Novel deep learning approaches for robust outdoor localization using multi-features in 4G networks /
Tarek Abubakr Abdulaziz Khalifa,
Novel deep learning approaches for robust outdoor localization using multi-features in 4G networks / أساليب جديدة في التعلم العميق لتحديد المواقع بشكل دقيق في الأماكن المفتوحة باستخدام خصائص متعددة في شبكات الجيل الرابع by Tarek Abubakr Abdulaziz Khalifa ; Supervisors Dr. Omar Ahmed Nasr, Prof. Dr. Mostafa Youssef. - 76 pages : illustrations ; 30 cm. + CD.
Thesis (Ph.D)-Cairo University, 2025.
Bibliography: pages 71-76.
The location-based services has become a pivotal aspect for Telecom operators. This Thesis provides novel deep learning approaches for robust outdoor localization in 4G networks. We present three different neural networks tailored for outdoor localization in large scale area. A feature selection module is introduced, employing correlation and Chi-squared algorithms, resulting in a substantial 20.6% reduction in computation. Two innovative data augmenters are used, One-to-Many and AngleNoiseSynth, extending the dataset and amplifying the system’s overall performance. The introduction of the AngleNoiseSynth augmenter further refines the dataset by considering user movement angles and system noise. Best results are achieved by BiOutLoc, a novel application of a Bi-LSTM model in a large-scale outdoor urban area of 45 km2, with a median localization accuracy of 9.4 meters – surpassing existing systems by 31% while reducing parameters by 67%. The thesis also concludes with a demonstration of transfer learning, finetuning BiOutLoc parameters from one area to another, resulting in an 18% accuracy enhancement and a remarkable 71% reduction in training time compared to conventional approaches. تقدم هذه الأطروحة نهجًا جديدًا قائمًا على التعلم العميق لتحديد الموقع بدقة في شبكات الجيل ال اربع. حيث تم تقديم ثلاثة نماذج شبكية عصبية مخصصة لتحديد الموقع في المناطق واسعة النطاق. بالإضافة الى وحدة اختيار المي ازت، التي تعتمد على خوارزميات الارتباط ومربع كاي، مما يؤدي إلى تقليل الحسابات بنسبة 20.6%. تم استخدام مُعززين مبتكرين للبيانات، وهماOne-to-Many وAngleNoiseSynth، لتوسيع مجموعة البيانات وتحسين أداء النظام بشكل عام. حققBiOutLoc ، وهو تطبيق جديد للشبكة ذات الذَّاكرة الطَّويلة قصيرة المدى ثنائية الاتجاه في بيئة خارجية واسعة النطاق بمساحة 45 كم²، أفضل النتائج، حيث وصل إلى دقة تحديد موقع متوسطة تبلغ 9.4 مت ار، متفوقًا على الأنظمة الحالية بنسبة 31% مع تقليل عدد المعاملات بنسبة 67.%تختتم الأطروحة بعرض لتقنية التعلم الانتقالي، حيث يتم ضبط محدداتBiOutLoc المُدربة في منطقة معينة لاستخدامها في منطقة أخرى، مما يؤدي إلى تحسين الدقة بنسبة 18% وتقليل وقت التدريب بشكل ملحوظ بنسبة 71% مقارنة بالأساليب التقليدية.
Text in English and abstract in Arabic & English.
Electrical engineering
هندسة الإلكترونيات
deep learning localization LSTM transfer learning 4G mobile networks التعلم العميق تحديد المواقع
621.3
Novel deep learning approaches for robust outdoor localization using multi-features in 4G networks / أساليب جديدة في التعلم العميق لتحديد المواقع بشكل دقيق في الأماكن المفتوحة باستخدام خصائص متعددة في شبكات الجيل الرابع by Tarek Abubakr Abdulaziz Khalifa ; Supervisors Dr. Omar Ahmed Nasr, Prof. Dr. Mostafa Youssef. - 76 pages : illustrations ; 30 cm. + CD.
Thesis (Ph.D)-Cairo University, 2025.
Bibliography: pages 71-76.
The location-based services has become a pivotal aspect for Telecom operators. This Thesis provides novel deep learning approaches for robust outdoor localization in 4G networks. We present three different neural networks tailored for outdoor localization in large scale area. A feature selection module is introduced, employing correlation and Chi-squared algorithms, resulting in a substantial 20.6% reduction in computation. Two innovative data augmenters are used, One-to-Many and AngleNoiseSynth, extending the dataset and amplifying the system’s overall performance. The introduction of the AngleNoiseSynth augmenter further refines the dataset by considering user movement angles and system noise. Best results are achieved by BiOutLoc, a novel application of a Bi-LSTM model in a large-scale outdoor urban area of 45 km2, with a median localization accuracy of 9.4 meters – surpassing existing systems by 31% while reducing parameters by 67%. The thesis also concludes with a demonstration of transfer learning, finetuning BiOutLoc parameters from one area to another, resulting in an 18% accuracy enhancement and a remarkable 71% reduction in training time compared to conventional approaches. تقدم هذه الأطروحة نهجًا جديدًا قائمًا على التعلم العميق لتحديد الموقع بدقة في شبكات الجيل ال اربع. حيث تم تقديم ثلاثة نماذج شبكية عصبية مخصصة لتحديد الموقع في المناطق واسعة النطاق. بالإضافة الى وحدة اختيار المي ازت، التي تعتمد على خوارزميات الارتباط ومربع كاي، مما يؤدي إلى تقليل الحسابات بنسبة 20.6%. تم استخدام مُعززين مبتكرين للبيانات، وهماOne-to-Many وAngleNoiseSynth، لتوسيع مجموعة البيانات وتحسين أداء النظام بشكل عام. حققBiOutLoc ، وهو تطبيق جديد للشبكة ذات الذَّاكرة الطَّويلة قصيرة المدى ثنائية الاتجاه في بيئة خارجية واسعة النطاق بمساحة 45 كم²، أفضل النتائج، حيث وصل إلى دقة تحديد موقع متوسطة تبلغ 9.4 مت ار، متفوقًا على الأنظمة الحالية بنسبة 31% مع تقليل عدد المعاملات بنسبة 67.%تختتم الأطروحة بعرض لتقنية التعلم الانتقالي، حيث يتم ضبط محدداتBiOutLoc المُدربة في منطقة معينة لاستخدامها في منطقة أخرى، مما يؤدي إلى تحسين الدقة بنسبة 18% وتقليل وقت التدريب بشكل ملحوظ بنسبة 71% مقارنة بالأساليب التقليدية.
Text in English and abstract in Arabic & English.
Electrical engineering
هندسة الإلكترونيات
deep learning localization LSTM transfer learning 4G mobile networks التعلم العميق تحديد المواقع
621.3