L-Moment-Based LOS and NLOS Channel Characterization via Four-parameter Kappa Distribution for AoA BLE CTE Measurements

ملخص تقني: توصيف قنوات LOS/NLOS القائم على عزم الـ L عبر توزيع كابا رباعي المعلمات لقياسات BLE CTE لزاوية الوصول (AoA)

بيان المشكلة
تعتمد أنظمة تحديد الاتجاه في تقنية بلوتوث منخفض الطاقة (BLE) على عينات الطور والتربيع (IQ) التي يتم جمعها أثناء عمليات إرسال الامتداد المستمر للنغمة (CTE). وتتأثر الخصائص الإحصائية لهذه العينات بشدة بنمط الانتشار: حيث توفر ظروف خط البصر (LOS) عادةً إحصائيات مستقرة، بينما تسبب ظروف عدم وجود خط بصر (NLOS) تشوهات في تعدد المسارات، وظلالاً، وتراكباً يعتمد على الطور، مما يؤدي إلى تدهور تقدير زاوية الوصول (AoA).

تعاني مجموعات البيانات والنماذج الحالية من ثلاث فجوات رئيسية:

1. الافتقار إلى الهندسة المزدوجة: لا توفر معظم مجموعات البيانات قياسات مقترنة ومتحكم بها بدقة لظروف LOS وNLOS تحت هندسات متطابقة للمرساة والوسم (anchor-tag)، مما يجعل من الصعب عزل تأثيرات الانتشار عن التغيرات الهندسية.
2. عدم كفاية النمذجة: تعتمد أطر المحاكاة الشائعة على ضوضاء غاوس البيضاء المضافة أو نماذج التلاشي المسطح البسيطة (مثل Rayleigh أو Rician)، والتي تفشل في التقاط إحصائيات السعة ذات الذيول الثقيلة والالتواء التي تُلاحظ غالباً في بيئات NLOS الداخلية المزدحمة.
3. الدقة الإحصائية: هناك نقص في البيانات المصنفة لـ IQ والموثقة بدقة والمناسبة لتطبيقات التعلم الآلي (ML) واسعة النطاق. علاوة على ذلك، فإن إحصائيات العزم الحاصلة على ناتج الضرب التقليدية حساسة للقيم المتطرفة والذيول الثقيلة، مما قد يؤدي إلى توصيف غير موثوق للقناة.

المنهجية
يقترح المؤلفون إطار عمل شاملاً يجمع بين حملة قياس محكومة ونمذجة إحصائية قوية باستخدام عزم الـ L.

1. حملة القياس المحكومة:

   • الأجهزة: تم استخدام مجموعة تطوير u-blox XPLR-AOA-3 (مرسات ANT-B10 ووسوم C209) في مختبر داخلي بمساحة 630 × 385 سم.
   • البروتوكول: تم فرض هندسة مزدوجة صارمة حيث أُخذت قياسات LOS وNLOS عند نفس مواقع واتجاهات المرساة والوسم. تم إنشاء ظروف NLOS عن طريق إدخال عائق (مجموعة ورق مغلفة بالجرافيت) التي حجب المسار المباشر مع السماح بالانعكاسات.
   • حجم البيانات: جمعت الحملة 132,000 حزمة CTE مصنفة (1000 حزمة لكل حدث عبر تكوينات مختلفة من موقع الوسم، واتجاهه، ونقاط الوصول).

2. المعالجة المسبقة القوية:

   • تم تطبيق خط معالجة متعدد المراحل لاكتشاف القيم المتطرفة لإزالة حزم CTE الشاذة. وقد جمع هذا بين ثلاث طرق:
     • المدى بين الربيعات (IQR): للترشيح أحادي المتغير للتقلبات العشوائية.
     • الانحراف المطلق عن الوسيط (MAD): مقدر مقياس قوي وخالٍ من التوزيع للكشف عن الانحرافات القصوى في التوزيعات الهامشية.
     • المحدد التغايري الأدنى (MCD): طريقة متعددة المتغيرات لتحديد النقاط الشاذة في فضاء الميزات المشترك.
   • أدت هذه العملية إلى تقليص مجموعة البيانات إلى 12,007 عينة عالية الجودة مع الاحتفاظ بالنزعة الإحصائية المركزية.

3. التحقق الإحصائي:

   • اختبار الفرضيات: تم تطبيق اختبارات Welch's t-tests وLevene's tests على ميزات القدرة المستمدة من IQ ذات الـ 64 بُعداً. أكدت هذه الاختبارات أن الاختلافات في المتوسط والتباين بين مجموعات LOS وNLOS كانت ذات دلالة إحصائية ($\alpha \le 0.01$، مع تعديل $P \le 10^{-6}$) عبر معظم الأبعاد.

