University of Oulu

Demonstrating data-driven multivariate regression models for simulated PRACH data using machine learning

Saved in:
Author: Karhumaa, Emilia1
Organizations: 1University of Oulu, Faculty of Science, Mathematics
Format: ebook
Version: published version
Access: open
Online Access: PDF Full Text (PDF, 1.2 MB)
Pages: 61
Persistent link: http://urn.fi/URN:NBN:fi:oulu-202005191978
Language: English
Published: Oulu : E. Karhumaa, 2020
Publish Date: 2020-05-19
Thesis type: Master's thesis
Tutor: Laitinen, Erkki
Reviewer: Laitinen, Erkki
Ruha, Leena
Description:

Abstract

This thesis studies the application of multivariate regression models in simulated PRACH data. The construction of the regression models have been built using the machine learning algorithms Lasso and Gaussian Process Regression with different kernels. I used two different regression algorithms to compare which one fits best. The data contains input and output variables. For each output variable, its own model was constructed using the above-mentioned machine learning algorithms.

The physical random channel (PRACH) handles how the user is connected to the broadband network, more specifically, it requests uplink allocation of the user to the base station. Data has been collected from the 5gNR link-level simulator which have built to simulate radio communication with 5G technology. The simulator compares two different test runs with each other. It is expected that these runs work in exactly the same way. The purpose of the thesis was to investigate the behaviour and divergence of the test runs, and sort important variables in the definition of a random channel.

Tiivistelmä

Tämä opinnäytetyö tutkii monimuuttuja regressiomallien soveltamista simuloituun PRACH dataan. Regressiomallit on rakennettu käyttäen koneoppimisalgoritmeja Lasso ja Gaussian Prosessi Regressio erilaisilla ytimillä. Käytin kahta erilaista regressioalgoritmia vertaillaksesi mikä sopii parhaiten. Data sisältää selittäviä muuttujia sekä tutkittavia tulosmuuttujia. Jokaiselle tulosmuuttujalle rakennettiin oma malli käyttäen edellä mainittuja koneoppimisalgoritmeja.

Fyysinen satunnaiskanava (PRACH) käsittelee, kuinka käyttäjä saadaan liitettyä laajakaistaverkkoon, tarkemmin sanottuna se pyytää uplink allokointia käyttäjältä tukiasemalle. Data on kerätty 5gNR linkkitason simulaattorista, joka on rakennettu simuloimaan radioviestintää 5G teknologialla. Simulaatori vertailee kahta erilaista testiajoa keskenään. Näiden ajojen odotetaan toimivan täsmälleen samalla tavalla. Tutkielmassa tarkoitus oli tutkia testiajojen käyttäytymistä ja eroavaisuuksia, sekä yrittää nostaa tärkeitä muuttujia esille satunnaiskanavan määrittelystä.

see all

Subjects:
Copyright information: © Emilia Karhumaa, 2020. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited.