Deep learning contributions for the next generation of wireless systems = Contribuições de aprendizado profundo para as próximas gerações de sistemas de comunicação sem fio
| dc.contributor.advisor | Akamine, Cristiano | |
| dc.contributor.author | Barragam, Vinicius Piro | |
| dc.date.accessioned | 2024-10-11T23:13:30Z | |
| dc.date.available | 2024-10-11T23:13:30Z | |
| dc.date.issued | 2024-02-16 | |
| dc.description.abstract | Os avanços tradicionais na camada física dos sistemas de comunicação têm sido impulsionados, normalmente, considerando cada etapa do processamento do sinal como um bloco isolado de processamento, cada um otimizado separadamente usando métodos matemáticos em uma abordagem descentralizada. No entanto, essa estratégia está sendo desafiada pelas crescentes demandas por conectividade sem fio e pela diversidade crescente de dispositivos e aplicações. Em contraste, sistemas baseados em Aprendizado Profundo (DL, do inglês Deep Learning) têm a capacidade de gerenciar tarefas complexas para as quais modelos bem definidos podem não existir. Esses sistemas, aprendendo diretamente dos dados, têm o potencial de se adaptar e até mesmo aproveitar os efeitos não intencionais das condições reais de hardware e canais, em vez de tentar eliminá-los. O objetivo da pesquisa apresentada nesta tese é explorar e contrastar diferentes metodologias para maximizar a eficácia de DL para estimação de canal em sistemas que utilizam Multiplexização por Divisão em Frequências Ortogonais (OFDM, do inglês Orthogonal Frequency Division Multiplexing). Nesta tese, duas abordagens distintas para a estimativa de canal em sistemas de comunicação são investigadas. A primeira emprega Redes Neurais Profundas Totalmente Conectadas (FC-DNNs, do inglês Fully-Connected Deep Neural Networks), começando com o treinamento de neurônios para reter informações de canal usando estimativas de Mínimos Quadrados (LS, do inglês Least Squares) como entradas, tendo canais reais como alvos. Este método se assemelha à arquitetura do autoencoder e mostra eficácia na redução de ruído em cenários de Ruído Branco Gaussiano Aditivo (AWGN, do inglês Additive White Gaussian Noise) e canais Rayleigh. No caso AWGN, seu comportamente corresponde ao desempenho teórico, permitindo a redução do número de pilotos e melhoria da eficiência espectral. Para o caso do canal Rayleigh, ele corresponde ao desempenho do estimador de Erro Quadrático Médio Mínimo (MMSE, do inglês Minimum Mean Square Error ). A segunda abordagem explora Redes Neurais Convolucionais (CNNs, do inglˆes Convolutional Neural Networks) tratando canais sem fio de maneira semelhante a imagens, utilizando assim as propriedades de invariância a translação de características e detecção de bordas. Este método foi treinado a partir de dados de canais seletivos com desvanecimento rápido em frequência, e 22 dB de Relação Sinal-Ruído (SNR, do inglês Signal-to-Noise Ratio) usando o modelo Vehicular A (VehA) a 50 km/h, compara CNNs, Redes Convolucionais Densas (abreviado em inglês, DenseNets) e Redes Residuais (abreviado em inglês, ResNets). As últimas redes, com suas conexões saltadas entre blocos, demonstram desempenho superior em níveis mais baixos de SNR, extraindo efetivamente informações de canais ruidosos. | |
| dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível | |
| dc.description.sponsorship | IPM - Instituto Presbiteriano Mackenzie | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/39593 | |
| dc.language.iso | en | |
| dc.language.iso | pt_BR | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.subject | OFDM | |
| dc.subject | channel estimation | |
| dc.subject | deep neural networks | |
| dc.subject | convolutional neural networks | |
| dc.title | Deep learning contributions for the next generation of wireless systems = Contribuições de aprendizado profundo para as próximas gerações de sistemas de comunicação sem fio | |
| dc.type | Tese | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/0394598624993168 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0002-3161-4668 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/9601397065859671 | |
| local.contributor.authorOrcid | https://orcid.org/0000-0003-4607-2416 | |
| local.contributor.board1 | Silva, Leandro Augusto da | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/1396385111251741 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0002-8671-3102 | |
| local.contributor.board2 | Fraga, Mariana Amorim | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/5099968396115915 | |
| local.contributor.board2Orcid | http://orcid.org/0000-0001-6976-8550 | |
| local.contributor.board3 | Perotoni, Marcelo Bender | |
| local.contributor.board3Lattes | http://lattes.cnpq.br/6536009557203935 | |
| local.contributor.board4 | Lima, Eduardo Rodrigues de | |
| local.contributor.board4Lattes | http://lattes.cnpq.br/1801783933113600 | |
| local.description.abstracten | Traditional advancements in the physical layer of communication systems have been driven by deconstructing transceivers into various processing units, each fine-tuned sep arately using mathematical frameworks. However, this strategy is being tested by the escalating demands for wireless connectivity and the growing diversity in devices and ap plications. In contrast, systems based on deep learning (DL) can manage complex tasks for which clear-cut models may not exist. These systems, through learning directly from data, have the potential to adapt to and even leverage the unintended effects of real-world hardware and channel conditions, rather than attempting to eliminate them. The research presented in this thesis aims to explore and contrast different methodologies to maximize the effectiveness of DL for channel estimation in systems using Orthogonal Frequency Division Multiplexing (OFDM). In this thesis, two distinct approaches for channel estimation in communication sys tems are investigated. The first employs Fully-Connected Deep Neural Networks (FC DNNs), starting with training neurons to retain channel state information by using Least Squares (LS) estimations as inputs against actual channels as targets. This method mir rors autoencoder architecture and shows effective denoising in Additive White Gaussian Noise (AWGN) scenarios and Rayleigh channels. In the AWGN case, it matches theo retical performance allowing a reduction in the number of pilots and improved spectral efficiency. For the Rayleigh channel case, it matches the performance of the Minimum Mean Square Error (MMSE) estimator. The second approach explores Convolutional Neural Networks (CNNs) by treating wireless channels similarly to images, thus utilizing translation invariance and edge detection for enhanced training. This method, trained with data from frequency-selective fast fading channels at 22 dB Signal-to-Noise Ratio (SNR) using the Vehicular A (VehA) model 50 km/h, compares CNNs, Densely Connected Convolutional Networks (DenseNets), and Residual Networks (ResNets). The latter net works, with their skip connections, demonstrate superior performance at lower SNR levels, effectively extracting information from noisy channels. | |
| local.keywords | OFDM | |
| local.keywords | estimação de canal | |
| local.keywords | redes neurais profundas | |
| local.keywords | redes neurais convolucionais | |
| local.publisher.country | Brasil | |
| local.publisher.department | Escola de Engenharia Mackenzie (EE) | |
| local.publisher.initials | UPM | |
| local.publisher.program | Engenharia Elétrica e Computação | |
| local.subject.cnpq | CNPQ::ENGENHARIAS |