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).