de localisation des dispositifs mobiles dans les environnements souterrains, grâce à une analyse détaillée de l’état de canal sans fils (CSI).
Notre méthodologie s'est développée en deux phases distinctes de collecte de données CSI. La première a impliqué l'utilisation de cartes NIC5300, puis l'adoption de modules ESP32 pour une collecte plus approfondie. Cette approche a permis de couvrir exhaustivement un espace intérieur.
Un volet crucial de notre recherche réside dans l'ajustement minutieux des paramètres de canal, visant à optimiser la performance des réseaux de neurones artificiels (ANN) pour la localisation précise des dispositifs mobiles en milieu souterrain.
Nous avons évalué rigoureusement différentes configurations de perceptrons multicouches (MLP) et avons utilisé des outils avancés tels que Tensor Flow et Scikit-learn pour déterminer la configuration offrant la meilleure précision de localisation.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur de mémoire/thèse:	Kandil, Nahi
Codirecteurs de mémoire/thèse:	Hakem, Nadir
Informations complémentaires:	Concentration en télécommunication
Mots-clés libres:	Localisation; information de l’état des canaux (CSI); environnement minier souterrain; Réseaux de neurones artificiels; Amplitude, Phase; RSSI; MAE; RMSE; Scikit-learn; Tensor Flow; bibliotheque d'apprentissage automatique
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	04 sept. 2024 18:54
Dernière modification:	04 sept. 2024 18:54
URI:	https://depositum.uqat.ca/id/eprint/1577

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt