Redes Neuronales y la Gestión de Localización en Sistemas de Comunicaciones Móviles

Resumen

El presente trabajo tiene como objetivo introducir una
aproximación al concepto de Redes Neuronales y su
utilización en técnicas de localización
aplicadas a redes móviles. En primer lugar serán
revisados los aspectos biológicos que inspiran el
desarrollo de las Redes Neuronales Artificiales (RNA), y a
continuación los principios de Gestión de Movilidad
y Gestión de Localización en redes móviles.
Por último, se presentan algunas publicaciones que
desarrollan técnicas al respecto, exponiendo tres casos de
estudio [15][18][20]. Las tecnologías móviles
estudiadas corresponden a las versiones GSM/UMTS, las cuales son
además las tecnologías utilizadas por los
operadores en Chile, lo que hace de este estudio un aporte a una
visión futura del desarrollo de estos modelos y sus
posibles aplicaciones.

Abstract: This paper aims at introducing an
approach to concept of Neural Networks and their use in
localization techniques applied to mobile
networks. First, will be reviewed the biological aspects
that inspire the development of the Artificial Networks
Neuronales (ANN), and later, the principles of Mobility
Management and Localization Management in mobile networks.
Finally, I present some publications that develop technologies in
the matter, exposing three cases of study [15][18][20]. Mobile
technologies versions studied correspond to GSM/UMTS, which are
also the technologies used by operators in Chile, which makes
this study a contribution to a future vision for the development
of these models and their potential application.

Palabras Clave: Redes neuronales, comunicaciones
móviles, gestión de movilidad, gestión de
localización

Introducción: inspiración
biológica

El Cerebro

El cerebro es un órgano del sistema nervioso
central, que conforma la mayor parte del encéfalo. Se
divide en dos hemisferios (izquierdo y derecho) y se caracteriza
por su superficie con pliegues irregulares llamados
circunvoluciones o giros cerebrales, más acentuados en los
humanos que en cualquier otro animal (exceptuando casos
particulares como el de los delfines), y entre ellos
líneas irregulares llamadas cisuras. El cerebro, como
todas las partes del sistema nervioso central esta compuesto por
una sustancia blanca (fibras nerviosas compuestas por
axones) y una sustancia gris (fibras nerviosas compuestas
por dendritas y cuerpos neuronales) que componen la corteza
cerebral.

La Corteza Cerebral (Cortex)

La corteza cerebral es el manto de tejido nervioso que
cubre la superficie de los hemisferios cerebrales,
alcanzando su máximo desarrollo en los primates. Es
aquí donde ocurre la percepción, la
imaginación, el pensamiento, el juicio y la
decisión. Es ante todo una delgada capa de materia gris –
normalmente de 6 neuronas de espesor – por encima de una amplia
colección de vías de materia blanca. La delgada
capa está fuertemente circunvolucionada, por lo que si se
la extendiese, ocuparía unos 2.500 cm2. Esta capa incluye
unos 10.000 millones de neuronas, con cerca de 50 trillones de
sinapsis.

Neuronas

La neurona es la célula fundamental y
básica del sistema nervioso especializada en conducir
impulsos nerviosos. Se estima que el cerebro humano contiene
más de cien mil millones de neuronas [4] cada una con un
promedio de 7.000 conexiones sinápticas con otras
neuronas.

En las neuronas se pueden distinguir tres partes
fundamentales:

Soma o cuerpo celular. Corresponde a la parte
más voluminosa de la neurona. Aquí se puede
observar una estructura esférica llamada núcleo, el
cual contiene la información que dirige la actividad de la
neurona.

Dendritas. Son prolongaciones cortas que se
originan desde el soma neuronal. Su función es recibir
impulsos de otras neuronas y transportarlos hasta el soma de la
propia neurona.

Axón. Es una prolongación
única y alargada. En algunas ocasiones, puede medir hasta
un metro de longitud. Su función es tomar el impulso desde
el soma neuronal y conducirlo hasta otro lugar del
sistema.

Fig. 1. Esquema básico de una
neurona

Características

• Las neuronas reciben y transportan impulsos
  nerviosos de naturaleza electroquímica.

• La neurona en reposo esta polarizada, y tiene un
  potencial de -70mV, mientras que una neurona que recibe un
  estímulo esta despolarizada y llega a tener un
  potencial de +30mV.

• El estímulo deja ingresar sodio, y para
  estabilizarse deja salir potasio.

