נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
למידה עמוקה ברשתות לווינים
Deep learning in satellite network
תקציר בעיברית
תקשורת לוויינית ממלאת תפקיד חיוני בתחומים שונים, חיזוי מדויק של SNR הוא חיוני למיטוב הביצועים והאמינות. פרויקט זה מתמקד במינוף טכניקות למידה עמוקה, תוך שימוש ספציפי בארכיטקטורות Transformer, עבור חיזויSNR במערכות תקשורת לווייניות. המטרה היא לערוך מחקר, להתנסות בארכיטקטורות שונות כדי לזהות את המודל היעיל ביותר לחיזוי SNR. מערך הנתונים המשמש למחקר זה הוא אוסף של מדידות SNR שהתקבלו מתשע תחנות שונות הממוקמות ברחבי ישראל. מדידות אלו מספקות תובנות חשובות לגבי הווריאציות והדינמיקה של SNR בערוצי תקשורת לוויינים. על ידי הכשרה והערכת ארכיטקטורות Transformer שונות על מערך נתונים זה, פרויקט זה שואף לחשוף את המודל בעל הביצועים הטובים ביותר לחיזוי. ניסויים שנערכו על מערך נתונים חלקי הראו תוצאות מבטיחות, כאשר מודל ה-Transformer משיג דיוק של 91% לחיזוי צעדי זמן בודדים ועד 75% דיוק לחיזוי של 10 צעדי זמן. תוצאות אלו מדגישות את הפוטנציאל של ארכיטקטורת השנאי לחיזוי SNR מדויק בתקשורת לוויינית.
תקציר באנגלית
Satellite communication plays a vital role in various sectors, and accurate prediction of Signal-to-Noise Ratio time series is crucial for optimizing performance and reliability. This project focuses on leveraging deep learning techniques, specifically employing Transformer architectures, for SNR time series forecasting in satellite communication systems. The objective is to conduct a study, experimenting with different Transformer architectures to identify the most effective model for SNR prediction. The dataset used for this study is a collection of SNR measurements obtained from nine different stations located across Israel. These measurements provide valuable insights into the variations and dynamics of SNR in satellite communication channels. By training and evaluating various Transformer architectures on this dataset, this project aims to uncover the best-performing model for SNR time series forecasting. Experiments conducted on a sub-dataset have shown promising results, with the Transformer model achieving 91% accuracy for single time step predictions and up to 75% accuracy for 10 time steps predictions. These results highlight the potential of the Transformer architecture for accurate SNR forecasting in satellite communication.