40. SBAI- Simpósio Brasileiro de Automação Inteligente , São Paulo, SP, 08-10 de Setembro de 1999

MAPEAMENTO DE SINAIS RF DE TELEFONIA CELULARATRAVÉS DE REDES NEURAIS DE BASE RADIAL

Paulo E. M. Almeida Paulo Tibúrcio Pereira

[8]- Departamento de Pesquisa e Pós-Graduação / CEFET-MGAv. Amazonas, 7675 - Nova Gameleira - CEP : 30.510-000 - BH - MO - BRASILFAX: +55-(0)31-319-5212

e-mail -paulo@dppg.cefetmg.brCoordenação de Rádio Frequência do Interior - CDT 12 - TELEMIG CELULARRua Levindo Lopes, 258 - 13°Andar - Savassi - CEP : 30.140-170 - BH - MG - BRAZILFAX : +55- (0)31-259-3541

e-mail -paulo.ptp@telemigcelular.com.br

ABSTRACTIn this work, it is proposed an engineering

solution, using the artificial neural networks theory,to a very common problem at mobile telephonymedium. The RF levei mapping problem is shortlydescribed and some considerations about itsresolution are taken into account.

First, the growing boom of artificialintelligence real applications is showed and somearchitectures of neural networks are described. Then,it is derived a solution to the above problem and thesteps needed to reach accurate and reliable resultsare described.

The results obtained with real field data fromTelemig Celular Company from Brazil are showedand an final analysis is made, with enhancingproposes to the presented solution.

KEYWORDSArtificial Intelligence, Artificial Neural Networks,Automation, Mobile telephony.

RESUMONeste trabalho, é proposta uma solução de

engenharia que utiliza a teoria das redes neuraisartificiais para um problema muito comum na áreade telefonia celular. O problema de mapeamento denível dos sinais RF nas áreas de cobertura da redemóvel celular é brevemente descrito, e são feitasalgumas considerações sobre a sua solução.

Inicialmente, é mostrado o grande aumentode aplicações reais de inteligência artificial naengenharia de um modo geral. São descritas algumasarquiteturas de redes neurais artificiais (RNAs).Depois, é derivada uma solução para o problema em

407

questão, e são descritos os passos necessanos àobtenção de resultados precisos e confiáveis.

São mostrados os resultados obtidos comdados de campo reais da Telemig Celular e é feitauma análise final com propostas de melhoria dasolução encontrada.

PALAVRAS CHAVESInteligência Artificial, Redes Neurais Artificiais ,Automação, Telefonia Móvel Celular.

1 iNTRODUÇÃOA telefonia celular móvel se baseia na

transmissão da voz por ondas de rádio-freqüência(RF), geradas pelas ERBs (estações rádio-base) daoperadora e recebidas nos aparelhos celulares(estações móveis) dos clientes, e ondas geradaspelos aparelhos e recebidas pelas ERBs. O termocelular reflete a área de atuação de cada ERB, já queos sinais de rádio emitidos perfazem uma célula emvolta da estação. A soma de todas as células dosistema de telefonia compõe a área de cobertura doserviço.

Freqüentemente, uma operadora de telefoniamóvel celular necessita de mapear os níveis de sinalRF gerados pelas ERBs em sua área de cobertura, deforma a proporcionar um serviço de qualidade aousuário e evitar problemas de ruído, interferências eáreas com baixo nível de cobertura (comumentechamadas de "sombras", nas quais podem ocorrercortes e / ou interrupções em uma ligação em curso) .Este processo se mostra trabalhoso e impreciso, jáque é necessária a medição em campo dos sinaisexistentes e todo um trabalho de organização,processamento e cruzamento dos dados adquiridospara se obter o mapeamento de uma dada região naárea de cobertura. Além disto, as muitas limitações

40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo , SP, 08-10 de Setembro de 1999

do equipamento utilizado e do próprio processo demedição tornam este mapeamento problemático doponto de vista operacional , especialmente quando seprecisa analisar o comportamento do sistema emgrandes áreas.

Este trabalho propõe e implementa umasolução para o ·problema de mapeamento de sinaisRF de telefonia celular, através da utilização deredes neurais com função de ativação de base radial.Esta arquitetura de redes neurais possui umembasamento teórico preciso e bem estabelecido, jáque foi inspirada não por paradigmas biológicos maspor modelos matemáticos para aproximação defunções e ajuste de superfícies n-dimensionais[Broomhead & Lowe, 1988, Poggio & Girosi, 1990].

