Analiza wpływu zależności czasowych na skuteczność identyfikacji warunków LOS i NLOS przy użyciu uczenia maszynowego

Identyfikacja warunków LOS i NLOS jest istotna z punktu widzenia utrzymania jakości świadczonych usług telekomunikacyjnych, szczególnie w środowisku wewnątrzbudynkowym. Z uwagi na dynamiczny rozwój metod z obszaru AI (Artificial Intelligence) niniejszy artykuł przedstawia porównanie dwóch najpopularniejszych modeli, tj. głębokiej sieci neuronowej oraz sieci z pamięcią LSTM (Long Short-Term Memory) do identyfikacji warunków bezpośredniej widoczności LOS i NLOS w środowisku wewnątrzbudynkowym dla scenariuszy dynamicznych.

---

LOS and NLOS classification is essential in reference to quality and reliability of the telecommunication services, especially considering an indoor environment. Due to rapid development of the methods within AI (Artificial Intelligence) area, the given paper compares two, most popular, machine learning methods, i.e. deep neural network and LSTM (Long Short-Term Memory) network for the direct visibility of the two antennas conditions identification based on the indoor, dynamic measurement scenarios.