
- •3. Experiments(Эксперименты)
- •3.1 Scenario(Сценарий)
- •3.2 Measurements(Измерения)
- •3.3 Calibration(Калибровка/поверка)
- •4. Performance Evaluation(Оценка производительности)
- •4.2 Comparison with Reference Tools(Сопоставление с инструментами поиска неисправностей по эталону?)
- •4.2.2 Cost-231 Multiwall Model(Модель cost-231 Multiwall)
- •4.3 Comparison and Recommendations(Сравнение/сравнит.Характер.И рекомендации)
- •5. Conclusion and Perspectives(Заключение и перспективы)
4.2 Comparison with Reference Tools(Сопоставление с инструментами поиска неисправностей по эталону?)
In this section, the 2.5-D and 3-D IRLA model will be compared with two reference models: MR-FDPF and COST231 Multiwall.(В этом разделе мы сравним модель интеллектуального алгоритма образования лучей в формате 2.5-D и модель интеллектуального алгоритма образования лучей в формате 3-D с двумя базовыми/эталонными моделями: моделью MR-FDPF(переменная разрешающая способность конечных разностей) и моделью COST231 Multiwall соответственно).
4.2.1 MR-FDPF Model(Модель MR-FDPF- переменная разрешающая способность конечных разностей)
MR-FDPF [21] is a FDTD-like method but in the frequency domain.(Метод MR-FDPF [21] схож с FDTD –методом(методом конечных разностей, но в другой частотной области). MR-FDPF (Multi-Resolution Frequency Domain Parflow) is based on the ParFlow model derived in [26].( Метод MR-FDPF(переменной разрешающей способности конечных разностей ParFlow) основан на моделе ParFlow, полученный в [26]). It is a finite difference approach similar to finite difference time domain method (FDTD) which has the advantage of being able to compute all the reflections and diffractions without limitations since it solves the Maxwell's equations [27].(Это метод конечных разностей, схожий с методом конечных разностей во временной области(FDTD), преимуществом которого является возможность производить неограниченное вычисление всех отражений и дифракций, так как этот метод позволяет решить уравнение Максвелла).
The formulation of ParFlow is based on the transmission line matrix (TLM) method.(Формулировка/оформление модели ParFlow основано на методе трёхмерной матрицы линии передачи). In this approach (in 2-D) the field is modeled by four flows corresponding to the four cardinal directions.(При данном подходе (в формате 2-D) поле моделируют четырьмя потоками, соответствующими четырём основным направлениям). In each pixel, also referred to as a node, scattering matrix is associated which efficiently models reflection and diffraction effects.(Каждый пиксель, также именуемый «узлом»?, объединяется с матрицей рассеяния, что позволяет эффективно смоделировать влияние отражения и дифракции).
The advantage of ParFlow compared to FDTD is that the four fields are scalar, thus reducing the number of variables (no E and H fields).(Преимущество ParFlow- модели по сравнению с FDTD- моделью в том, что четыре поля являются скалярными(величинами), а ,следовательно, сокращается количество переменных). In [26] a frequency domain implementation of ParFlow was proposed.(В [26] нами была предложена реализация частотной области? модели ParFlow). The advantage of this formulation is that the steady state of the source can be computed using a recursive formalism, instead of solving the equations for the whole environments.(Преимущество этой формулировки/оформления заключается в том, что устойчивое положение источника может быть вычислено посредством рекурсивного формализма, а не решения уравнений для всех элементов окружающей среды). Therefore, a multi-resolution approach is used where the nodes are gathered into multi resolution nodes (MR-nodes) and where the problem is divided into sub-problems, thus highly reducing the overall complexity (mainly due to the need for inversion of large matrices).(Поэтому метод переменной разрешающей способности используется там, где «узлы»? образуют «узлы»? переменной разрешающей способности(MR-nodes), а также в случае, если задача делится на подзадачи, что значительно сокращает общий уровень сложности (главным образом, вследствие необходимости инвертировать крупные матрицы).
The MR-FDPF algorithm works into two steps.(Алгоритм MR-FDPF состоит из двух стадий). First, a pre-processing phase where the environment is divided into MR-nodes and where the scattering matrices are computed.(Первая- предварительная/первичная фаза, в которой окружающую среду подразделяют на узлы переменной разрешающей способности (MR-nodes). А также вычисляют матрицы рассеяния). This phase does not depend on the sources to simulate but only on the scenario.(Эта фаза зависит только от конкретного сценария, а не от источников, подлежащих моделированию/воспроизведению). Therefore it only has to be performed once.(Именно поэтому её необходимо осуществлять только единожды). The second step is the propagation phase which works on the boundary conditions: A source is recursively included in larger space blocks up to the full space, and the backward propagation is done by propagating incoming boundary flows toward the separation line and down to the unitary cells.(Вторая стадия- это так называемая «фаза распространения»(сигнала?), действующая на предельных/пограничных условиях: Источник рекурсивно включают в большие пространственные блоки? до полного заполнения, а обратное распространение осуществляется посредством распространения входящих пограничных потоков к линии разделения/разнесения? вплоть до единичных ячеек/элементов?