Ultimamente, tem crescido de formaacentuada o número de aplicações de inteligênciaartificial em geral. Em particular na área deengenharia, nas aplicações onde os métodosconvencionais não se aplicam ou não fornecemresultados satisfatórios, a utilização de soluçõesalternativas através de várias ferramentas do campoda inteligência artificial tem se mostrado bastanteútil. Paradigmas como redes neurais, lógica difusa,algoritmos genéticos e teoria do caos, entre outros,têm sido utilizados com sucesso para resolver umagrande classe de problemas. É extensa emultidisciplinar a bibliografia existente que reportaesta tendência.

Especificamente falando de redes neurais, écomum se encontrar aplicações na área de controlede processos [Narendra & Parthasarathy, 1990, Nie& Linkens, 1995, Jang et alli, 1997], onde uma redeé normalmente utilizada como ferramenta demodelamento não paramétrico de um sistemadinâmico, na área de processamento de imagens esinais [Hopfield & Tank, 1985, Mousavi &Schalkoff, 1994], quando se tenta encontrar soluçõessub-ótimas em tempo limitado para problemasformulados como otimizações irrestritas, e na áreade aproximação de funções [Hornik et alli, 1989,White, 1990], na tentativa de se obter resultadosaceitáveis na presença de dados imprecisos ou malcondicionados, o que impossibilitaria a utilizaçãodas técnicas convencionais .

Este artigo foi organizado como descrito aseguir. A seção 2 tenta descrever o problema demapeamento de sinais RF e a seção 3 mostrabrevemente algumas arquiteturas de redes neuraiscomumente utilizadas para o fim de aproximação defunções. A seção 4 propõe uma solução para oproblema e mostra alguns resultados obtidos. Naseção 5, finalmente, são analisados os resultados epropostas outras formas de se solucionar o problemae se obter melhores resultados.

408

2 MAPEAMENTO DE SINAIS RF DETELEFONIA MÓVEL CELULARA operação de mapeamento de níveis RF em

uma região da área de cobertura de uma operadorade telefonia celular é realizada em duas etapasdistintas, a etapa de medição e a etapa deprocessamento dos dados adquiridos . Comoqualquer outro processo de medição, este processorequer equipamentos precisos que garantam aminimização de erros de medida e rejeição de ruídosespúrios, promovendo um mapeamento confiável edeterminístico.

O maior problema encontrado na etapa demedição, na verdade, não se refere à qualidade doequipamento em si, mas ao processo de mediçãoadotado. Este processo é realizado como descrito aseguir. Com o equipamento de medição digitalinstalado no interior de um veículo, a medição érealizada a intervalos de amostragem fixos pré-definidos, enquanto o veículo se desloca de formaaleatória pelas ruas ou vias existentes na área deonde se quer levantar o mapa de nível RF dacobertura. Obviamente, a velocidade e a direção doveículo são variáveis aleatoriamente modificadas,segundo as condições de tráfego e direcionamentodo fluxo de trânsito no momento de aquisição dosdados. Resulta que os dados não são igualmenteespaçados com respeito ao posicionamentogeográfico e não representam de forma simétrica aregião delimitada para medição. Além disso, nasáreas onde não existem vias de acesso adequado aoveículo de medição (como o interior de quarteirões,áreas de parques, lâminas d'água, fazendas, grandesconstruções, etc.) não existem dados, o queprejudica o processamento dos dados medidos . Afigura 1, a seguir, mostra um diagrama de mediçãotípico, obtido a partir de dados reais da TelemigCelular, operadora de telefonia celular móvel dequase todo o estado de Minas Gerais. Os círculosmostram os pontos geográficos onde foi feitaefetivamente a medição, enquanto a área total dográfico corresponde à região onde se deseja omapeamento.

.

Figura 1 : Mapa de medições de sinal RF em umaregião no estado de MG (fonte: Telemig Celular)

40. SBAI- Simpósio Brasile iro de Automação Inteligente, São Paulo, SP. 08-10 de Setembro de 1999

Como foi acima descr ito "e observado nafigura I , o conjunto de dados obtido na etapa demedição é incompleto e mal condicionado. Estascaracterísticas praticamente impossibilitam autilização de algum método oriundo "da teoriaconvencional de aproximação (como urna regressãomúltipla ou urna interpolação polinomial, porexemplo) para a obtenção de urna superfície querepresente de maneira aceitável a configuração de "sinais RF existente na região medida. Pretende-se,então , derivar um método alternativo que atenda àsrestrições impostas pelo processo de medição e que,ainda assim, forneça resultados aceitáveis para oproblema descrito .

