Исследование методов и алгоритмов построения сетей телекоммуникации четвертого поколения

Таблица 2.2 Сравнение эвристических методов оптимизации маршрута коммивояжера[14]

Тестовая задача	Eil50	Eil75	KroA100
Имитационный отжиг	443	580	нет данных
Генетические алгоритмы	428	545	22761
Эволюционное программирование	426	542	нет данных
Муравьиные алгоритмы	425	535	21282

Таблица 2.3 Сравнение эвристических методов решения квадратичной задачи о назначениях [14]

Тестовая задача	Nugent(12)	Nugent(15)	Nugent(20)	Nugent(30)	Elsbafei(19)
Имитационный отжиг	578	1150	2570	6128	17937024
Табу-поиск	578	1150	2570	6124	17212548
Генетические алгоритмы	588	1160	2688	6748	17640584
Эволюционные стратегии	598	1168	2654	6308	196000212
Муравьиные алгоритмы с локальным поиском	578	1150	2570	6128	17212548

Таблица 2.4 Сравнение эвристических методов оптимизации маршрутов грузовиков [19]

Число заказчиков	Муравьиный алгоритм	Генетический алгоритм
	Средняя за 10 прогонов длина маршрутов	Длина маршрутов для лучшего решения	Время решении, мин	Длина маршрутов для лучшего решения	Время решении, мин
200	6460.98	6460.98	7.13	6460.98	1.04
255	589.28	586.87	139.27	596.89	14.32
300	1007.81	1007.27	32.55	1018.74	39.33
399	932.58	927.27	158.93	933.74	78.5
420	1836.87	1834.79	239.47	1846.55	210.42
480	13958.68	13816.98	240.00	13728.8	187.6

Таблица 2.5 Сравнение алгоритмов маршрутизации для сети

NSFNET [20]

Алгоритм	AntNet	OSRF	SRF	Daemon
Средняя задержка передачи сообщения, с	0.93(0.2)	5.85(1.43)	3.58(0.83)	0.10(0.03)
Пропускная способность Ч107 бит/c	2.392(0.011)	2.10(0.002)	2.284(0.003)	2.403(0.01)

Высокую эффективность муравьиные алгоритмы демонстрируют при оптимизации распределенных нестационарных систем. Ярким примером может служить нахождение муравьиными алгоритмами оптимальных трафиков в телекоммуникационных сетях [14,20]. В качестве примера в таблице 2.5 приведены результаты маршрутизации в американской сети NSFNET, содержащей 14 узлов с 21 двунаправленной линией связи.

Сравнивались следующие алгоритмы:

AntNet -- муравьиный алгоритм;

OSRF -- официальный интернетовский алгоритм маршрутизации;

SRF -- алгоритм, использующий динамическую метрику при оценке стоимости соединений;

Daemon -- аппроксимация идеального алгоритма маршрутизации;

В таблице приведены средние значения времени задержки и пропускной способности при интенсивной загрузке сети. Числа в скобках -- значения среднеквадратических отклонений при 10-кратном прогоне алгоритмов.

Муравьиные алгоритмы основаны на имитации самоорганизации социальных насекомых посредством использования динамических механизмов, с помощью которых система достигает глобальной цели в результате локального низкоуровневого взаимодействия элементов. В примере задачи коммивояжера показано, как в алгоритмы решения дискретных задач оптимизации внедрить составляющие самоорганизации муравьев: случайность, многократность взаимодействия, отрицательную и положительную обратные связи. Проведенные компьютерные эксперименты показывают, что муравьиные алгоритмы находят хорошие маршруты коммивояжера значительно быстрее, чем точные методы комбинаторной оптимизации. Эффективность муравьиных алгоритмов увеличивается с ростом размерности задачи оптимизации.

Муравьиные алгоритмы обеспечивают решения и других комбинаторных задач не хуже общих метаэвристические технологий оптимизации и некоторых проблемно-ориентированных методов. Особенно хорошие результаты муравьиной оптимизации получаются для нестационарных систем, параметры которых изменяются во времени, например телекоммуникационных и компьютерных сетей.