The advantage of MR-FDPF is that, due to the multi-resolution approach, the computational phase of the propagation of one source is very low compared to a time domain implementation.(Преимущество модели MR-FDPF состоит в том, что при применении метода переменной разрешающей способности вычислительная фаза распространения одного источника мала, по сравнению с реализацией временной области).However, when moving to 3-D implementations, the number of flows to compute increases and in such case the frequency domain implementation has no obvious advantages in term of complexity.(Однако при переходе к внедрению формата 3-D число вычисляемых потоков увеличивается, и в таком случае реализация частотной области в плане сложности не имеет явных преимуществ). Therefore this model is usually restricted to 2-D.(Поэтому эту модель обычно ограничивают форматом 2-D).
In [28] MR-FDPF was successfully used for indoor network planning and it was shown that, when considering flat environments where the main propagation effects are in the horizontal plane, it was possible to reach very high accuracy.(В [28] модель MR-FDPF успешно применили в области сетевого планирования внутри зданий. В результате мы выяснили, что при учёте плоских/ровных ? участков окружающей среды в той области, где основные эффекты распространения действуют в горизонтальной плоскости, была возможность достичь высоких показателей точности). Moreover, a calibration of the method was also proposed to compensate for these 3-D effects by changing the parameters of the materials.(Более того, для компенсации 3-D эффектов также было предложено использовать калибровку/поверку этого метода посредством мены параметров материалов). The method was also extended to simulate larger bandwidth, more details can be found in [29].(Этот метод также был использован для моделирования большего диапазона рабочих частот/ширины полосы? Подробную информацию можно найти в [29]. Due to its accuracy, MR-FDPF is included in a Wifi network optimization tool [30].(По причине своей точности метод MR-FDPF включают в инструмент оптимизации сетей для Wifi).
MR-FDPF has lower complexity than FDTD because of its pre-processing and it directly solves the final Maxwell equations without time information.(Модель MR-FDPF, в отличие от модели FDTD отличается меньшей сложностью по причине своей первичности. Эта модель способна решить конечные уравнения Максвелла безотносительно информации о времени). At this stage, 2-D MR-FDPF is usually tested due to much larger computational complexity requirement when this model is applied in the 3-D cases.(Обычно на этой стадии проводят испытания модели MR-FDPF в формате 2-D вследствие более высоких требований к сложности вычислительных операций в случае применения этой модели в трёхмерном пространстве). In order to use MR-FDPF to predict this indoor scenario, some assumptions have to be made.(Для применения модели MR-FDPF с целью прогнозирования этого «внутреннего сценария» необходимо сделать кое-какие предположения). First a cut on receiver locations from full 3-D data is required.(Во-первых, необходимо изъять из полной базы данных по 3-D схему/фрагмент записи? положений приёмника/ресивера). However, a 2-D scenario docs not fully reflect the 3-D characteristics by approximation of one cut.(Однако сценарий для формата 2-D не в полной мере отражает характеристики 3-D…?) For example, a table not blocking rays may be a reflected source, which is difficult to model in 2-D.(Например,таблица? неблокирующихся лучей может быть зеркальным источником?, что нельзя смоделировать в формате 2-D). Fortunately, by calibration, similarly to the IRLA model, 2-D MR-FDPF can adjust the material properties so that the accuracy can be improved.(К счастью, посредством калибровки/поверки, так же, как и в случае с моделью интеллектуального алгоритма образования лучей, модель MR-FDPF формата 2-D способна осуществить настройку свойств материала для достижения повышенной точности).For example, rays transmitted by a window do not attenuate much but this will be treated as a heavy-thick wall in this 2-D scenario used by MR-FDPF.(Например,передаваемые/пропускаемые окном лучи не сильно(незначительно) ослабляют сигнал, однако в этом сценарии для 2-D формата они будут расцениваться как “тяжёлый толстостенный объект»). By calibrating with measurements, this material is adjusted.(Посредством калибровки/поверки с измерениями настраивают/корректируют? этот материал).