polito.it
Politecnico di Torino (logo)

GNSS ionospheric scintillation classification by Machine Learning

Badiaa Makhlouf

GNSS ionospheric scintillation classification by Machine Learning.

Rel. Fabio Dovis. Politecnico di Torino, Corso di laurea magistrale in Ict For Smart Societies (Ict Per La Società Del Futuro), 2019

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Document access: Anyone
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (2MB) | Preview
Abstract:

Le scintillazioni ionosferiche influenzano la propagazione delle onde radio transionosferiche nell'atmosfera, causando errori di posizionamento e degradazione delle prestazioni del GNSS. In precedenza, il rilevamento delle scintillazioni si basava su tecniche tradizionali come l'analisi degli indici di scintillazione, S4 (indicatore di scintillazione di ampiezza) e σ60 (indicatore di scintillazione di fase), dai segnali ricevuti e sul confronto con le soglie. Sfortunatamente, quegli approcci soffrono di molte limitazioni. Questa tesi mira a migliorare il funzionamento del ricevitore ISM attraverso l'individuazione automatica delle fluttuazioni dell'ampiezza o di fase dovute a eventi di scintillazione e l'identificazione mediante algoritmi di Machine Learning (ML) di classificazione multi-classe. Tuttavia, le irregolarità ionosferiche sono talvolta indistinguibili dal multipath o dall'interferenza, pertanto l'approccio ML era una soluzione efficace per differenziarle e stimare il loro errore di posizionamento per correggerlo. In passato, la classificazione dei dati GPS L1C/A veniva fatta usando solo due classi e il Support Vector Machine (SVM), dove "0" era assegnato alla nessuna presenza di scintillazione e "1" era assegnato alla presenza di scintillazione. In questo report, sono state utilizzate cinque classi: "0" (nessuna scintillazione), "1" (bassa), "2" (moderata), "3" (forte) e "4" o "11"(multipath). I seguenti tre algoritmi sono stati applicati su un insieme di dati GPS L1C/A raccolti mediante il ricevitore ISM nel continente Antartico, alberi decisionali di C4.5 implementati da sklearn, Bagged Trees implementati da MATLAB e la rete neurale implementata da TensorFlow. Il file di output standard del ricevitore ISM è composto da 62 parametri inlcusi S4, σ60. Nella prima fase sono state selezionate solo 12 variabili tra i 62 parametri. Accanto alle 12 variabili selezionate, una classe tra le cinque classi citate in precedenza è stata assegnata manualmente ad ogni osservazione. Questo lavoro consiste nel prevedere la classe assegnata dai 12 attributi rimanenti e dimostra che l'analisi potrebbe essere eseguita solo su 12 variabili e non è necessario integrare altri variabili. Nella seconda fase, la previsione dell'etichetta è stata effettuata sul componente del dominio della frequenza applicando la funzione Short Time Fourier Transform (STFT) su S4 o σ60. Vedendo che gli attributi con dimensioni maggiori come la densità spettrale di potenza (PSD) sono più affidabili per distinguere le scintillazioni da altre attività che influenzano le misurazioni di fase o ampiezza. Per valutare i risultati, sono state utilizzate la matrice di confusione e le accuratezza.

Relators: Fabio Dovis
Academic year: 2018/19
Publication type: Electronic
Number of Pages: 108
Subjects:
Corso di laurea: Corso di laurea magistrale in Ict For Smart Societies (Ict Per La Società Del Futuro)
Classe di laurea: New organization > Master science > LM-27 - TELECOMMUNICATIONS ENGINEERING
Aziende collaboratrici: UNSPECIFIED
URI: http://webthesis.biblio.polito.it/id/eprint/10965
Modify record (reserved for operators) Modify record (reserved for operators)