See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/284283465

OPTIMISATION DE MODELES DE PROPAGATION A PARTIR DES DONNEES DE

MESURES RADIO DE LA VILLE DE YAOUNDE

Conference Paper · November 2015

CITATIONS READS

0 1,798

2 authors:

Emmanuel Tonye Eric DEUSSOM

University of Yaounde I National Advanced School of Engineering Cameroon
247 PUBLICATIONS   826 CITATIONS    25 PUBLICATIONS   52 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Software Defined Radio in Digital Communications View project

Réseau TICER View project

All content following this page was uploaded by Emmanuel Tonye on 21 November 2015.

The user has requested enhancement of the downloaded file.

 OPTIMISATION DE MODELES DE PROPAGATION A PARTIR DES
DONNEES DE MESURES RADIO DE LA VILLE DE YAOUNDE.
TONYE Emmanuel 1, DEUSSOM DJOMADJI Eric Michel 2 *.
1&2
(Département des génies électrique et des télécommunications ; Ecole Nationale Supérieure Polytechnique
de Yaoundé ; Université de Yaoundé I, CAMEROUN)
*
emdeuss@yahoo.fr, Tel : +237 242029002/+237 696132106

Résumé : Le présent article présente une étude comparative de cinq méthodes d’optimisation de modèles de
propagation outils essentiels pour la planification et l’optimisation radio dans les réseaux mobiles. Il s'agit de la
régression linéaire, la méthode de Newton de second ordre, le recuit simulé, les algorithmes génétiques et
l’essaim de particules. Ils optimisent les modèles de propagation pour garantir une qualité d’accès pour tous aux
services radio mobiles notamment l’internet via les services 3G et 4G.

Abstract: This paper presents a comparative study of five propagation model optimization methods;
propagation model are key tools for mobile network planning and optimization. Namely linear regression, Newton
second order, simulated annealing, genetic algorithms and particles swarm optimization. They enable
propagation model optimization to ensure high speed internet service with high quality especially for 3G and 4G
networks.

Mots-clés: Modèle de propagation, erreur quadratique moyenne, régression linéaire, algorithmes génétiques, essaim de
particules, recuit simulé, algorithme de Newton.

1. Introduction
Un modèle de propagation adapté à un environnement donné est un élément essentiel pour la planification et l’optimisation
d’un réseau mobile. En effet, les modèles standardisés tels que celui d’Okumura Hata [1] ont été développés dans de grandes
villes telles que Tokyo [2], New York et ne sont pas adaptés à toutes les villes en particulier à celles du Cameroun. Il importe
donc de mettre sur pied des méthodes d’optimisation pouvant calibrer les modèles existants en fonction d’une ville
quelconque considérée.

2. Détails expérimentaux.
La ville de Yaoundé est celle sur laquelle est basée la présente étude. La collecte de données via les mesures radio a été faite
sur le réseau CDMA20001X-EVDO existant en bande 800MHz dans le centre ville de Yaoundé.
2.1 Description du kit de collecte. Le kit de mesure radio est constitué d’un véhicule Toyota Prado, un ordinateur
portable ACER ASPIRE, un logiciel de mesure radio à savoir Pilot Pionner de Dingli communication V6.0, un
terminal mobile LG, un terminal GPS, un convertisseur DC/AC pour alimenter le PC durant la mesure (Figure 1).

Fig. 1. Kit de mesure et de collecte installé sur un véhicule (gauche) et résultat des mesures (droite).

3. Méthodologie.
La formule d'atténuation du signal par le modèle d’Okumura Hata ainsi qu'il suit:
= 69,55 + 26,16log − 13,82 log ℎ + 44,9 − 13,82 log ℎ ∗ − (1)
Avec = 3,2 log 11,75ℎ − 4,97 , or pour hm=1,5m, on trouve E=-9,2*10 ce qui est négligeable. Donc par la suite
-4

on assimilera E à la valeur E=0.

Celle du modèle K facteur [3] peut s’écrire sous la forme :
= + log + ∗ℎ + ∗ log ℎ + ∗ log ℎ + log ℎ log , (2)
La forme ci-dessus peut être mise sous forme vectorielle comme présenté ci-dessous :
 = ∗ (3)

Dans l’équation (3) posons K= et M le vecteur colonne.