Важным свойством муравьиных алгоритмов является неконвергентность: даже после большого числа итераций одновременно исследуется множество вариантов решения, вследствие чего не происходит длительных временных задержек в локальных экстремумах. Все это позволяет рекомендовать применение муравьиных алгоритмов для решения сложных комбинаторных задач оптимизации. Перспективными путями улучшения муравьиных алгоритмов являются on-line адаптация параметров с помощью базы нечетких правил, а также их гибридизация с другими методами природных вычислений, например генетическими алгоритмами. Гибридизация может осуществляться по островной схеме, когда различные алгоритмы решают задачу параллельно и автономно (каждый на отдельном «острове») с обменом наилучшими решениями через определенное время, или по принципу «мастер-подмастерье», когда основной алгоритм -- «мастер» передает решение типовых подзадач «подмастерью» -- специализированному, быстрому алгоритму.

2.4 Размещение базовых станций беспроводных широкополосных сетей с помощью муравьиного алгоритма оптимизации

Одной из задач проектирования беспроводных широкополосных сетей передачи информации является синтез ее топологической структуры. К этой задаче относится размещение базовых станций и подключение к ним клиентов. Задача формулируется следующим образом. На заданной территории необходимо разместить базовые приемо-передающие станции и подключить к ним клиентов таким образом, чтобы при минимальных затратах обеспечить требуемый уровень качества услуг для каждого абонента. Для решения этой NP-трудной задачи дискретного целочисленного программирования применяют как традиционные методы с использованием схемы ветвей и границ и процедуры Дэвиса- Путнама, так и эвристические подходы на основе жадных алгоритмов и табу-поиска. Однако в этих, и в других работах, не учитываются потери при распространении сигнала в радиоканале между антеннами абонентской и базовой станций, изменение задержки при многолучевости, характеристики затухания и другие факторы.

В качестве алгоритмов оптимизации выбраны муравьиные алгоритмы [19-20], которые для аналогичных дискретных задач размещения большой размерности продемонстрировали хороший баланс между точностью и временем решения. Работа ориентирована на задачи размещения для широко распространенных беспроводных сетей фиксированного доступа в диапазоне 1-5 ГГц, соответствующих стандарту IEEE 802.16-2004. Предполагается, что базовые станции располагаются на местности категории C, т.е. на равнинной территории с малой плотностью деревьев.

Предполагается, что каждая базовая станция может быть установлена на одно из М вакантных мест с фиксированными координатами. Таким образом, может быть от 1 до М -1 базовых станций. Существует К клиентов, каждого из которых необходимо подключить к одной базовой станции. Под клиентом понимается группа индивидуальных абонентов с одинаковыми условиями распространения сигналов, количество запросов от которых определено по результатам предварительного маркетингового исследования. Задача оптимального проектирования сети состоит в выборе наиболее дешевого варианта назначения базовых станций на вакантные места и распределения клиентов по базовым станциям.

Введем следующие обозначения:

X = (Х1, Х2,..., Хм ) - вектор размещения базовых станций, в котором значение координаты Хm = 1(0) указывает, что m-ое вакантное место занято (не занято) базовой станцией, ;

Y = ||Ykm|| - матрица распределения клиентов по базовым станциям (), в которой значение элемента Ykm = 1(0) указывает, что -й клиент подключен (не подключен) к базовой станции, размещенной на m-м вакантном месте.

Математически, решение задачи сводится к нахождению X и Y, обеспечивающих:

(2.49)

где - расстояния между k-м клиентом и m-м вакантным местом размещения базовой станции;

(2.50)

W() - стоимость подключения клиента к базовой станции с учетом пороговых значений удаленности R1 и R2;

с - стоимость базовой станции;

P() - штраф за снижение качества связи из-за потерь при распространении сигнала в радиоканале, расчет которого предлагается осуществить по таблице 2.6.