• El período refractario corresponde al momento
  en que la neurona no puede volver a ser
  estimulada.

• El umbral de excitación es la cantidad de
  estímulo necesario para despolarizar la
  neurona.

• El impulso es independiente del
  estímulo.

• Al encontrarse dos impulsos, éstos son
  anulados entre sí.

Sinapsis

La sinapsis es el proceso esencial en la
comunicación neuronal y constituye el lenguaje
básico del sistema nervioso, corresponde a un hecho
comunicativo entre dos neuronas, una presináptica y otra
postsináptica. 

En estos contactos se lleva a cabo la transmisión
del impulso nervioso. Éste se inicia con una descarga
química que origina una corriente eléctrica en la
membrana de la célula presináptica (célula
emisora). Una vez que este impulso nervioso alcanza el extremo
del axón, la propia neurona segrega un tipo de
proteínas (neurotransmisores) que se depositan en el
espacio sináptico, espacio intermedio entre esta neurona
transmisora y la neurona postsináptica (receptora). Estos
neurotransmisores (noradrenalina y acetilcolina) son los
encargados de excitar o inhibir la acción de la otra
neurona.

Red Neuronal

Una red neuronal se define como una población de
neuronas físicamente interconectadas, o un grupo de
neuronas aisladas que reciben señales que procesan a la
manera de un circuito reconocible.

La comunicación entre neuronas, que implica un
proceso electroquímico, implica que, una vez que una
neurona es excitada a partir de cierto umbral, ésta se
despolariza transmitiendo a través de su axón una
señal que excita a neuronas aledañas, y así
sucesivamente.

El sustento de la capacidad del sistema nervioso, por
tanto, radica en dichas conexiones. En oposición a la red
neuronal, se habla de circuito neuronal cuando se hace
mención a neuronas que se controlan dando lugar a una
retroalimentación (feedback).

Redes neuronales
artificiales

Las Redes Neuronales Artificiales, RNA o
ANN por sus siglas en inglés (Artificial Neural Network),
son un paradigma de aprendizaje y procesamiento
automático inspirado en la forma en que funciona
el sistema nervioso de los animales, compuesto por redes de
neuronas biológicas, con baja capacidad de procesamiento,
pero con una alta conectividad, permitiendo sustentar toda su
capacidad cognitiva. En resumen, se trata de
un sistema de interconexión
de neuronas en red que colabora en paralelo
para producir un estímulo de salida a partir de una serie
de entradas.

Las redes neuronales artificiales, por lo tanto,
consisten en una simulación de las propiedades observadas
en los sistemas biológicos a través de modelos
matemáticos simplificados recreados mediante mecanismos
artificiales (circuitos integrados, software, etc). Desde la
perspectiva de la ingeniería, puede ser considerado como
una extensión de las técnicas convencionales de
procesamiento de datos [5]. El objetivo es conseguir que las
máquinas den respuestas similares a las que es capaz de
dar el cerebro, caracterizadas por su generalización
y su robustez.

Funcionamiento y Modelado Neuronal

Las redes neuronales están formadas por un
conjunto de neuronas artificiales interconectadas. Las
neuronas de la red se encuentran distribuidas en
diferentes capas, de manera que las neuronas de una capa
están conectadas con las neuronas de la capa
siguiente, a las que pueden enviar información. La
arquitectura más usada de una red neuronal consiste
en:

• Una primera capa de entradas que recibe
  información del exterior.

• Una serie de capas intermedias (ocultas)
  encargadas de realizar el trabajo de la red.

• Una capa de salida que proporciona el resultado
  del trabajo de la red al exterior.

Fig. 2. Red Neuronal
Artificial

El número de capas intermedias y el
número de neuronas de cada capa dependerá del tipo
de aplicación a la que se vaya a destinar la red
neuronal. 

Una red neuronal artificial tiene aptitudes en
común con las redes neuronales
biológicas:

• El procesamiento de información ocurre en
  muchos elementos simples llamados neuronas

• Las señales son transferidas entre neuronas a
  través de enlaces de conexión.

• Cada conexión tiene un peso asociado, el
  cual, típicamente, multiplica a la señal
  transmitida.

• Cada neurona aplica una función de
  activación (usualmente no lineal) a su entrada de red
  (suma del peso de sus entradas) para determinar su
  salida.

Esta salida viene dada por tres funciones:

Una función de
propagación. También conocida como
función de excitación, que por lo general consiste
en la sumatoria de cada entrada multiplicada por el
peso de su interconexión. Si el peso es positivo, la
conexión se denomina excitatoria; si es
negativo, se denomina inhibitoria.

Una función de activación.
Modifica a la anterior y puede no existir, siendo en este caso la
salida la misma función de propagación.

Una función de transferencia. Se
aplica al valor devuelto por la función de
activación. Se utiliza para acotar la salida de la neurona
y generalmente viene dada por la interpretación que
queramos darle a dichas salidas. Algunas de las más
utilizadas son la función sigmoidea (para obtener
valores en el intervalo [0,1]) y la tangente hiperbólica
(para obtener valores en el intervalo [-1,1]).

Características

Capacidad de aprendizaje a partir de la experiencia
(entrenamiento). Normalmente para la elaboración de un
programa informático es necesario un estudio detallado de
la tarea a realizar para después codificarla en un
lenguaje de programación. Las redes neuronales en cambio,
pueden ser entrenadas para realizar una determinada tarea sin
necesidad de estudiarla a fondo ni programarla usando
algún lenguaje. Además, las redes neuronales pueden
volver a entrenarse para ajustarse a nuevas necesidades sin tener
que reescribir o revisar el código (cosa frecuente en los
programas tradicionales)

Velocidad de respuesta. Una vez concluido el
entrenamiento se comportan de manera similar a como lo hace el
cerebro.

Robustez. El conocimiento adquirido se encuentra
repartido por toda la red, de forma que si se lesiona una parte
se continuarán generando cierto número de
respuestas correctas.

Unidad de Procesamiento Elemental

El modelo abstracto y simple de una neurona artificial
fue concebido por McCulloch and Pitts en 1943 [6] y corresponde
al elemento básico de procesamiento en una red neuronal
artificial.

Fig. 3. Esquema básico de una
neurona artificial

Este modelo se conoce como perceptrón de
McCulloch-Pitts, y es la base de la mayor parte de la
arquitectura de las RNA que se interconectan entre sí. Las
neuronas emplean funciones de activación diferentes
según la aplicación. De acuerdo a la función
de propagación, los pesos pueden ser positivos
(excitación) o negativos (inhibición).

Aprendizaje

La propiedad más importante de las redes
neuronales artificiales es su capacidad de aprender a partir de
un conjunto de patrones de entrenamiento [7], es decir, es capaz
de encontrar un modelo que ajuste los datos a partir de un
algoritmo de aprendizaje. Estos algoritmos están formados
por un conjunto de reglas que permiten a la red
neuronal aprender mediante la modificación de
los pesos sinápticos de las conexiones entre las neuronas
y sus valores umbrales.

Los tipos de aprendizaje pueden dividirse
básicamente en tres:

Aprendizaje supervisado. Se introducen unos
valores de entrada a la red, y los valores de salida generados
por esta se comparan con los valores de salida
correctos. Si hay diferencias, se ajusta la red en
consecuencia.

Aprendizaje de refuerzo. Se introducen
valores de entrada, y lo único que se le indica a la red
es si las salidas que ha generado
son correctas o incorrectas.

Aprendizaje no supervisado. No existe
ningún tipo de guía. De esta manera lo
único que puede hacer la red es
reconocer patrones en los datos de entrada y
crear categorías a partir de estos patrones. De
esta manera, cuando algún dato ingresa, después del
entrenamiento, la red será capaz de clasificarlo e indicar
en que categoría lo ha clasificado.

Redes
móviles

Una red GSM o UMTS, como todas las redes celulares, es
una red de radio que da cobertura a partir de un conjunto de
pequeñas regiones de cobertura denominadas celdas, cada
una con su propio transmisor,
denominado estación base (BTS o Nodo B
respectivamente). Cada estación cubre un espacio
geográfico reducido, por lo tanto, es mediante la
integración de la cobertura de cada una de estas
estaciones de base que una red celular es capaz de proporcionar
una cobertura sobre un área mucho más
amplia. 

Fig. 5. Esquema básico
celular

Arquitectura de Red

Durante la fase de diseño del modelo actual de la
tecnología UMTS, un objetivo importante para lograr una
migración sin problemas desde 2G a 3G, fue que ambos
tipos de redes debían integrarse lo más posible, en
lugar de utilizar la operación de dos redes dedicadas,
totalmente separadas una de otra. Esto implicaba que los
terminales UMTS también debían funcionar en una red
GSM/EDGE y que la interoperabilidad, por ejemplo, la
autenticación, la entrega, y gestión de la
movilidad, fuera permitida en y entre ambos
sistemas.  