3 REDES NEURAIS PARAAPROXIMAÇÃO EINTERPOLAÇÃOAs redes neurais artificiais (RNAs) têm sido

"estudadas e utilizadas a mais de cinqüenta anosdesde que foi reportada a primeira aplicação porMcCulloch e Pitts, no final da década de 40. Uma "das classes mais citadas na literatura aIlID. é a classede redes que trata de problemas de modelamento desistemas que possuem entrada e saída de dados.Neste tipo de problema, as redes utilizadas devempossuir parâmetros ajust áveis de forma a aproximaro mapeamento existente nos conjuntos de dados deentrada e saída do sistema em questão. Este ajustenormalmente é realizado de maneira supervisionada,através da utilização de um algoritmo de treinamentoque encontra iterativamente um conjunto deparâmetros adequado ao mapeamento desejado.

Assim, estas redes utilizam em sua maioria oconceito fundamental do modelo simplificado deneurônio de RHW [Rummelhart et alli, 1986]proposto na década de 80. Este modelo , mostrado nafigura 2, consiste de entradas conectadas através deparâmetros de ponderação (chamados "pesos" dasconexões) e somadas em um elemento centralizadornão-linear, que implementa uma função adequadados valores de entrada.

3.1 Redes Multicamadas deAlimentação Positiva "(RedesMLP) :Uma rede MLP (do termo em inglês Multi-

Layer Perceptron) possui uma arquitetura geralcomo a mostrada na figura 3, a seguir, onde todas assaídas de neurônio de uma dada camada se conectama todos os neurônios da camada seguinte, através deum dado peso. Nesta figura , cada quadradorepresenta um neurônio de RHW como definido nafigura 2. O número de neurônios da camada deentrada corresponde sempre ao tamanho do "vetor deentrada X, o mesmo acontecendo com a camada esaída com relação ao vetor de saída Y.

k=O k=1 k=2

•Xl Y1X YX2 Y2 .

Xn Ym

Figura 3 : Arquitetura geral de uma rede MLP

O algoritmo de treinamento mais comumutilizado para o ajuste dos parâmetros da rede aosconjuntos de dados de E / S de treinamento éconhecido como "Aprendizado por retropropagaçãodo erro" (ou simplesmente errar backpropagation).A sua utilização é tão comum que as redes MLP sãofreqüentemente referenciadas na literatura por "redesbackpropagation". A origem deste algoritmoremonta à histórica "Regra Delta" para "treinamentode neurônios lineares simples , proposta por Widrowem 1962. A bibliografia sobre a sua derivação,aspectos de convergência e limitações é vasta[Rummelhart et alli, 1986, Zurada, 1992, etc.], nãosendo tratada neste trabalho.

Finalmente, as funções de ativação maisutilizadas em redes do"tipo MLP são a sigm6ide,

. r-----lil-:f=- y=g(u)

1g(x) =1 -x+e

a tangente hiperbólica

g(x) = tanh( )e a identidade,

(1)

(2)

Figura 2 : Modelo de Neurônio de RHW

409

g(x)=xde acordo com a aplicação específica.

(3)

40. SBAI- Simpósio Brasileiro de Automação Intel igente, São Paulo, SP, 08-10 de Setembro de 1999

3.2 Redes de Alimentação Positivacom Função de Ativação deBase Radial (Redes RBF) :Uma rede RBF (do termo em inglês Radial

Basis Function) possui basicamente a mesmaestrutura apresentada por 'uma rede MLP de trêscamadas, à exceção das funções de ativação que sãodefinidas a priori para as camadas interna e de saída,no caso RBF. Assim, a função de ativação de saídaserá sempre a identidade, e a função de ativação dacamada interna será sempre do tipo gaussiana, ouseja, da forma:

g (x ) = exp[llx -m112]20'2 (4)

Este tipo de função de ativação implementa oque é comumente chamado de um campo receptivopara um dado neurônio. O nível de ativação em umneurônio deste tipo é máximo quando a entrada x éigual ao centro m do campo receptivo do neurônio.Esta arquitetura é mostrada ' na figura 4, a seguir,onde cada quadrado representa um neurônio com arespectiva função de ativação representada em seuinterior.

Figura 4 : Arquitetura em três camadas de umarede RBF

Quando é usado um neurônio para 'cada vetorde entrada do conjunto de treinamento, diz-se que arede resultante realiza .uma. interpolação destespontos. Isto significa que o erro na saída será nulopara qualquer entrada igual a um dos pontos doconjunto de treinamento . Por outro lado, uma redeestará realizando uma aproximação da funçãogeradora do conjunto de treinamento se o número deneurônios for menor ou maior-que o número depontos deste conjunto .