Il en découle que le modèle de propagation K facteurs peut s’écrire = ∗ (4)

En posant = + ∗ + ∗ + ∗ et = +
On en déduit l’expression: = + , ce qui peut encore s’écrire :

= ∗ (5)
Pour N points de mesures à différentes distances di de la zone de couverture, les équations (4) et (5) deviennent
respectivement :
: = ∗ : (6)
et : = : ∗ (7)
La procédure d’optimisation consiste à minimiser la distance euclidienne entre les valeurs issues des mesures et consignées
dans un vecteur et les valeurs de prédiction calculées à partir du vecteur L tel que décrit ci-dessus à différentes distances
di. C’est-à-dire minimiser = ‖ − ‖ . (8)
Résoudre ce problème revient à trouver un vecteur K qui minimise E décrit ci-dessus. C'est-à-
dire: = ∑ − ∗ (9)
.
3.1 Optimisation par régression linéaire.
Elle utilise la dérivée vectorielle de = . En posant = : , une solution à ce problème est :
∗
∗
= = ∗ . (10)
D’où l’on en déduit pour K3, K4, K5 et K6 constants.
= ∗− ∗ + ∗ + ∗ (11)
= ∗− ∗

3.2 Optimisation par l’algorithme de Newton de second ordre. [4]

L’itération de newton de second ordre s’écrit: = − ∗ ∗∆ . (12)

Avec 0 ≤ γ ≤ 1 et ou et ∆ représentent respectivement la matrice Hessiene et le gradient de la fonction E à
optimiser. ∆ = 2 −2 et = soit : = . L’itération de Newton s’écrit des lors :
= − ∗ +γ∗ ∗ (13)

3.3 Optimisation par les algorithmes génétiques [5]. Elle consiste à générer aléatoirement une famille de Nc vecteurs
suivant la forme de l’équation (6) et d’y appliquer successivement des opérations (repétée Ng fois avec Ng le nombre de
générations et Nc est le nombre de chromosomes ou de vecteurs de la famille constituants l’AG) ainsi qu'il suit :

a) La sélection avec l’élitisme comme schéma appliqué: choix des individus ayant une fonction de coût minimal
(définie par l’équation (8)) comme meilleurs individus.
b) Le croisement : Avec un taux de croisement donné noté Tc, et partant des parents, on génère les enfants dans la
génération à condition que la fonction de cout des enfants soit meilleure que celles des parents.
c) La mutation : On redonne une chance aux individus n’ayant pas participés au croisement d’être élus lors du
prochain tournoi en mutants le paramètre K2 (de façon aléatoire) du vecteur K . Tm est le taux de mutation.

3.4 Optimisation par essaim de particules. [6] Le procédé commence par une famille aléatoire de Nc particules jusqu'à
l’obtention de la meilleure position de l’essaim. La fonction de cout est la même que celle des algorithmes génétiques, la
meilleure position de l’essaim est celle qui minimise la fonction de coût. On applique sur les particules des règles de
déplacements et suivant des vitesses bien définies à la recherche de l’optimum. La vitesse et le déplacement sont décrits par
les équations respectives ci-dessous avec = − + | − |, = + ; ou ρ1 = r1 *c1 et ρ2 = r2 *c2 sont les
coefficients de confiance. r1 et r2 sont 2 nombre aléatoires compris entre [0,1] et c1= c2=2 des constantes.
Ici, Nc est le nombre de particules ou de vecteurs de l’essaim. La particule étant à l’essaim ce que le chromosome est à l’AG.
Et Nit représente le nombre d’itérations de l’algorithme (Ou encore le nombre de déplacement de l’essaim vers l’optimum)
+ = + − + − et = + (14)
 3.5 Optimisation par l’algorithme du recuit simulé. Le recuit simulé (en abrégé RS) est une méthode empirique de
recherche locale inspirée d'un processus utilisé en métallurgie, il s’appuie sur le critère de Metropolis-Hasting, par analogie
avec le processus physique, la fonction à minimiser (fonction de coût ou fitness) deviendra l'énergie E du système. On
introduit également un paramètre fictif, la température T du système. 4 principaux choix doivent être menés :
• La représentation des solutions : un vecteur K suivant l’équation (4).
• La fonction de coût ou fonction d’évaluation suivant l’équation (9)
• La génération aléatoire des vecteurs K
• Le principe de refroidissement en suivant une loi géométrique de raison C de la forme:
= ∗ (15)
avec T0=1 et C voisine de 1, En général 0,8≤C≤0,99.
∆
Pour des solutions n’améliorant pas l’énergie du système, elles peuvent être retenues avec une probabilité de = , avec
∆ = | − | ou le symbole |. | représente la valeur absolue et E0 l’énergie (fonction de coût) de la meilleure solution
courante.