Fig. 6. Arquitectura de red
GSM/UMTS

En la Fig.6 la primera parte  corresponde
fundamentalmente a la red GSM de acceso original,
e incorpora la interfaz red aérea convencional,
así como su versión extendida EDGE.
La contrapartida de un BSC en UMTS se denomina Radio
Network Controller (RNC), y la estación base (BTS)
es llamada Nodo B, por lo tanto, las diferencias
fundamentales sólo se establecen en los diferentes
diseños de la interfaz de aire de ambos sistemas [8]

Gestión de Movilidad

Para realizar y recibir llamadas, la ubicación
del móvil debe que ser conocida por la red, pero al estar
esta dividida en celdas, se introduce el problema de localizar a
un usuario antes de poder establecer comunicación con
él.

La gestión de movilidad es el mecanismo que
la red utiliza para llevar un registro dinámico de la
ubicación de todos los móviles activos en la
red. En este contexto, la ubicación no se refiere
específicamente a la localización
geográfica, sino más bien su ubicación con
respecto a un área mayor predefinida a nivel de la red
móvil y denominada Location Area (LA)

Location Area

Una Location Area es un conjunto de celdas vecinas
controladas por un único Mobile Switch Center (MSC), el
cual a su vez puede controlar varios Location Area [9], y son
identificadas por un número único llamado Location
Area Code (LAC). Estas Location Areas son diseñadas
buscando un equilibrio en su tamaño a fin de controlar el
tráfico de señalización. Si son muy grandes,
habrá muchos móviles funcionando bajo ella
simultáneamente, y cada solicitud de llamada (Paging)
deberá ser transmitida a cada estación base
contenida en la Location Area. Si por el contrario, son muy
pequeñas, el móvil deberá requerir muy
seguido a la red debido a sus constantes cambios de de
localización.

Fig. 7. Location Areas

Gestión de Localización

La gestión de localización comprende todas
las funciones necesarias para localizar el móvil en
la red celular, se utiliza el término con diferencia
a la posición, entendida como la determinación de
la ubicación de un móvil con respecto la red. Para
entender la gestión de localización, es necesario
considerar las operaciones que tienen lugar entre la red y el
móvil, así como dentro de la red misma.

Existen dos aspectos fundamentales para comprender la
forma que una red puede realizar el seguimiento de un
móvil. En primer lugar, el móvil informa de su
ubicación actual a la red mediante un proceso de
actualización denominado Location Update (LU), para el
cual existen 3 tipos principales [10]: Location Update que se
realiza al encender y apagar un móvil (IMSI attach / IMSI
detach), Location Update que se realiza cada vez que el
móvil cruza de un Location Area a otro, y por
último, un Location Update que el móvil realiza
cada cierto intervalo de tiempo predefinido (Periodic Location
Update). En segundo lugar, es la red quien busca al
móvil en todas las celdas que componen un Location Area,
realizando un procedimiento conocido como Paging.

Localización de Móviles

Las nuevas posibilidades técnicas para el
seguimiento y localización de moviles a través de
las redes celulares ha permitido pensar en nuevos servicios
para diversos fines que van desde los servicios de emergencia
hasta la lucha contra la delincuencia.

Los servicios de emergencia representan una
aplicación obvia y razonable para el despliegue de la
tecnología de localización. En muchos casos,
las personas al realizar una llamada de emergencia a la
policía, bomberos, etc. son incapaces de indicar su
actual ubicación o simplemente no la conocen. Para
hacer frente a este problema, la Federal Communications
Commission  (FCC) de los Estados Unidos, aprobó
un mandato en 1996, también conocido como
Enhanced 911 (E-911) [11], que obligaba a los operadores
móviles a localizar las llamadas de emergencia y a
entregar su posición geográfica al denominado
Public Safety Answering Point (PSAP). El mandato
también definía un estándar de
precisión que iba mucho más más
allá de lo que era posible con los usuales mecanismos
de gestión de movilidad, por lo que requirió la
mejora de infraestructuras de red existentes y el desarrollo de
diversas técnicas de análisis y modelamiento que
permitieran cumplir con estas condiciones. La
introducción del mandato E-911 se llevo a cabo en dos
fases:

Fase I. En la primera fase del E-911, los
operadores estaban obligados a obtener la ubicación de una
persona que llama dentro las coordenadas de la celda de
origen. 