4. تحليل عزم الـ L ونمذجة كابا:

   • عزم الـ L (L-Moments): بدلاً من العزوم التقليدية، استخدم المؤلفون عزم الـ L (تركيبات خطية من الإحصاءات الرتبية)، وهي أقل حساسية للقيم المتطرفة والذيول الثقيلة.
   • مخطط نسبة عزم الـ L (LMRD): تم رسم نسب عزم الـ L التجريبية (LMRs)، وتحديداً الالتواء (L-skewness $\tau_3$) والتفلطح (L-kurtosis $\tau_4$). كشف التحليل عن تجمعات متميزة لـ LOS وNLOS، حيث أظهرت NLOS ذيولاً أثقل وتماثلاً أقوى.
   • توزيع كابا (Kappa Distribution): تم ملاءمة عائلة توزيع كابا رباعية المعلمات. هذه العائلة المرنة تشمل توزيعات GEV وGLO وGPA كحالات خاصة، مما يسمح لها بمطابقة البيانات التجريبية بشكل أفضل من النماذج ثلاثية المعلمات.
   • جودة المطابقة (GoF): أظهرت نماذج كابا انخفاضاً كبيراً في درجات التباين ($D_{NLOS} = 3.20 \times 10^{-4}$) وانحرافات تقترب من الصفر في التفلطح المعياري مقارنة بنماذج Rayleigh أو Rice أو GEV التقليدية.

5. تطبيق التعلم الآلي (التجميع):

   • طبق المؤلفون تجميع DBSCAN لمقارنة قابلية الفصل باستخدام العزوم التقليدية مقابل نسب عزم الـ L. أنتجت ميزات عزم الـ L مجموعتين متميزتين ومنفصلتين جيداً (LOS وNLOS)، بينما انهارت عزوم ناتج الضرب في مجموعة واحدة ذات ضجيج عالٍ.

المساهمات الرئيسية

• مجموعة بيانات IQ مزدوجة لـ BLE: إنشاء مجموعة بيانات واسعة النطلة ومصنفة حيث سُجلت عمليات التقاط LOS وNLOS تحت ظروف هندسية متطابقة تماماً، مما يسهل التعلم الآلي وتوصيف القنوات الصارم.
• التحقق الإحصائي من قابلية الفصل: إثبات أن عملية إزالة القيم المتطرفة واختبار الفرضيات تنتج إحصائيات من الدرجة الأولى والثانية متميزة إحصائياً عبر فضاء ميزات القدرة المستمدة من IQ.
• توصيف القناة باستخدام عزم الـ L: أول تطبيق لتحليل عزم الـ L على قياسات BLE AoA CTE. تظهر الدراسة أن قنوات NLOS تظهر سلوكاً ذا ذيول ثقيلة يصعب التقاطه بالنماذج الكلاسيكية ولكن يمكن نمذجته جيداً بواسطة توزيع كابا رباعي المعلمات.
• تحسين تمثيلات التعلم الآلي: دليل على أن إحصائيات عزم الـ L توفر ميزات أكثر إيجازاً وقوة وقابلية للفصل مقارنة بعزوم ناتج الضرب التقليدية، كما يتضح من الأداء المتفوق في تجميع DBSDBSCAN.

النتائج

• الدلالة الإحصائية: كانت جميع اختلافات المتوسطات بين LOS وNLOS ذات دلالة إحصائية، وكان 92% من اختلافات التباين في الميزات أيضاً ذات دلالة.
• مطابقة النموذج: وفر توزيع كابا أفضل مطابقة للبيانات التجريبية. وتحديداً، حقق نموذج كابا لبيانات NLOS تبايناً ($D_{NLPOS}$) قدره $3.20 \times 10^{-4}$، وهو الأصغر في LMRD، مع انحراف تفلطح معياري ($Z_{NLOS}$) قدره $1.18 \times 10^{-2}$. في المقابل، أظهرت النماذج القياسية مثل Rayleigh وRice أخطاء أكبر بكثير.
• التجميع: نجحت التمثيلات القائمة على عزم الـ L في فصل بيانات LOS وNLOS إلى مجموعتين بدرجة صمت (silhouette score) بلغت 0.018، بينما فشلت تمثيلات عزم ناتج الضرب في تكوين مجموعات متميزة.

الأهمية والادعاءات
يدعي البحث أنه الأول في تطبيق تحليل عزم الـ L على قياسات BLE AoA CTE. وتكمن أهميته في توفير إطار إحصائي قوي لتوصيف القنوات اللاسلكية الداخلية التي تتميز بالذيول الثقيلة وعدم التماثل. يجادل المؤلفون بأن:

• الافتراضات الكلاسيكية لـ Gaussian أو Rayleigh غالباً ما تكون غير كافية لنمذجة إحصائيات القدرة لـ NLOS في البيئات المزدحمة.
• توفر واصفات عزم الـ L بديلاً أكثر موثوقية للمعالجة المسبقة، واكتشاف LOS/NLOS، ومحاكاة القنوات الواقعية.
• يمكن دمج نمذجة كابا المقترحة وميزات عزم الـ L في خطوط أنابيب تقدير AoA المدعومة بالتعلم الآلي لتحسين المتانة تحت ظروف الانتشار ذات الذيول الثقيلة.

يبقى المؤلفون متواضعين فيما يتعلق بالنطاق، مشيرين إلى أن التحليل الحالي يقتصر على بيئة داخلية واحدة وتكوين أجهزة ثابت. ويقترحون أن العمل المستقبلي يجب أن يقيم إمكانية نقل علاقات عزم الـ L/كابا عبر بيئات متنوعة وسيناريوهات ديناميكية تتضمن أجساماً متحركة.