Caracterización y medida de canales inalámbricos en la banda W: caracterización, modelado y validación empírica de canales inalámbricos en la banda W

Abstract

Hoy en día, el avance de nuevas tecnologías y el creciente tráfico en las redes inalámbricas están llevando a explorar bandas de frecuencia más altas con las que dar soporte a la creciente demanda de datos. En este contexto, la banda W (75-110 GHz) emerge como una solución prometedora que podría revolucionar las comunicaciones inalámbricas en la próxima década. Este trabajo investiga las propiedades de propagación de señales en la banda W en un entorno indoor. Para ello, se ha llevado a cabo una campaña de medidas en la que se han analizado señales dentro de este rango de frecuencias en numerosos escenarios diferentes: distintas distancias y ángulos entre antenas, casos con y sin visión directa (LoS/NLoS, respectivamente) y utilizando diferentes conjuntos de antenas. A partir de estas medidas, se ha realizado un post-procesado de los datos desde dos enfoques: uno empírico y otro teórico. Por un lado, se ha caracterizado el canal estudiando cómo y cuánto se atenúa la señal en distintos escenarios, observando la respuesta en frecuencia y calculando parámetros numéricos como el factor K, la dispersión de retardo y el ancho de banda de coherencia. Además, se ha analizado la relación entre el factor K, la dispersión de retardo y el path loss con la ganancia del sistema de antenas en casos LoS y NLoS. Luego, basándonos en características comunes observadas durante la caracterización del canal, se han propuesto diferentes métodos para clasificar entre casos LoS y NLoS sin necesidad de conocer a priori el escenario de la comunicación. Desde un enfoque más teórico, se han ajustado las funciones de densidad de probabilidad de la envolvente de amplitud recibida con diferentes modelos estadísticos. Estos modelos permiten establecer un marco matemático para los datos, facilitando tareas como predecir la probabilidad de eventos futuros, generar datos sintéticos que sigan la misma distribución que los datos originales e identificar patrones y tendencias en los datos. También se ha evaluado el error producido por los diferentes modelos, introduciendo un método para elegir el modelo de ajuste ideal en función de dos factores: la precisión del ajuste y la complejidad del modelo.

The development of new technologies and the constant increase in traffic in wireless communication networks are driving the exploration of higher frequency bands to meet the growing demand for data. In this context, the W-band (75–110 GHz) emerges as a promising solution that could revolutionize wireless communications in the coming decade. In this work, the propagation properties of radio signals in the W-band in an indoor environment are investigated. To this end, a measurement campaign has been carried out, analyzing signals within this frequency range in numerous different scenarios: various distances and angles between antennas, cases with and without line of sight (LoS/NLoS, respectively), and using different sets of antennas. From these measurements, data post-processing has been conducted from two approaches: empirical and theoretical. On the one hand, the channel has been characterized by studying how and to what extent the signal is attenuated in different scenarios, observing the frequency response, and calculating numerical parameters such as the K factor, delay spread, and coherence bandwidth. Furthermore, the relationship between the K factor, delay spread, and path loss with the antenna system gain in LoS and NLoS cases has been analyzed. Based on common characteristics observed during the channel characterization, different methods have been proposed to classify between LoS and NLoS cases without the need to know the communication scenario beforehand. From a theoretical viewpoint, the probability density functions of the received signal amplitudes have been fitted with different statistical models. These models allow for establishing a mathematical framework for the data, facilitating tasks such as predicting the probability of future events, generating synthetic data that follows the same distribution as the original data, and identifying patterns and trends in such data. The error produced by the different models has also been evaluated, introducing a method to choose the ideal fitting model based on two factors: fitting accuracy and model complexity.