Fase II. La segunda fase determinó
que los operadores pudieran localizar una persona que llama con
una precisión de 50 a 100 mts. en el 67% de los casos, y
de 150 a 300 mts. en el 95% de todas las llamadas de emergencia,
dependiendo de la tecnología de localización
utilizada. 

Parámetros

La meta de la localización de un móvil es
posicionar al mismo en el plano con cierto grado de
precisión para saber con exactitud dónde se ubica.
A la hora de aplicar diversos métodos sobre la red hemos
de tener en cuenta que la precisión de las mediciones esta
determinada por el radio de cobertura de las celdas que intentan
localizar el terminal móvil.

La señal recibida por las estaciones es enviadas
a la central de procesamiento (MSC) en donde se selecciona la
estación base que tomará la llamada. En cada
estación base es posible determinar algunos
parámetros que permiten obtener información sobre
la localización del móvil como son: el
ángulo de arribo de la señal, la distancia
recorrida, el tiempo arribo de la señal, la potencia de la
señal de arribo, etc.

TA (Timing Advance).  Es un parámetro
concebido para evitar superposición de transmisión
de varios móviles en una misma celda. Para
propósitos de posicionamiento, indica una
estimación de la distancia absoluta entre el móvil
y la estación base. Para ello se miden los retardos de
propagación de las señales radioeléctricas
que intervienen en la comunicación entre la
estación base y el móvil. Sabiendo que dichas
señales viajan a una velocidad cercana a la de la luz
podemos estimar dicha distancia, para trazar una arco o
circunferencia sobre la cual estaría ubicado el
móvil.

TDOA (Time Difference Of Arrival).
Método para estimar la diferencia entre los tiempos de
llegada de una señal, ya sea en downlink como en uplink.
No es necesario en este caso conocer los tiempos de llegada; tan
sólo basta con conocer la diferencia de dichos tiempos.
Para calcular dichas diferencias de tiempo, una de las
técnicas aplicables consiste en medir las diferencias de
fase de la señal en cada una de las antenas
receptoras.

TOA (Time Of Arrival). Magnitud que
representa el tiempo absoluto que tarda en llegar una
señal de radio de un origen a su destino

AoA (Angle of Arrival). Método para
determinar el ángulo de llegada de una señal a una
antena receptora. Se basa en mediciones TDOA capturadas en
diversas antenas.

 Posicionamiento en Redes GSM
[12]

CID (Cell ID). La posición del
móvil corresponde a las coordenadas de la estación
base que le presta servicio, La precisión de la
localización es tan grande como el radio de cobertura de
la celda

CID-TA (Cell ID-Timing Advance). Combina la
información de Cell ID con la información de
distancia estimada con el Timing Advance.

Fig. 8. Timing Advance en antenas
sectorizadas y ominidireccionales

E-OTD (Enhanced Observed Time
Difference). Este método utiliza
lateración circular o hiperbólica basada en una
señal piloto que viaja en el enlace descendente
(downlink), y requiere la utilización de los
parámetros de TOA o TDOA calculado por el móvil
desde las estaciones base a su alrededor.

Fig. 9. Lateración
hiperbólica

U-TDoA (Uplink Time Difference of Arrival). Este
método utiliza igualmente lateración
hiperbólica, pero es realizado en el enlace ascendente
(uplink), es decir, la señal piloto es emitida por el
móvil hacia la red, donde la posición es
calculada. 

Fig. 10. Configuración
U-TDoA

A-GPS (Assisted Global Positioning System). Este
tipo de posicionamiento utiliza el principio D-GPS. Los
terminales deben estar equipados con un receptor GPS, el cual es
asistido con información desde la red, disminuyendo
así el tiempo de adquisición y aumentando la
exactitud de la
localización. 

Fig. 11. Infraestructura A-GPS

Cabe mencionar que los métodos basados en GPS se
pueden considerar inadecuados para el mandato E-911 debido a que
el proceso de las señales GPS puede resultar demasiado
lento para casos de la emergencia, consumen demasiada
energía, y pueden llegar a ser demasiado
costosos. Además, no trabajaban en el interior de
edificios o en ambientes cubiertos.

Posicionamiento en redes UMTS [12]

Cell-based Method. En su forma más simple,
la posición del móvil corresponde a las coordenadas
de una estación base cercana, es decir, un Nodo B. Si es
necesario, los datos de posición pueden ser precisados,
teniendo en cuenta la distancia entre terminal y la
estación base, la cual se puede obtener a partir del
parámetro RTT (Round Trip Time), el AoA desde el
móvil a la estación base, o ambos.