Для работы с таблице 2.6 требуется рассчитать потери сигнала по следующей формуле [30]:

(2.51)

где

- базовое расстояние, равное 100 м;

л - длина волны;

г - экспонента потерь при распространении сигнала;

r - расстояние между базовой и абонентской станциями;

s=8.2....10.6, дБ - случайная составляющая потерь при распространении сигнала с логнормальным распределением;

f - рабочая частота.

Таблица 2.6Штраф за ослабление сигнала

PL, дб	10	12.9	18.6	22.3	27.4	30
P	1	2	3	4	5	6

На управляемые переменные накладываются следующие ограничения.

Каждый клиент должен быть обязательно подключен только к одной базовой станции:

(2.52)

Суммарный трафик всех клиентов, обслуживаемых с m-то места, не должен превышать производительность станции:

2.53)

где- производительность станции, установленной на m-ом месте, Кбит/с;

- затребованная k- м клиентом ширина канала, Кбит/с.

В представленной формулировке данная задача относится к классу SSCFLP - задач размещения с одним источником обслуживания при наличии ограничений на его емкость [24].

Муравьиный алгоритм размещения базовых станций

Для применения муравьиной метаэвристики необходимо свести задачу к поиску кратчайшего пути на некотором графе и определить процедуры обновления феромонов и правила выбора маршрута [20]. В нашем случае поиск решений предлагается осуществить на конструирующем графе

GC(V1,V2,E). В этом графе множество вершин V1 соответствует вакантным местам размещения базовых станций, множество вершин V2 представляет клиентов, а веса ребер из множества E соответствует расстояниям между клиентами и вакантными местами. В начале каждой итерации алгоритма поставим по одному муравью на каждую вершину из V1. Опыт коллективного решения задачи колонией муравьев зададим феромонными следами, которые будем обновлять как на вершинах, так и на ребрах графа.

Положительную обратную связь реализуем так, чтобы муравьи при выборе маршрута ориентировались на феромонные уровни клиентов и уровни ребер, соединяющих клиентов и вакантные места. Чем больше феромонов у самого клиента, а также на соответствующем ребре, тем более привлекательным будет для муравья переход именно в этот компонент решения.

Выбирая маршрут, муравьи будут ориентироваться не только на динамически обновляемые феромонные уровни, но и на некоторый статический показатель локальной привлекательности ребер графа. Таким показателем назначим так называемую видимость клиента .

Ограничения задачи оптимизации выполним следующим образом. Согласно ограничению (2.52) каждому муравью запретим в течение одной итерации алгоритма посещать одного и того же клиента дважды. Для этого с каждым муравьем свяжем определенную структуру данных - табу-список, который сохраняет порядок клиентов, посещенных до момента времени t и запрещает муравью на текущей итерации алгоритма посещать их снова. Затем табу-список очищается и муравей вновь свободен в своем выборе. В конце итерации табу-список используется для подключения клиентов к базовой станции, установленной на вакантном месте.

Для выполнения ограничения (2.53) с каждым вакантным местом ассоциируется переменная Bcap.

В начале каждой итерации алгоритма значение этой переменной приравняем к производительности станции. После возвращения муравья от клиента значение Bcap уменьшается на величину полосы пропускания, затребованную клиентом.

Разработанный муравьиный алгоритм приведен ниже. При его разработке использована концепция муравьиной оптимизации из [20, 21, 23]:

<Инициализация параметров б,в,с,г,, >

<Разместить муравьев в местах кандидатах AntsPlaces[]>

For N=1:N

J:=0;

<Очистить табу-списки>

While J < число_клиентов do

K:= 0;

While K < число_муравьев do

<Разместить K-го муравья на вакантное место AntPlaces[K]>

<Сгенерировать случайное число q>

If q? then <выбрать клиента на основе правила (2.54)>

Else <выбрать клиента, используя правила (2.55)>

EndIf

<Добавить клиента в табу-cписок>

If

then <обновить феромоны на ребре, клиенте и вакантном месте по правилу локального обновления (2.56)>

Else <применить к ребру механизм испарения феромонов>

EndIf

EndWhile

EndFor

<Применить правило глобального обновления феромонов для наилучшего вакантного места на основе уравнения (7)>

