Makine öğrenme yöntemleriyle hava aracı üzerindeki haberleşme sistemlerinin kanal özelliklerinin belirlenmesi

Abstract

Havacılık haberleşmesi günümüz haberleşme sistemlerinin oldukça önemli bir parçasıdır. Havacılık haberleşmesinin temeli kablosuz iletişim üzerine kuruludur. Özellikle İHA'larda kablosuz iletişim, gelecekteki kablosuz iletişim sistemlerinin ayrılmaz bir parçası olacaktır. İHA'larda gerçek zamanlı veri aktarımı çok kritiktir. Çünkü İHA'ların yer sistemlerinden sürekli olarak kontrol edilmesi gerekir ve faydalı yük verilerinin gerçek zamanlı olarak yer sistemlerine iletilmesi gerekir. İHA haberleşmesinin kesilmemesi için haberleşme sisteminin tasarlanması aşamasında dikkat edilmesi gereken hususlar vardır. Dikkat edilmesi gereken en önemli konu uçak gövdesi gölgelemesidir. İHA antenleri, uçak gövdesi gölgelemesine eğilimlidir. Antenlerin yerleştirildiği uçak yüzeyleri ana görüş hattı yolunu kapatır. Bu da haberleşmede kesilmelere sebep olur. Bir diğer önemli konu, bağlantı bütçe analizlerinde kullanılan kayıpların, gerçek zamanlı olarak değişkenlik göstermesidir. Tasarım aşamasında dikkate alınan kayıplar pratik uygulamalarda farklılık gösterdiğinden haberleşmede kesilmeler meydana gelmektedir. Bu nedenlerle, pratik uygulamalarda tüm negatif etkiler dâhil olmak üzere gözlemlenen uçtan-uca kanallar teorik hesaplamalardan oldukça farklıdır. Bu çalışmada, tüm negatif etkiler dâhil olmak üzere uçtan-uca kanal özellikleri belirlenmektedir. Kanal özellikleri modeli için geçmiş uçuşlar sırasında ölçülen verilere makine öğrenme yöntemleri uygulanmaktadır. Geçmiş uçuşlardaki yer anteni konumu, hava aracı konumu, hava aracı Euler açıları ve hava aracı alınan sinyal gücü verileri kullanılmaktadır. Her bir konum ve Euler açısı verisine karşılık gelen, yer modeminin çıkışından İHA modemi girişine kadar sinyalin maruz kaldığı bütün negatif etkiler hesaplanmaktadır. Eksik veriler ise makine öğrenme yöntemleri ile bulunmaktadır. Makine öğrenme yöntemleri ile bulunan modeller içinde en iyi sonuçların ensemble bagged trees (EBT) ve üstel Gaussian process regression (GPR) yöntemleri ile alındığı görülmüştür. Veriler işlenerek bulunan girdilerin test sonuçları, ham verilerin test sonuçlarına göre daha kötü çıkmıştır. Ancak hem işlenmiş hem de ham verilerle alınan sonuçlar teorik analiz sonuçlarından daha iyidir.

Aviation communication is a very important part of today's communication systems. Aviation communication is based on wireless communication. Wireless communication, especially in unmanned aerial vehicles (UAVs), will be an integral part of future wireless communication systems. Real-time data transfer is very critical in UAVs. Because UAVs need to be constantly controlled from ground systems and payload data must be transmitted to ground systems in real time. In order not to interrupt the communication of the UAV, there are some points that should be considered during the design of the communication system. The most important issue to be considered is airframe shadowing. UAV antennas are prone to airframe shadowing. Aircraft surfaces where antennas are placed block the main line of sight path. This causes interruptions in communication. Another important issue is that the losses used in link budget analysis vary in real time. Since the losses taken into consideration during the design phase differ in practical applications, interruptions in communication occur. For these reasons, the end-to-end channels observed in practical applications, including all negative effects, are quite different from theoretical calculations. In this study, an end-to-end channel characterization is made, including all negative effects. For the channel characterization model, machine learning methods are applied to the data measured during past flights. Ground antenna location, aircraft position, aircraft Euler angles and aircraft receive signal strength indicator data on past flights are used. All negative effects of the signal, from the output of the ground modem to the input of the UAV modem, corresponding to each position and Euler angle data are calculated. Missing data are found with machine learning methods. It has been observed that among the models found by machine learning methods, the best results are obtained with ensemble bagged trees and exponential Gaussian process regression methods. The test results of the inputs found by processing the data were worse than the test results of the raw data. However, the results obtained with both processed and raw data are better than the results of theoretical analysis.