Fig. 12. Métodos de
posicionamiento basado en celda

OTDoA-IPDL (Observed time difference of arrival with
idle period downlink). Este método de posicionamiento
es básicamente el equivalente en UMTS al E-OTD en GSM y
sigue los mismos principios

A-GPS (Assisted Global Positioning System). Este
método también está disponible para
UMTS.

Casos de estudio:
uso de redes neuronales en la gestión de
localización

1. Ubicación a partir de la distancia.
[14]

Este trabajo, desarrolla como método propuesto la
utilización de la distancia recorrida por la señal
como datos de entrada para una red neuronal tipo
perceptrón multicapas. Las distancias son obtenidas a
partir de la información del tiempo de arribo de la
señal (TOA) y el entrenamiento de la red se realiza
mediante el algoritmo denominado Levenberg-Marquardt
[15]

Según se indica en su desarrollo, los datos de
entrenamiento fueron generados aleatoriamente dentro del
área de cobertura de una celda, calculando luego las
distancias respectivas a cada estación base, y formando el
par entrada-salida (datos de entrenamiento) donde la entrada
corresponde a las distancias respectivas a cada estación
base y la salida corresponde a la posición real del
móvil.

Entrenamiento

Se utilizaron 10.000 patrones de entrenamiento y 500
patrones adicionales para la validación de la red. El
entrenamiento se realizó mediante la función
trainlm de MatLab [16] con un máximo de 500
iteraciones.

El entrenamiento se realiza para dos arreglos de celdas,
una triangular y otra lineal, con la finalidad de comprobar el
efecto de la geometría en el sistema de
localización propuesto.

Fig. 13. Geometría de los arreglos
de celda

El entrenamiento fue realizado bajo diferentes
parámetros iniciales, a fin de evaluar la estructura de la
red y su capacidad. Para el caso de geometría triangular,
y técnicas circular y elípticas se obtuvo una
estructura de red de 3-8-2, para el resto de los casos se obtuvo
3-12-8-2.

Desempeño de las Redes Neuronales, Efecto de
la Geometría.

Se comparó el desempeño del sistema basado
en redes neuronales con un sistema de localización basado
en series de Taylor [17], demostrándose que este
último se ve seriamente afectado por la geometría
del sistema. En la figura se muestran tres de los
puntos críticos.

A continuación se analiza cada uno de estos tres
casos.

Fig. 14. Geometrías criticas para
la localización

Para el caso "a", con el móvil alineado con las
tres estaciones base, el método neuronal produjo
resultados con un error de hasta 2 mts. en la estimación
de las distancias. El método RNA resulto es más
robusto para las técnicas circular y elíptica,
mientras que el método de Taylor diverge para el caso
elíptico.

En el caso "b", con geometría de estaciones base
alineadas y el móvil no alineado, el método de
Taylor muestra no ser aplicable para las tres técnicas y
no logra convergencia para la técnica elíptica. El
método neuronal funcionó con las tres
técnicas, mostrando mejor desempeño en la
técnica hiperbólica en la cual, aún con un
error de 50 mts en la estimación de las distancias, la
ubicación se mantiene por debajo del máximo
establecido por la norma E-911 de la FCC.

Finalmente en el caso "c", con el móvil en la
línea que une dos estaciones base, en general se observa
un mejor desempeño del método neuronal, siendo
aplicable a todas las técnicas descritas.

Efecto del control de potencia

En los sistemas CDMA un factor crítico en la
implementación de las técnicas de
localización es el control de potencia empleado para
evitar los problemas de interferencia "próximo-lejano", ya
que en la medida que un móvil se acerca a una
estación base, disminuye su potencia. Esta
disminución de la potencia afecta la estimación de
los parámetros de localización en las otras
estaciones. Por ello, el control de potencia en los
teléfonos móviles celulares es uno de los
principales problemas en la implementación de las
técnicas para estimar su ubicación..

La ubicación estimada por los dos métodos
tiende a degradarse a medida que el móvil se acerca a la
estación base. El método RNA muestra un
desempeño algo mejor que el método de Taylor, el
cual no mostró ser aplicable a la técnica
elíptica.

A medida que el móvil se acerca a estación
base 1 (BS1), el error promedio en la estimación de la
ubicación aumentó, a tal punto de exceder los 125
mts.