While имеются_неподключенные_клиенты do

<Устанавливать на вакантные места базовые станции по уменьшению уровня феромонов и подключать к ним клиентов согласно табу-спискам муравьев>

EndWhile

<Вывести рассчитанное значение целевой функции>

Процесс построения решения начинается с фазы инициализации, в течение которой устанавливаются значения параметров алгоритма. Затем всем вакантным местам кандидатам, клиентам и ребрам присваивается одинаковое значение начального уровня феромона . В основном цикле алгоритма муравьи, стартуя из различных вакантных мест, направляются к клиентам. Для каждого муравья, размещенного в m-ом вакантном месте, рассчитывается привлекательность каждого допустимого клиента. Привлекательность клиента рассчитывается по правилу (2.54), которое учитывает уровни феромонов соответствующих клиента и ребра графа, а также его видимость. Муравей, размещенный в m-ом вакантном месте, двигается к k-му клиенту с максимальной привлекательностью.

Такой выбор осуществляется, если q?:

(2.54)

где

- феромонный уровень клиента;

- феромонный уровень ребра;

- видимость;

- коэффициент важности феромонных следов при выборе маршрута;

в>0 - коэффициент важности видимости при выборе маршрута;

q - случайное число, равномерно распределенное в интервале [0,1];

- коэффициент, задающий соотношение между эксплуатацией наилучшего решения и исследованием новых областей;

S - случайная переменная, выбранная по следующему вероятностному распределению:

(2.55)

где

- множество клиентов, а соответственно и ребер, которые еще не посетил k-й муравей к текущему шагу, расположенный в r-м вакантном месте.

При каждом передвижении муравья от вакантного места к клиенту и обратно, выполняется процедура модификации феромона на основе правила локального обновления феромонных следов.

В алгоритме присутствуют 3 правила локального обновления феромонов.

Первое правило обновляет феромоны на клиентах, когда туда приходят муравьи, второе правило модифицирует феромонный уровень места кандидата при возвращении муравья от клиента, а третье правило изменяет феромоны на ребрах, по которым прошли муравьи во время движения от вакантного места к клиенту и обратно.

Для всех трех случаев правило локального обновления представлено в следующем общем виде:

(2.56)

где

с Ђ (0,1) - коэффициент локального испарения феромонного следа; Дф=1/r - приращение феромонного уровня соответственно вакантного места, клиента или ребра на текущем шаге итерации.

Когда все муравьи посетят всех клиентов, применяется следующее правило глобального обновления феромонов:

(2.57)

где

г Ђ (0,1) - коэффициент глобального испарения феромонного следа;

-приращение феромонного уровня соответственно m- вакантного места.

В конце работы алгоритма среди всех имеющихся мест кандидатов выбирается одно с наибольшим количеством феромонов. На это место устанавливается базовая станция и к ней подключаются клиенты на основе табу-списка муравья, размещенного в этом месте. Если остались неподключенные клиенты, то берется вакантное место со вторым уровнем феромонов и по табу-списку соответствующего муравья подключаются клиенты. Этот процесс происходит до подключения всех клиентов.

Для компьютерных экспериментов сгенерировано множество задач размещения базовых станций различной размерности. Для реализации сети выбрана территория размером 100X100 км; радиус зоны обслуживания базовой станции составляет 20 км.

Результаты экспериментов свидетельствуют, что муравьиный алгоритм затрачивает на нахождение решения гораздо меньше времени, чем генетический алгоритм. Этот факт объясняется тем, что генетический алгоритм оперирует готовыми решениями, в то время как в муравьином алгоритме процесс построения решения выполняется последовательно, вовлекая в процесс решения все новые компоненты. При этом для задач малой и средней размерности генетический и муравьиный алгоритм находят одинаковые решения. Задачи большой размерности точнее решает муравьиный алгоритм.

Выводы по второй главе

Основные результаты данной главы заключается в следующем:

Исследованы эмпирические модели расчёта потерь сигнала при распространении радиоволн. Проведен сравнительный анализ различных моделей.