3.6 Procédure d’implémentation. L’implémentation suit l’organigramme présenté à la figure 2.

Fig. 2. Algorithme général d’implémentation

Dans l’organigramme de la figure 2, le filtrage des données est fait suivant la distance (200m ≤d≤10 000m) et la puissance
reçue (-110dB≤Preçue≤ -40dB). [7]

3.7 Critères d’acceptation d’un modèle de propagation optimisé. Un modèle de propagation optimisé est précis si la
racine carré de l’erreur quadratique moyenne (RMSE pour Root Mean Square Error en anglais) entre les mesures réelles et
de prédiction est inférieure à 8dB [8] [9] [10] [11]. RMSE est la racine carré de la fonction de cout =√ .

4 Résultats
4.1 Présentation des résultats. Les algorithmes décrits ci-dessus ont été implémentés en respectant les critères présentés
dans le tableau 1 ci-dessous. α=0,6 utilisée pour un croisement barycentrique. C loi de décroissance de la température.

Tableau 1. Paramètres d’implémentation des différents algorithmes

Algorithmes Essaim particulaires Recuit simulé Régression Newton second ordre
génétiques linéaire
Tc=0,6 ; Tm=0,01 c1=2 ; c2=2; T0=1 ;
Nc=60, α=0,6 Nc=60 ; C=0,99
Ng=20 Nit=20 Nit=60 Nit=1 Nit=1
 Pour la suite, nous adopterons la nomenclature suivante : AG= Algorithme génétique, OEP= optimisation par essaim de
particule, RS= recuit simulé et RL= Régression linéaire.
Les résultats obtenus au centre ville de Yaoundé sont présentés dans le tableau 2.

Tableau 2 : Résultats obtenus au centre ville de Yaoundé.

Algorithmes K1 K2 K3 K4 K5 K6 RMSE
AG 123,11 36,57 -2,49 0,00 -6,91 -6,55 6,7164
OEP 121,77 35,98 -2,49 0,00 -6,18 -6,55 6,7227
RS 128,51 31,37 -2.39 0,00 -9,02 -0,81 6.8222
RL 134,89 37,29 -2,49 0,00 -13,82 -6,55 6,7137
Newton 134,89 37,29 -2,49 0,00 -13,82 -6,55 6,7137
Okumura Hata 146,56 44,90 0 0,00 -13,82 -6,55 14,9345

Dans le tableau 2, pour la dernière ligne, on constate bien que son RMSE est égalé à 14,9345dB et supérieure 8dB, De ce fait
le modèle d’Okumura Hata est non précis et inapproprié pour l’environnement de la ville de Yaoundé, en revanche les
nouveaux modèles obtenus via l’optimisation nous donnent des bons résultats avec des RMSE de l’ordre de 6,7 et tous
inférieurs à 8dB. La figure 6 en donne une illustration graphique (le modèle d’Okumura Hata est excentré par rapport au
nuage de points, il en est de même pour le modèle de propagation en espace libre) et les tableaux 3 et 4 les comparaisons
entre les méthodes d'optimisation implémentées.

Pertes de propagation L=f(d)

140
Mesures réelles du terrain
130
Modèle optimisé par RS
120
Modèle optimisé par la
régression linéaire
110 Modèle optimisé par Newton
L en dB

100 Modèle optimisé par PSO

90
Modèle optimisé par les AG

Modèle standard d’Okumura

80 Hata
Modèle de propagation en
70 espace libre
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Distance d en km

Fig.6. Variation de l'atténuation en fonction de la distance pour différents modèles de propagation et des mesures effectuées
dans centre de la ville de Yaoundé.
Tableau 3: Etude comparative des différentes approches (1)

Ensemble
N° Forme de la Nom de la Taille de Type d’opération sur Méthode
Méthode de
variable variable l’ensemble l’ensemble d’évaluation
variables

Optimisation Déplacement et
Minimisation de
1 par essaim de K Particule Essaim Nc changement de
Vecteur (1*6) l’EQM
particules vitesse