Fig. 15. Efecto del control de
potencia

2. Predicción de la Trayectoria
[18]

Este trabajo propone un modelo de movilidad y la
utilización de un predictor de ubicación neuronal
(Predictor Neural Location, PNL) para predecir la
ubicación de un móvil.

Estos movimientos aparentemente al azar, son en realidad
una función lógica de los usuarios:
posición, velocidad, aceleración y
dirección.

Una buena exactitud y una rápida
predicción de localización pueden minimizar el
tráfico de señalización requerido para
mantener la calidad de servicio durante el handoff.

Cuando un usuario móvil se mueve, sus
conversaciones son gestionadas entre distintas celdas para
mantener una adecuada calidad de servicio (QoS). Este
procedimiento de transferencia es esencial para garantizar la
continuidad de una llamada.

Fig. 16. Reserva y liberación de
recursos en las celdas vecinas

La figura anterior muestra un ejemplo de procedimiento
de reserva de recursos de ancho de banda en las celdas durante el
handoff. Los recursos son asignados a la conexión
actual en la celda A, pero al mismo tiempo recursos adicionales
son también reservados en todas las celdas vecinas B, 1,
2, 6, 7 y 8. Cuando el usuario se mueve desde la celda A a
la celda B, los recursos reservado (y los no utilizados, si los
hay) en la celda B se utilizan para dar cabida a la
conexión de handoff, y los recursos reservados en las
células 1, 7 y 8 (celdas que no son adyacentes a la celda
B) son liberados. Al mismo tiempo, nuevos recursos son ahora
reservados en las nuevas celdas vecinas A, 3, 4 y 5.

Una predicción de localización
rápida y precisa puede reducir enormemente la cantidad
recursos necesarios cuando un móvil se mueve en el
límite de servicio de las celdas. No es necesario
entonces reservar recursos en todas las celdas vecinas si un
predictor de localización toma en cuenta la
dirección de movimiento, y puede hacer una
predicción precisa de cambio de celdas, por lo tanto,
sólo es necesario reservar recursos en las celdas B, 2 y 6
(aunque sea una o dos celdas solamente), pero no en todas las
celdas vecinas. 

 Cuando un movimiento de un móvil no
encaja con la predicción de la localización, un
Location Update se activa desde el móvil para informar a
la red acerca de su ubicación real. De lo contrario,
ningún tráfico de señalización es
necesario, por tanto, el enfoque PNL permite ahorros en el
proceso de ubicación de la actualización y el
intercambio de señalización. 

Los modelos propuestos son:

Modelo de Movilidad 

Modelo de red neuronal 

No sólo el modelo transformado de movilidad, sino
también el concepto de descomposición de
coordenadas es muy importante en el diseño del
predictor de ubicación neuronal (NLP). La
descomposición nos permite dividir las tres últimas
posiciones en dos
pequeños grupos y Por lo tanto, la arquitectura NLP puede ser
diseñada en dos grupos de redes neuronal feed-forward en
lugar de solo una

Fig. 18. Red neuronal feed-forward (n=3)
y arquitectura NLP propuesta (n=3).

Como puede verse, el modelo NLP utiliza menos
conexiones. Cada conexión representa una
multiplicación o una suma. Las entradas de ambas redes
neuronales son las mismas.

La información acerca de la velocidad,
aceleración, y la dirección se encuentran
implícitas en las coordenadas.

La NLP sólo requiere las últimas tres
posiciones. Otros predictores pueden requerir entradas más
complicadas como la velocidad, aceleración y la
dirección, y requerirán demasiado cálculo
previo. El modelo de movilidad propuesto y el predictor NLP
proporcionan una arquitectura única. 

Estructura de celda de dos
niveles 

Consideremos un escenario real sobre el problema de
reserva de recursos de ancho de banda. Si un móvil se
ubica en una celda particular por un largo tiempo antes del
handoff, los recursos se desperdician durante ese mismo
tiempo

Fig. 19 Estructura celular de dos
niveles

Por otra parte, la predicción de cambio de celda
será menos precisa si un móvil aparece en el nivel
1 de la celda y realiza un gran cambio, por lo tanto, menor
precisión en la predicción implicará mayor
intercambio de señalización y mayor reserva de
recursos inutilizados. Para evitar estos problemas, un
segundo nivel en la estructura de celdas es adoptado.

El aumento de la propagación por distancia entre
una estación base y un móvil se degrada
según RSSI (Receive Signal Strength Indication)
[19]. 