A capacidade ' de aproximação e deinterpolação de uma rede RBF pode ser grandementeaumentada através de ajustes adequados nos centrose no formato dos campos receptivos dos neurôniosque a compõem. Vários algoritmos de aprendizadoforam propostos e implementados neste sentido, deforma a identificar os parâmetros ótimos para umdado conjunto de treinamento. Maiores informaçõessobre tais algoritmos podem ser encontrados em[Moody & Darken, 1989].

410

4 IMPLEMENTAÇÃO ERESULTADOSA seguir, são mostrados e discutidos alguns

resultados obtidos através de simulações, emcomputador, das arquiteturas mostradas na seçãoanterior. Para a sua implementação , foi utilizada abiblioteca de redes neurais do software Matlab ®versão 5.0, da Mathworks Inc. Em todas assimulações, foi utilizado um conjunto detreinamento composto de aproximadamente 3.000(três mil) pontos, coletados pela Telemig Celular. Onúmero de camadas em cada rede foi limitado a três,e o número de neurônios na camada interna foiobtido de forma empírica, através da análise dodesempenho de cada rede nas simulações.

Inicialmente, foi utilizada uma arquiteturaMLP com o algoritmo de treinamentobackpropagation convencional. No entanto, oalgoritmo não conseguiu obter bons resultados. Oíndice de erro quadrático desejado não pôde seralcançado, mesmo depois de várias passagens doalgoritmo pelo conjunto de treinamento dado. Asuperfície resultante, quando comparada com ospontos do conjunto de treinamento, se mostrouclaramente ineficiente. Este resultado ocorreu porcausa da natureza fortemente mal condicionada doconjunto de dados de treinamento, coletados naetapa de medição em campo, como foi discutido naseção 2.

Por outro lado, a arquitetura RBF se mostroueficaz para a aproximação dos dados existentes, eesta afirmação pode ser facilmente verificada atravésdo gráfico da superfície obtida por uma redecomposta por apenas 10 (dez) neurônio s de baseradial, mostrada na figura 5 a seguir.

É interessante salientar que os resultadosobtidos nesta fase inicial do estudo utilizaram apenasalgoritmos convenc ionais e implementaçõessimplificadas das arquiteturas descritas na seção 3.A utilização de algoritmos alternativos para ainicialização dos parâmetros da rede RBF, baseadosem aspectos heurísticos do conjunto de treinamento[Moody & Darken, 1989] ou em técnicas degeneralização da rede para se evitar o problema demal condicionamento dos dados de entrada [Musaviet alli, 1992] podem produzir melhoras significativasnos resultados obtidos.

Por outro lado, do ponto de vista damodelagem do problema original, uma segundaetapa deste trabalho propõe a utilização de lógicadifusa como uma técnica auxiliar na obtenção dasuperfície de mapeamento desejada. Como sepoderia esperar, a atenuação dos sinais RF não écompletamente uniforme em qualquer tipo decenário existente. A Telemig Celular possuiinclusive dados, calculados a partir das mediçõesfeitas em campo, que mostram esta variação deatenuação dos sinais. A tabela 1, a seguir, lista os

40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08 -10 de Setembro de 1999

-40

-60

-80

-100

-120

-140

-1 6042 .9

20.78

Figura 5 : Superfície aproximada de níveis de sinal RF, obtida por uma rede RBF (em dBm)

tipos de cenário considerados e as atenuaçõescorrespondentes.

Tabela 1 : Atenuação de sinais RF segundo ocenário existente na á rea de medição

figura 6 mostra um diagrama esquemático da técnicaaqui proposta, que deve ser implementada nacontinuidade deste trabalho.

Dados

Figura 6 : Diagrama em blocos da ferramentacompleta de IA para mapeamento de sinais RF de

telefonia celular móvel

5 .CONCLUSÃOFoi descrito o problema de mapeamento de

sinais RF nas áreas de cobertura de telefonia móvelcelular, vivenciado atualmente pelas operadorastelefônicas em geral. Foi feita uma análise doproblema e proposta uma solução de engenhariabaseada no paradigma de redes neurais artificiais.

