Filtering 5G LOS/NLOS signals by using empirical path loss models and classification

This thesis focuses on experimental activities for classifying the path loss of 5G signal. After reviewing and implementing path loss models from the literature, their accuracy is evaluated with real data collected in an urban area of Milan, in the Leonardo campus of the Politecnico di Milano. A distinction is done between line of sight (LOS) and non line of sight (NLOS) propagation conditions, i.e., discriminating the absence or presence of obstructing obstacles along the direct propagation path between a transmitting base station and the receiver. The comparison of experimental data and path loss models highlight a discrepancy in the path loss evaluation, with errors of several decibels in the received signal power, thus suggesting to investigate machine learning models for better classifying if a received signal is subject to LOS or NLOS. To this aim, considering the 3D geometry of the Milan area, we label each measurement to be LOS or NLOS by using Matlab ray tracing. Then, the labelled dataset is used for assessing k nearest neighbor and logistic regression algorithms, which demonstrated a better fit to the data, resulting in a classification accuracy of 93%.

Questa tesi presenta i risultati di una analisi sperimentale per classificare un segnale 5G in base all’attenuazione. Partendo dall’esaminare e implementare dei modelli di attenu azione disponibili nella letteratura scientifica, si è proseguito con una valutazione della loro accuratezza su dei dati reali raccolti in un ambiente urbano di Milano, nel campus Leonardo del Politecnico di Milano. Viene fatta una distinzione tra una condizione di propagazione in visibilità e una in non visibilità, cioè discriminando tra l’assenza o pre senza di ostacoli lungo la direzione di propagazione del segnale tra una stazione radio base e il ricevitore. Confrontando i dati sperimentali con i modelli, si evidenzia una dis crepanza nella valutazione dell’attenuazione, con errori di diversi decibel sulla potenza del segnale ricevuto, suggerendo quindi lo studio di metodologie di apprendimento auto matico dai dati che siano in grado di classificare più accuratamente se un segnale ricevuto abbia attraversato condizione di propagazione in visibilità o no. Per questo obiettivo, ogni misura è stata etichettata con l’ausilio del tracciatore di raggi disponibile in Matlab. Il dataset etichettato è poi stato utilizzato per valutare le prestazione di un algoritmo k nearest neigboth e di una regressione logistica, i quali si sono dimostrati efficaci nella classificazione del segnale, ottenendo valori di accuratezza nell’ordine del 93%.