Algorithmes Chromosom Sélection, Minimisation de

2 K Famille Nc
génétiques Vecteur (1*6) e croisement, mutation l’EQM

Variation de Minimisation de
Vecteur
3 Recuit simulé K voisin 1 température et le l’EQM
Vecteur (1*6) unique
hasard

4 T Vecteur T 1 Calcul des Minimisation de

Régression Vecteur
Vecteur (1*2) coefficients de
 linéaire unique régression l’EQM

Algorithme de Vecteur Calcul du gradient et Minimisation de

5 T Vecteur T 1
Newton Vecteur (1*2) unique de la Hessiene l’EQM

Tableau 4: Etude comparative des différentes approches (2)

N° Méthode Critères d’arrêt de Nombre de Diversité de Temps d’exécution N=t/t0

l’algorithme paramètres ptimisés la solution (t) en sec

1 Optimisation par Basé sur le nombre 2≤N≤6 Oui 2,3508 44,44

essaim de particules maximal d’itérations

2 Algorithmes Basé sur le nombre 2≤N≤6 Oui 2,3155 43,77

génétiques maximal d’itérations

3 Recuit simulé Basé sur le nombre 2≤N≤6 Non 2,4286 45,90

maximal d’itérations

4 Régression linéaire Aucune car converge 2 Non 0,0529 1

après une itération

5 Algorithme de Aucune car converge 2 Non 2,3370 44,18

Newton après une itération

t0 étant le temps d’implémentation de la régression linéaire.

Conclusion
La modélisation du problème et les résultats de l’implémentation au travers des mesures radio faites dans la ville de Yaoundé
ont été présentés. Il ressort de tout ceci que les différentes approches permettent toutes d’avoir des modèles optimisés fiables
et permettant de prédire avec précision la propagation en environnement radio mobile. Les résultats obtenus par la régression
linéaire et Newton sont identiques, l’algorithme RS est celui qui donne la précision la moins bonne parmi tous les autres. La
modélisation et les algorithmes présentés peuvent être intégrés dans les logiciels professionnels de planification radio. En
perspective, il importe donc de présenter l’incidence financière d’une telle optimisation sur le déploiement des réseaux
mobiles notamment la 4G (LTE).

Références
[1]. M. Hata, Empirical formula for propagation loss in land mobile radio services, IEEE Transactions on Vehicular
Technology, 29, 317–325, 1980.
[2]. Y. Okumura, E. Ohmori, T. Kawano and K. Fukuda, Field strength and its variability in VHF and UHF land mobile
radio service, Review of the Electrical Communications Laboratories, 16, 825–73, 1968
[3]. HUAWEI Technologies, CW Test and Propagation Model Tuning Report (Template), 20 Mars 2014, page 7.
[4]. Deussom E. and Tonye E. «Optimization of Okumura Hata Model in 800MHz based on Newton Second Order
algorithm. Case of Yaoundé, Cameroon», IOSR Journal of Electrical and Electronics Engineering, Volume 10, issue2
Ver I, pages 16-24, 2015.
[5]. Deussom E. and Tonye E. «New Approach for Determination of Propagation Model Adapted To an Environment
Based On Genetic Algorithms: Application to the City Of Yaoundé, Cameroon», IOSR Journal of Electrical and
Electronics Engineering, Volume 10, pages 48-49, 2015.
[6]. Deussom E. and Tonye E. «New Propagation Model Optimization Approach Based on Particles Swarm Optimization
Algorithm» International Journal of Computer Applications (0975 – 8887) Volume 118 – No. 10, May 2015.
[7]. Standard Propagation Model Calibration guide, Avril 2004, page 23.
[8]. HUAWEI Technologies; GSM RNP-RNO Radio Transmission Theory, pages 21-22, 2006.
[9]. MingjingYang; and al « A Linear Least Square Method of Propagation Model Tuning for 3G Radio Network
Planning », Natural Computation, 2008. ICNC '08. Fourth International Conference on Vol. 5, pages 150 – 154, 2008.
[10]. Simi I.S and al « Minimax LS algorithm for automatic propagation model tuning », Proceeding of the 9th
Telecommunications Forum (TELFOR 2001), Belgrade, Nov.2001.
[11]. Allam Mousa, Yousef Dama and Al «Optimizing Outdoor Propagation Model based on Measurements for Multiple
RF Cell ». International Journal of Computer Applications (0975 – 8887) Volume 60– No.5, December 2012.

View publication stats