Na seção 3, foram brevemente descritasalgumas arquiteturas de RNAs adequadas à

nto

ualitalivos Sistema Aju steI Difuso -

Dados de 100 MapeameMedição RF

Rede Neural pl L)

Aproximação •

QCENÁlUO Aten uação (dB/dec)

Água (visada livre) - 20,0Rural - 43,5Suburbano - 41,3Urbano - 35,1Superurbano - 34,6

A idéia básica da técnica a ser desenvolvida éa utilização de uma máquina de inferência difusacomo uma segunda entrada para a rede neural deaproximação. Este sistema difuso vai determinar demaneira qualitativa as correções que devem serfeitas na superfície obtida pela rede, de acordo como tipo de cenário existente, a sua extensão, etc.Assim, o sistema híbrido resultante vai combinar opotencial de aproximação e generalização inerentedas redes neurais com a capacidade deprocessamento de dados imprecisos dos sistemasdifusos em geral.

Pretende-se, com a implementação destatécnica, a obtenção de mapeamentos mais precisos e. condizentes com a realidade medida em campo. A

411

40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, 08·10 de Setembro de 1999

resolução do problema de aproximação de funçõesde várias variáveis. A ·escolha da arquitetura RBFutilizada foi mostrada e justificada com base nanatureza dos dados existentes.

Os resultados apresentados são de certaforma conservadores, do ponto de vista do ajustecompleto ao conjunto de pontos existentes. Por setratar de um estágio inicial do estudo e do poucotempo gasto para se chegar ao ponto atual, acredita-se que, com a execução de mais simulações, pode-sechegar a resultados mais satisfatórios e definitivospara uma solução adequada do problema deengenharia existente. A inserção de ferramentasauxiliares que facilitem os processos deconvergência e inicialização dos parâmetros da redede base radial pode ser o próximo passo para sealcançar a precisão desejada. No entanto, esta etapado trabalho está fora dos propósitos deste artigo.

Finalmente, foi feita uma proposta concretade melhoria dos resultados obtidos, através dautilização de lógica difusa para representaçãoqualitativa do comportamento dos sinais RF nospontos onde é .impossivel se fazer medições. Umaabordagem como esta vai com certeza minimizar asimprecisões existentes e garantir a obtenção da .solução desejada.

AGRADECIMENTOSOs autores gostariam de expressar o seu

agradecimento pelo suporte financeiro da FINEPatravés do programa RECOPE, sub-rede de.Inteligência Artificial, bem como peja contribuiçãoda Telemig Celular, através da cessão de utilizaçãode dados reservados, que permitiram a realização. deste trabalho .

REFERÊNCIAS BIBLIOGRÁFICASBROOMHEAD, D. S. & LOWE, D. "Multivariable

Functional Interpolation and AdaptiveNetworks", Complex Systems, V.2, pp. 321-355,1988.

DEMUTH, H & BEALE, M. "Neural NetworksToolbox For Use wilh MATLAB®", TheMalhworks Inc. , 1998.

HORNIK, K. et alli. "Multilayer Feedforward .Networks are Universal Approximators",Neural Networks, V.2 , pp. 359-366,1989.

JANG, J-S . R. et alli. Neuro-Fuzzy and SoftComputing : A Computational Approach toLearning and Machine InteIligence. Prentice-Hall,I997.

MOODY, J. & DARKEN, C. "Fast Lcarning inNetworks of LocaIIy Tuned Processing

412

units", Neural Computation, V.l , pp . 281-294,1989.

MOUSAVI, M. S. & SCHALKOFF, R. J. "ANNImplementation of Stereo Vision using aMultilayer Feedback Architecture", IEEETrans. On SMC, V.24, No.8, pp. 1220-1238,1994.

MUSAVI, M. T. et alli. "On lhe Training of RadialBasis Function Classifiers", NeuralNetworks, V.5, NA, pp. 595-603, 1992.

NARENDRA, K. S. & PARTHASARATHY, K."Identification and Control of DynamicalSystems using Neural Networks", IEEETrans. on Neural Networks, V.l, No.I, pp . 4-27,1990.

NIE , J. & LINKENS , D. Fuzzy-Neural ContraI:Principies. AIgorilhms and Applications,Prentice-Hall Europe, 1995.

POGGIO, T. & GIROSI, F. "Networks and lhe BestApproximation Property", BiologicalCybemetics, V.63, pp. 169-176, 1990.

RUMELHART, D. E., HINTON, G. E. &WILLIAMS, R. J. "Leaming Intern aIRepresentations by Error Propagation", inParalIeI Distributed Processing, Vol.l , MITPress, 1986.

WHITE, H. "Connectionist NonparametricRegression Multilayer FeedforwardNetworks Can Lcarn Arbitrary Mappings" ,Neural Networks, V.3, pp. 551-560, 1990.

ZURADA, J. M. Introduction to Artificial NeuralSystems. PWS Publishing Company, 1995.