4. Performance Evaluation(Оценка производительности)

The indoor scenario described above (Sec. 3) is used to validate the IRLA model.(Сценарий, описанный выше(раздел 3), используется для валидации/проверки модели интеллектуального алгоритма образования лучей). This section introduces the cali­bration process of the IRLA model and experimental results.(Этот раздел предоставляет информацию о процессе калибровки/поверки модели интеллектуального алгоритма образования лучей, а также результаты испытаний). Based on the prediction, comparisons can be investigated and recommendations are given.(На основе прогноза можно провести сравнения, и предоставить рекомендации).

4.1 IRLA Validation (Валидация/проверка интеллектуального алгоритма образования лучей)

A single run using a standard PC (2.5 GHz CPU, 4 G RAM) with this scenario takes around 1 minute for the com­putation of the 3-D path loss and multipaths information.(Эксперимент, проводимый с использованием стандартного компьютера (частота ЦПУ- центрального процессора 2.5 ГГц, 4 гигабайт оперативной памяти) по данному сценарию, занимает около одной минуты на вычислительные операции 3-D многолучевого распространения и информации о нём). The SA calibration takes around 2 minutes to complete and v is obtained.(Для завершения калибровки/поверки модельной «закалки» требуется около двух минут, в результате которого получают вектор v). The default parameters yield around 6 dB RMSE (Figs. 4 and 5) on the first run.(Параметры по умолчанию выдают около 6 дБ среднеквадратичных ошибок/отклонений (рис.4, 5) уже в ходе первого эксперимента). It can be observed that there are some prediction points that are of large differ­ences.(Можно заметить, что некоторые прогнозируемые точки весьма различны/кардинально отличаются друг от друга). This could be caused by the following: (Причиной может быть следующее):

• The materials and other network parameters (such as path loss coefficients) are not calibrated.(Материалы и другие сетевые параметры//параметры схемы (такие, как, коэффициенты многолучевого распространения) не подвергаются калибровке/поверке).

• The measurement data itself may be affected by many factors such as the variation of environment (such as moving vehicles).(Сами по себе данные измерений могут подвергаться влиянию различных факторов, например, таких, как изменения окружающей среды (движение транспортных средств).

• The IRLA model may terminate the ray computations at the early stage if the rays carry weak signal strengths due to incorrect summation from uncalibrated materials.(Модель интеллектуального алгоритма образования лучей может завершить/ограничить процесс вычисления лучей на ранней стадии, если лучи выдают слабые сигналы вследствие некорректного суммирования от некалиброванных материалов).

After proper calibration, the prediction result compared to measurements show an agreement (Tab. 1), with the 3.5 dB RMSE and a mean error of 0.01 dB.(После выполнения правильной калибровки/поверки, результат прогноза согласуется с измерениями (Таб.1), со среднеквадратичной ошибкой/погрешностью, равной 3.5 дБ и средней ошибкой, равной 0.01 дБ).

It can be observed that most predictions are accurate within the ranges of [-10, + 10] dB difference.(Можно заметить, что большая часть прогнозов отличается точностью в пределах погрешности [-10,+ 10] дБ). There are few points that prediction tends to be either too optimistic or pessimistic.(Существуют две точки зрения, согласно которым прогноз может быть благоприятным или неблагоприятным). From Fig. 5, the prediction errors can be visu­alised geographically.(С помощью рис.5 можно визуализировать ошибки прогнозирования географическим способом/по территориальным признакам). It can be seen that the most optimistic predictions are distributed within a short distance range from the emitter and receivers (such as the locations near by the refrigerator or behind the door).(Наглядно видно, что самые благоприятные прогнозы распределяются/действуют? на коротких расстояниях от излучателя и приёмника/ресивера(например, положения/позиции вблизи холодильника или за дверью). The pessimistic prediction points are located far from the emitter.(Неблагоприятные точки прогнозирования расположены вдали от излучателя). This may be used as important evidence to further optimize the model.(Эта информация может быть использована в качестве весомого основания для дальнейшей оптимизации модели).