Разработана методика определения оптимальной топологии мобильной сети для городского микрорайона.

Исследованы муравьиные алгоритмы для решения задач многокритериальной оптимизации.

Разработан алгоритм размещения базовых станций беспроводных широкополосных сетей с помощью муравьиного алгоритма оптимизации.

ЗАКЛЮЧЕНИЕ

Изучена архитектура сети LTE. Архитектура сети LTE позволяет обеспечить поддержку пакетного трафика с так называемой "гладкой" (seamless) мобильностью, минимальными задержками доставки пакетов и высокими показателями качества обслуживания.

Изучены основные стеки протоколов. Исследована структура стека протоколов, а также функции каждого уровня протокола.

Стек протоколов, разделён на следующие уровни:

физический (PHY) уровень;

(под)уровень управления доступом к среде MAC (Medium Access Control);

(под)уровень управления радиоканалом RLC (Radio Link Control);

(под)уровень протокола конвергенции (слияния) пакетных данных PDCP (Packet Data Convergence Protocol).

(под)уровень управления радио ресурсами RRC (Radio Resource Control);

подуровень протокола, функционирующего вне слоя доступа (NAS-протокол).

Проанализированы основные услуги сети LTE и система управления качеством.

Исследованы эмпирические модели расчёта потерь сигнала при распространении радиоволн. Проведен сравнительный анализ различных моделей. Распространение радиоволн в реальных условиях трудно заранее предсказать, и, поэтому на практике в основном используются, эмпирические модели приняты без реальной аналитической основы. Исследованы возможности моделей Ли, Хаты и Walfisch-Ikegami.

Разработана методика определения оптимальной топологии мобильной сети для городского микрорайона. Данная методика позволяет решить задачу поиска оптимального положения базовых станций, системы подвижной связи в городском микрорайоне. Положение базовых станций определяется исходя из условия обеспечения заданного уровня сигнала в каждой точке зоны обслуживания. При этом учитываются отражения от земной поверхности и от объектов урбанистической застройки.

Разработан алгоритм размещения базовых станций беспроводных широкополосных сетей с помощью муравьиного алгоритма оптимизации.

Разработан программный комплекс, состоящий из следующих программ:

Программа для расчёта потерь при распространении радиоволн по трём моделям:

Модель Хата

Модель Ли

Модель COST231-Уолфиш-Икегами

Программа для анализа и визуализации моделей в различных средах распространения сигнала.

Программа для определения оптимальной топологии мобильной сети для городского микрорайона.

Программа для размещения базовых станций беспроводных широкополосных сетей с помощью муравьиного алгоритма оптимизации.

Разработана структура программного комплекса и дано описание функциональных модулей.

Разработана подробная инструкция по установке и использованию программного обеспечения. Определены требования к техническому и программному обеспечению для использования программного комплекса.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

Нормативно-правовые документы

Произведение Президента Республики Узбекистан «Узбекистан на пороге XXI века. Угрозы безопасности, условия и гарантии прогресса» И.А. Каримов 1997 г.

Произведение Президента Республики Узбекистан «Высокая духовность -- непобедимая сила» И.А. Каримов 2008 г.

Произведение Президента Республики Узбекистан «Ўзбекистон мустакилликка эришиш остонасида» («Узбекистан на пороге достижения независимости») И.А. Каримов 2011 г.

Указ Президента Республики Узбекистан «О дальнейшем развитии компьютеризации и внедрении информационно-коммуникационных технологий», г. Ташкент. 30 мая 2002 г.

Закон Республики Узбекистан «Об образовании», г. Ташкент, 29 августа 1997 г.

Закон Республики Узбекистан «Об информатизации», г. Ташкент. 11 декабря 2003 г.

Постановление Президента Республики Узбекистан «О дополнительных мерах но дальнейшему развитию информационно-коммуникационных технологий», г. Ташкент. 8 июля 2005 г.

Постановление Президента Республики Узбекистан «О мерах но дальнейшему внедрению и развитию современных информационно-коммуникационных технологий», г. Ташкент. 21 марта 2012 г.

Учебник и учебные пособия

Информационно-распознающие системы частичной прецендентной Р.Т. Абдукаримов, М. М. Камилов, А. И. Кондратьев ; АН УзССР, Узб. науч.-произв. об-ние "Кибернетика". - Ташкент : Фан, 1986. - 103

Камилов М.М. Абдукаримов Р.Т. Логико-эвристические алгоритмы распознавания, основанные на поиске признаков классов. (1977)

Гельгор А.Л. Технология LTE мобильной передачи данных: учеб. пособие /Гельгор А.Л., Попов Е.А. -- СПб.: Изд-во Политехн. ун-та, 2011. -- 204 с.

Биккенин Р. Р. Теория электрической связи : учебное пособие для студ. высших учебных заведений / Р. Р. Биккенин, М. Н. Чесноков. -- М. : Издательский центр “Академия”, 2010. -- 336 с.

Макаров С. Б. Телекоммуникационные технологии: введение в технологии GSM : учеб. пособие для высш. учеб. заведений / С. Б. Макаров, Н. В. Певцов, Е. А. Попов, М. А. Сиверс. -- М. : Издательский центр “Академия”, 2006. -- 256 с.

Волков А. Н. UMTS. Стандарт сотовой связи третьего поколения / А. Н. Волков, А. Е. Рыжков, М. А. Сиверс. -- СПб. : Издательство “Линк”, 2008. -- 224 с.

Кааринен Х. Сети UMTS. Архитектура, мобильность, сервисы / Х. Кааринен, А. Ахтиайнен, Л. Лаитинен, С. Найан, В. Ниеми. -- М. : Техносфера, 2007. -- 464 с.

Попов Е. А. Технология GPRSпакетной передачи данных в сетях GSM : учеб. пособие / Е. А. Попов. -- СПб. : Изд-во Политехн. ун-та, 2008. -- 182 с.

Солонина А. И. Основы цифровой обработки сигналов. Курс лекций / А. И. Солонина, Д. А. Упахович, С. М. Арбузов, Е. Б. Соловьёва. -- СПб. : БХВ -- Петербург, 2005. -- 768 с.

Сергиенко А. Б. Цифровая обработка сигналов / А. Б. Сергиенко. -- СПб. : БХВ -- Петербург, 2011. -- 768 с.

Bonavear E., Dorigo M. Swarm Intelligence: from Natural to Artificial Systems.-- Oxford University Press, 1999.-- 307 p.

Corne D., Dorigo M., Glover F. New Ideas in Optimization.-- McGrav-Hill, 1999.

Dorigo M. Swarm Intelligence, Ant Algorithms and Ant Colony Optimization // Reader for CEU Summer University Course «Complex System».-- Budapest,CentralEuropean University, 2001.-- P. 1-38.

Reimann M. Ant Based Optimization in Good Transportation. PhD Thesis. University of Vienna.--Vienna, Austria, 2002.-- 149 p.

Caro G. D., Dorigo M. Anet: a Mobile Agents Approach toAdaptive Routing. Technical Report IRIDA 97-12. IRIDA -- Universite Libre de Brusseles.-- Brussels, Belgium, 1997.-- 27 p.

Amaldi E. Planning UMTS base station location: optimization models with power controls and algorithms / Amaldi E., Capone A. // IEEE Transactions on Wireless Communications. - 2003. - Vol. 2, №5.-P. 939-952.

Tang M. A reference station placement scheme in deployment of network real-time kinematic positioning systems / Tang M., Feng Y., et al. // Proceedings International Global Navigation Satellite Systems Society Symposium. Sydney. - 2007. - P. 123-132.

Yang Y. Planning base station and relay station locations in IEEE 802.16j multi-hop relay networks / Yang Y., Murphy S., Murphy L. // In Proceedings of 5th IEEE Consumer Communications and Networking Conference. - 2008. -P. 922-926.

Jacobson K.R. Cell dimensioning and network throughput in cellular multi-hop relay networks / Jacobson K.R., Krzymien W.A. // In Proceedings VTC2006-Fall, Montreal, Canada. - 2006.

Вишневский В. Широкополосные беспроводные сети передачи информации. / Вишневский В.. Ляхов А., Шахиович И., Портной С. - М.: Техносфера. 2005. - 456 с.

Dorigo M. The Ant System: Optimization by a Colony of Cooperating Agents / Dorigo M., Maniezzo V.. Colorni A // IEEE Trans, on Systems, Man and Cybernetics. Part B. - 1996.-Vol. 26, №1.-P.29-4I.

Erceg V. Channel models for fixed wireless applications / Erceg V., Hari K.V.S., et al. // Tech. Rep. IEEE 802.16a-03/01. June 2003.

Dorigo M. The Ant Colony Optimization Metaheuristic: Algorithms. Applications, and Advances / Dorigo M.. Stutzle T. // International Series in Operations Research & Management Science. - 2003.

TR 101 362 v6.0.1 (1998-07) Digital cellular telecommunication system (Phase 2+); Radio network planning aspects (GSM 03.30 version 6.0.1 Release 1997).

Jukka Lempiainen, Matti Manninen “Radio interface system planning for GSM/GPRS/UMTS”, Kluwer Academic publishers, New York, Boston, Dordrecht, London, Moscow/ 2004.

COST 231 „Urban transmission loss models for mobile radio in the 9000- and 1800- MHz bands (Revision 2)” COST 231 TD (90)117.

А. С. Брагин, А. Г. Мильковский. Радиотелекоммуникационные системы. Часть 3. Технологии наземной радиосвязи. - К.: НТУУ „КПИ”, 2004. - 373 с.

Статьи в научных журналах

Камилов М.М., Фазылов Ш.Х., Мирзаев Н.М. (Институт математики и информационных технологий АН РУз, Москва,2010, Международный симпозиум «ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ») Построение алгоритмов вычисления оценок в условиях коррелированности признаков.

Камилов М.М., Маматов Н.С., Худайбердиев М.Х. (Институт математики и информационных технологий АН РУз, Москва,2010, Международный симпозиум «ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ») Формирование информативных признаков объектовраспознавания на основе однородного критерия фишеровского типа k-го порядка.

М. М. Камилов, А. Р. АхатовСистема контроля достоверности текстовой информациина основеn-граммных парсинговых моделей(Журнал «Проблемы информатики», Номер: 1 Год: 2010 Страницы: 42-51).

А.Х. Нишанов,О.К. Хужаев,О.Т. Алламов Классификация масалаларини ечишда нейрон тури архитектураси ва укитиш алгоритмларини танлаш. («ТАТУ хабарлари» 3-4/2012)

А.Х. Нишанов,О.К. Хужаев,О.Т. Алламов Телекоммуникация тармокларида маршрутизация масаласини ечишнинг кисман танлов усули алгоритми. ( «ТАТУ хабарлари» 3-4/2012)

Мухамедиева Д.Т., Агзамходжаева М.Р. Оптимизация параметров нечетких правил на основе генетического алгоритма.

TangM. Areferencestationplacementschemeindeploymentofnetworkreal-timekinematicpositioning systems / TangM., FengY., et al. // Proceedings International Global Navigation Satellite Systems Society Symposium. Sydney. - 2007. - P. 123-132.

Yang Y. Planning base station and relay station locations in IEEE 802.16j multi-hop relay networks / Yang Y., Murphy S., Murphy L. // In Proceedings of 5th IEEE Consumer Communications and Networking Conference. - 2008. -P. 922-926.

Erceg V. Channel models for fixed wireless applications / Erceg V., Hari K.V.S., et al. // Tech. Rep. IEEE 802.16a-03/01. June 2003.

