Deep residual networks for wireless transmitter localization using sparse boundary measurements

Ahmadi, Arash (2025). Deep residual networks for wireless transmitter localization using sparse boundary measurements. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

Transmitter localization is a critical challenge in wireless communication, impacting network optimization, security, and spectrum management. Traditional localization techniques, such as triangulation and fingerprinting, require extensive data collection and computational resources, making them impractical for large-scale deployments. This thesis explores a deep learning-based localization method that leverages a Residual Neural Network (ResNet) to predict the position of a wireless transmitter using sparse boundary signal strength measurements. Unlike conventional methods that rely on full-area data collection, the proposed approach significantly reduces measurement complexity while maintaining high localization accuracy. The model is trained on a dataset of simulated radio propagation maps generated using the Dominant Path Model (DPM) and evaluated on both synthetic and real-world measurement scenarios. Experimental results demonstrate an average localization error of 7.23 meters, with a standard deviation of 3.32 meters, making it competitive with state-of-the-art deep learning localization techniques. Additionally, a confidence metric is introduced to assess prediction reliability in non-line-of-sight conditions. The findings highlight the potential of deep residual learning for cost-effective transmitter localization in complex environments with limited access. This research contributes to the development of deep learning solutions for wireless signal analysis, paving the way for enhanced network management and interference mitigation strategies.

Titre traduit

Réseaux résiduels profonds pour la localisation des émetteurs sans fil à l’aide de mesures de frontière éparses

Résumé traduit

La localisation des émetteurs est un défi crucial en communication sans fil, influençant l’optimisation des réseaux, la sécurité et la gestion du spectre. Les techniques de localisation traditionnelles, telles que la triangulation et la méthode d’empreinte numérique du signal (fingerprinting), nécessitent une collecte de données intensive et des ressources computationnelles importantes, les rendant peu pratiques pour des déploiements à grande échelle. Cette thèse explore une méthode de localisation basée sur l’apprentissage profond, exploitant un réseau neuronal résiduel (ResNet) pour prédire la position d’un émetteur sans fil à partir de mesures de puissance du signal prises aux limites de la zone d’intérêt. Contrairement aux approches conventionnelles qui reposent sur une collecte complète des données sur toute la zone, la méthode proposée réduit considérablement la complexité des mesures tout en maintenant une précision élevée. Le modèle est entraîné sur un ensemble de cartes de propagation radio simulées à l’aide du modèle de chemin dominant (Dominant Path Model - DPM) et évalué sur des scénarios de mesures synthétiques et réels. Les résultats expérimentaux montrent une erreur moyenne de localisation de 7,23 mètres avec un écart type de 3,32 mètres, ce qui le rend compétitif par rapport aux techniques de localisation par apprentissage profond les plus avancées. De plus, une métrique de confiance est introduite pour évaluer la fiabilité des prédictions dans des conditions sans ligne de vue. Ces résultats soulignent le potentiel de l’apprentissage profond résiduel pour une localisation des émetteurs rentable dans des environnements complexes avec un accès limité aux mesures. Cette recherche contribue au développement de solutions efficaces basées sur l’apprentissage automatique pour l’analyse des signaux sans fil, ouvrant la voie à une meilleure gestion des réseaux et des stratégies d’atténuation des interférences.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment of a master's degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 71-78).
Mots-clés libres:	fréquence radio, carte de propagation, apprentissage profond, réseaux résiduels, réseaux de neurones convolutionnels, localisation du signal
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Al Hadi, Richard
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	24 févr. 2026 17:49
Dernière modification:	24 févr. 2026 17:49
URI:	https://espace.etsmtl.ca/id/eprint/3781

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt