000			04780namaa22004331i 4500
003			EG-GICUC
005			20251222130741.0
008			251222s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a621.3
092			_a621.3 _221
097			_aPh.D
099			_aCai01.13.08.Ph.D.2025.Ta.N
100	0		_aTarek Abubakr Abdulaziz Khalifa, _epreparation.
245	1	0	_aNovel deep learning approaches for robust outdoor localization using multi-features in 4G networks / _cby Tarek Abubakr Abdulaziz Khalifa ; Supervisors Dr. Omar Ahmed Nasr, Prof. Dr. Mostafa Youssef.
246	1	5	_aأساليب جديدة في التعلم العميق لتحديد المواقع بشكل دقيق في الأماكن المفتوحة باستخدام خصائص متعددة في شبكات الجيل الرابع
264		0	_c2025.
300			_a76 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2025.
504			_aBibliography: pages 71-76.
520		3	_aThe 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.
520		3	_aتقدم 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aElectrical engineering
650		0	_aهندسة الإلكترونيات
653		1	_adeep learning _alocalization _aLSTM _atransfer learning _a4G mobile networks _aالتعلم العميق _aتحديد المواقع
700	0		_aOmar Ahmed Nasr _ethesis advisor.
700	0		_aMostafa Youssef _ethesis advisor.
900			_b01-01-2025 _cOmar Ahmed Nasr _cMostafa Youssef _dYasmin Ali Fahmy _dMohamed Farouk Mahmoud _UCairo University _FFaculty of Engineering _DDepartment of Electronics and Electrical Communications
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c176934