Ανάπτυξη αξιόπιστου δέκτη με τεχνικές βαθιάς μάθησης
Ο χώρος των Τηλεπικοινωνιών και πιο συγκεκριμένα των Ασύρματων Επικοινωνιών, έχει μια ραγδαία εξέλιξη τα τελευταία χρόνια. Η τεχνολογία των ασύρματων τηλεπικοινωνιών αναζητά μεθόδους ώστε να ικανοποιήσει τις απαιτήσεις για γρήγορη μετάδοση της πληροφορίας αξιοποιώντας όσο καλύτερα γίνεται το διαθέσι...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | el_GR |
| Published: |
2021
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11610/21798 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Ο χώρος των Τηλεπικοινωνιών και πιο συγκεκριμένα των Ασύρματων Επικοινωνιών, έχει μια ραγδαία εξέλιξη τα τελευταία χρόνια. Η τεχνολογία των ασύρματων τηλεπικοινωνιών αναζητά μεθόδους ώστε να ικανοποιήσει τις απαιτήσεις για γρήγορη μετάδοση της πληροφορίας αξιοποιώντας όσο καλύτερα γίνεται το διαθέσιμο φάσμα και μειώνοντας το κόστος και την πολυπλοκότητα, ενώ ταυτόχρονα να παρέχει υψηλή ποιότητα υπηρεσίας. Η μέθοδος Πολυπλεξίας Ορθογωνικής Διαίρεσης Συχνότητας αποτελεί μία ευέλικτη μέθοδος πολυπλεξίας καναλιών με αυξημένη χωρητικότητα που εφαρμόστηκε στις τηλεπικοινωνίες στα τέλη του προηγούμενου αιώνα. Με τη τεχνική αυτή επιτεύχθηκε υψηλός ρυθμός μετάδοσης ακόμα και σε πολυδιαδρομικά περιβάλλοντα διάδοσης. Η μέθοδος αυτή βασίστηκε στη μετάδοση πολλαπλών φερόντων με τη διατήρηση της ορθογωνικότητας μεταξύ τους ώστε να αντιμετωπιστεί το πρόβλημα της διασυμβολικής παρεμβολής κατά τις ασύρματες μεταδόσεις μέσω πολυδιαδρομικών διαύλων.
Αντίστοιχο φαινόμενο παρατηρείται και στον χώρο της Μηχανικής Μάθησης (Machine Learning) όπου οι εφαρμογές της ολοένα αναπτύσσονται και χρησιμοποιούνται ευρέως και όλο και πιο πολύ στην καθημερινότητά μας. Πτυχές της μηχανικής γνώσης όπως η Βαθιά Μάθηση (Deep Learning), μπορούν να χρησιμοποιηθούν στο πεδίο των ασύρματων τηλεπικοινωνιών για την ανάπτυξη αξιόπιστων μοντέλων. Με την χρήση κατάλληλων εργαλείων όπως το TensorFlow καθώς και της γλώσσας προγραμματισμού Python μπορούν να δημιουργηθούν και να εκπαιδευθούν μοντέλα για την αντιμετώπιση διάφορων προβλημάτων.
Στην παρούσα διπλωματική παρουσιάζεται η ανάπτυξη ενός αξιόπιστου δέκτη με την βοήθεια των τεχνικών της Βαθιάς Μάθησης οι οποίες μπορούν να απλοποιήσουν τον τρόπο λειτουργίας των δεκτών και να παρέχουν μεγάλη ακρίβεια στα σήματα λήψης. Με τις τεχνικές αυτές θα αναπτυχθεί ένα μοντέλο Βαθιάς Μάθησης το οποίο θα βοηθήσει στη σωστή λειτουργία του δέκτη ώσετ να παρέχει αξιοπιστία. Επίσης, με τη μέθοδο OFDM θα γίνει η προσομοίωση του δέκτη στο MATLAB για την παραγωγή του Dataset που θα χρησιμοποιηθεί για την εκπαίδευση και τον έλεγχο του μοντέλου. Ακολουθεί η ανάπτυξη ενός μοντέλου με τη χρήση του TensorFlow, ο έλεγχος, και η επίδοση του όσον αφορά την ακρίβεια καθώς και η αξιολόγηση των αποτελεσμάτων. Τέλος, θα εξεταστούν διαγράμματα με συγκρίσεις τριών μεθόδων διαμόρφωσης σε συνδυασμό με την OFDM σχετικά την τιμή προσομοίωσης BER (Bit Error Ratio), καθώς επίσης και της θεωρητικής τιμής BER αυτών. |
|---|