La probabilidad de handoff de un móvil aumenta
cuando su distancia de la estación base aumenta. Una
estructura celular de dos niveles utiliza RSSI para predecir el
momento exacto en que se debe inducir el proceso de reserva de
recursos antes del handoff

Un móvil con un RSSI mayor que el promedio de
intensidad de la señal se encuentra ubicado en el nivel 1,
de lo contrario, está en el nivel 2.

La estación base debería reservar recursos
para un móvil ubicado en el nivel 2, debido a que el
móvil tiene mayor probabilidad de handoff que en el nivel
1. Debido a la arquitectura en 2 niveles, RSSI es muy útil
para reducir los recursos inutilizados, reducir la cantidad de
tráfico de señalización y un incremento en
la utilización de los recursos.

Análisis de
rendimiento

Para reducir el tráfico de
señalización, es necesario alcanzar una alta
precisión de la predicción de la
ubicación. Los modelos de movilidad de usuarios
disponibles en las literatura asumen un movimiento en
línea recta o velocidad constante, lo cual no refleja la
realidad de uso.

El siguiente algoritmo garantiza el QoS durante el
Handoff y puede hacer frente a las predicciones equivocadas que
causan reservas de recursos innecesarias

Fig. 20. Mecanismo de reserva en
NLP

3. Gestión inteligente de
localización en redes UMTS utilizando redes neuronales
difusas [20]

Este trabajo propone un modelo de
aprendizaje a partir de patrones de usuarios móviles que
permitiría reducir los costos de
señalización en cuanto al Location Update,
aumentando de inteligencia en la gestión de
localización

Enfoque

En las redes móviles, la
mayoría de los usuarios siguen rutinas regulares durante
las horas hábiles, pasando la mayor parte del tiempo en
sus lugares de trabajo. Para estos usuarios, es posible
predecir su ubicación con una gran exactitud durante esas
horas del día

El objetivo del modelo de
aprendizaje de predicción de ubicación es
aprovechar esta información para reducir los
requerimientos de Location Update y Paging.

Los usuarios se podrían
clasificar en tres categorías diferentes, dependiendo de
la previsibilidad de su rutina diaria: los usuarios que tienen
una probabilidad muy alta de estar donde el sistema espera que
estén (usuarios deterministas), los usuarios que tienen
una cierta probabilidad de estar donde el sistema espera que
estén (usuarios cuasideterministas), y los usuarios cuya
posición en un momento dado es impredecible (usuarios
aleatorios). 

El diseño de estrategia de
aprendizaje asocia a cada usuario una lista de Location Areas
(LA) donde existen mayores probabilidades que esté ubicado
dentro de un intervalo de tiempo dado.  Cuando ingresa una
llamada, cada ubicación dentro de la lista es
secuencialmente requerida hasta que el móvil es
encontrado, por lo tanto, cuando un usuario se mueve dentro de
los puntos de la lista, no se requerirá Location
Update. 

Esta lista debe ser almacenada en
una base de datos intermedia (ILD) asociada tanto al MSC como al
móvil y la reducción de costos dependerá del
comportamiento de cada tipo de usuario.  Si los usuarios
móviles se clasifican en categorías, el sistema
podría tratar a cada categoría de manera diferente
para reducir al mínimo los costos del
sistema. 

Según se indica, esta
estrategia utiliza una red Neuro-Fuzzy adaptativa [21] para
aprender sobre las rutinas de los usuarios. En general, los
sistemas Neuro-Fuzzy son capaces de "aprender" las tendencias de
un determinado conjunto de datos y el establecimiento de
relaciones de input-output basado estrictamente en las "reglas"
obtenidas de este conjunto de datos. Para esto, Es necesario que
la "prueba" de datos que el sistema "aprende" sea lo más
representativa posible, dentro de todas las posibilidades
existentes. Las tendencias no vistas en los datos de prueba no
serían "aprendidas" por el sistema, es decir, el sistema
sólo funcionará tan bien como ha sido entrenado,
aún cuando los ejemplos de entrenamiento pueden contener
errores, ya que los métodos de aprendizaje ANFIS
(Adaptative Neuro-Fuzzy Networks) son bastante robustos frente a
ruido en los datos de entrenamiento.

Descripción del patrón de
aprendizaje

La motivación principal
detrás del uso de redes ANFIS es su capacidad de aprender
las relaciones y la reglas de formación en conjuntos de
datos complejos que no pueden ser fácilmente
detectadas. Al observar el comportamiento diario del usuario
móvil, se utiliza el algoritmo de ANFIS para aprender este
comportamiento.