Show simple item record

dc.creatorBotelho, Alberto Leonardo Penteado
dc.date.accessioned2019-04-02T17:56:45Z
dc.date.accessioned2020-05-28T18:08:55Z
dc.date.available2020-05-28T18:08:55Z
dc.date.issued2019-02-05
dc.identifier.citationBOTELHO, Alberto Leonardo Penteado. Otimização da escolha de modelo de propagação por medição de campo e inteligência artificial. 2019. 163 f. Dissertação( Engenharia Elétrica) - Universidade Presbiteriana Mackenzie, São Paulo.por
dc.identifier.urihttp://dspace.mackenzie.br/handle/10899/24488
dc.description.abstractThe propagation model to be chosen in the design of a digital terrestrial broadcast station is a critical point for predicting the coverage area. There are several models, with specific characteristics that may be better than others in certain situations. This dissertation presents a study of the choice of propagation model, through the use of artificial intelligence (AI). A brief review of the SBTVD (Brazilian System of Digital Television), the complexity operation in SFN (Single Frequency Network) and the most widely used propagation models in the literature. The comparison of propagation models was elaborated with the field measurements and simulations by the Progira coverage prediction software, which works on an ArcGis geoprocessing platform that considered the criterion of smallest average error (absolute mean deviation, standard deviation and root mean square error) between the field measurement and the software simulation. The propagation model ITUR P. 1812-3 had the best average performance. To optimize the analysis of choice of propagation models, an AI method was developed by machine learning, classification learning, so that the computer can formulate aspects of human intelligence and have the ability to choose the best propagation model for each study area, not restricted to sites measured in the field. The Support Vectors Machines and Nearest Neighbor Classifiers learning models displayed a significant improvement of the average error in comparison to the model of propagation of smallest average error.eng
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Presbiteriana Mackenziepor
dc.rightsAcesso Abertopor
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjecttelevisão digitalpor
dc.subjectSBTVDpor
dc.subjectmodelo de propagaçãopor
dc.subjectrede de frequência únicapor
dc.subjectpredição de coberturapor
dc.subjectmedição de campopor
dc.subjectinteligência artificialpor
dc.subjectaprendizagem de máquinapor
dc.subjectaprendizagem por classificaçãopor
dc.titleOtimização da escolha de modelo de propagação por medição de campo e inteligência artificialpor
dc.typeDissertaçãopor
dc.publisher.departmentFaculdade de Computação e Informática (FCI)por
dc.publisher.programEngenharia Elétricapor
dc.publisher.initialsUPMpor
dc.publisher.countryBrasilpor
dc.subject.cnpqCNPQ::ENGENHARIASpor
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOESpor
dc.description.resumoO 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.por
dc.creator.Latteshttp://lattes.cnpq.br/1933062035071291por
dc.contributor.advisor1Akamine, Cristiano
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0394598624993168por
dc.contributor.referee1Omar, Nizam
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2067336430076971por
dc.contributor.referee2Casella, Ivan Roberto Santana
dc.contributor.referee2Latteshttp://lattes.cnpq.br/3350119903495479por
dc.thumbnail.urlhttp://tede.mackenzie.br/jspui/retrieve/18333/Alberto%20Leonardo%20Penteado%20Botelho.pdf.jpg*
dc.bitstream.urlhttp://tede.mackenzie.br/jspui/bitstream/tede/3847/5/Alberto%20Leonardo%20Penteado%20Botelho.pdf
dc.keywordsdigital televisioneng
dc.keywordsSBTVDeng
dc.keywordspropagation modeleng
dc.keywordssingle frequency networkeng
dc.keywordscoverage simulationeng
dc.keywordsfield measurementeng
dc.keywordsartificial intelligenceeng
dc.keywordsmachine learningeng
dc.keywordsclassification learningeng


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Acesso Aberto
Except where otherwise noted, this item's license is described as Acesso Aberto