ПРИЛОЖЕНИЕ

#define IDI_ICON1 101

#include <windows.h>

#include <math.h>

#include <stdlib.h>

#include <stdio.h>

unsigned short mest[10],len,hi,k=0,nn=0;

short n=0;

float f[10],Hb[10],Ha[10],X,Y;

//поправочный коэффициент

double Ah(float Ha,float f,unsigned short mest)

{

double tmp;

if(mest<=3)

tmp=(1.1*log10(f)-0.7)*Ha-(1.56*log10(f)-0.8);

else

if(f>400)

tmp=3.2*pow((log10(11.75*Ha)),2)-4.97;

else

tmp=8.29*pow((log10(1.54*Ha)),2)-1.1;

return tmp;

}

//степень lg(d)

double Al(float f,float Hb,float d)

{

double tmp;

if (d<=20)

tmp=1;

else

tmp=1+(0.14+0.000187*f+0.00107*(Hb/pow((1+0.000007*pow(Hb,2)),0.5)))*pow((log10(d/20)),0.8);

return tmp;

}

//затухание

double L(float f,float Ha, float Hb, float d, unsigned short mest)

{

double Lg=0,tmp;

if (mest==1)

Lg=4.78*(pow(log10(f),2))-17.33*log10(f)+40.94;

else

if (mest==2)

Lg=2*(pow(log10(f/28),2))+5.4;

tmp=69.55+26.16*log10(f)-13.82*log10(Hb)-Ah(Ha,f,mest)+(44.9-6.55*log10(Hb))*pow(log10(d),Al(f,Hb,d))-Lg;

return tmp;

}

//чтение параметров для расчета

double Read(HWND hwnd,unsigned edit)

{

double rez=0; unsigned short m=0;

char path[6],tmp;

GetDlgItemText(hwnd, edit, path, 6);

rez=atof(path);

return rez;

}

void Menu(HWND hwnd,HINSTANCE hInstance)

{

CreateWindow("button", "Сельская местность",

WS_CHILD|WS_VISIBLE|BS_AUTORADIOBUTTON,

20, 2, 200, 20, hwnd, (HMENU)10001, hInstance, NULL);

CreateWindow("button", "Пригородные районы",

WS_CHILD|WS_VISIBLE|BS_AUTORADIOBUTTON,

20, 24, 200, 20, hwnd, (HMENU)10002, hInstance, NULL);

CreateWindow("button", "Малые и средние города",

WS_CHILD|WS_VISIBLE|BS_AUTORADIOBUTTON,

20, 46, 200, 20, hwnd, (HMENU)10003, hInstance, NULL);

CreateWindow("button", "Крупные города",

WS_CHILD|WS_VISIBLE|BS_AUTORADIOBUTTON,

20, 68, 200, 20, hwnd, (HMENU)10004, hInstance, NULL);

CreateWindow("edit","433",WS_CHILD|WS_VISIBLE|WS_BORDER|WS_EX_CLIENTEDGE,

470,2,40,20,hwnd,(HMENU)10005,hInstance,NULL);

CreateWindow("edit","50",WS_CHILD|WS_VISIBLE|WS_BORDER,

470,24,40,20,hwnd,(HMENU)10006,hInstance,NULL);

CreateWindow("edit","1.6",WS_CHILD|WS_VISIBLE|WS_BORDER,

470,46,40,20,hwnd,(HMENU)10007,hInstance,NULL);

CreateWindow("button", "Добавить график", WS_CHILD | WS_VISIBLE | BS_PUSHBUTTON,

240, 68,270, 20, hwnd, (HMENU)10008, hInstance, NULL);

/*CreateWindow("edit","",WS_CHILD|WS_VISIBLE|WS_BORDER,

690,2,40,20,hwnd,(HMENU)10009,hInstance,NULL);

/*CreateWindow("button", "Вычислить L, Db", WS_CHILD | WS_VISIBLE | BS_PUSHBUTTON,

520, 24,160, 20, hwnd, (HMENU)10010, hInstance, NULL);

CreateWindow("edit","",WS_CHILD|WS_VISIBLE|WS_BORDER,

690,24,40,20,hwnd,(HMENU)10011,hInstance,NULL);*/

CreateWindow("button", "Сброс", WS_CHILD | WS_VISIBLE | BS_PUSHBUTTON,

520,30,210, 42, hwnd, (HMENU)10012, hInstance, NULL);

}

Размещено на Allbest.ru