| Περίληψη: | Η τεχνολογική πρόοδος γνωρίζει ραγδαία ανάπτυξη τα τελευταία χρόνια. Ως εκ τούτου, οι ανάγκες των χρηστών έχουν αναδιαμορφωθεί με γνώμονα τις τρέχουσες εξελίξεις. Μερικές από τις απαιτήσεις των χρηστών και κατ’ επέκταση των εφαρμογών που χρησιμοποιούν, αφορούν τις υψηλές ταχύτητες δεδομένων, αξιοπιστία συνδέσεων, χαμηλούς χρόνους καθυστέρησης αλλά και την μεγάλη κινητικότητα. Έτσι λοιπόν, τόσο ο όγκος πληροφορίας που διακινείται στα ασύρματα δίκτυα, όσο και η επεξεργασία αυτών των δεδομένων καθιστά επιτακτική την ανάγκη εύρεσης λύσεων πέρα από τους κλασσικούς τρόπους διαχείρισης που υφίστανται έως σήμερα.
Οι λύσεις κρύβονται αφενός σε επίπεδο λογισμικού, αφετέρου σε επίπεδο υλικού. Πιο συγκεκριμένα, η μηχανική μάθηση και ιδίως η βαθιά μάθηση, αποτελεί μια τεχνική η οποία έχει την ικανότητα να μαθαίνει από τα δεδομένα. Ως εκ τούτου, εργασίες οι οποίες στο παρελθόν απαιτούσαν μεγάλους χρόνους διεκπεραίωσης, με τη βοήθεια της βαθιάς μάθησης, ο χρόνος αυτός μειώνεται δραματικά. Από την άλλη πλευρά, η αξιοποίηση νέων συχνοτήτων ζωνών, όπως του mmWave, σε συνδυασμό με την τοποθέτηση πολλαπλών κεραιών (massive MIMO) στα συστήματα ασυρμάτων επικοινωνιών έρχονται να απελευθερώσουν τις επικοινωνίες από τους περιορισμούς όπως η χωρητικότητα δικτύου, αύξηση ρυθμού δεδομένων κ.α. Στην παρούσα διπλωματική εργασία, αναλύεται ένα σύστημα (Large Intelligent Surface) το οποίο βοηθά την επικοινωνία ενός πομπού και δέκτη. Το σύστημα αυτο έχει την ικανότητα να ανακλά το προερχόμενο από τον πομπό σήμα στο δέκτη με ένα τρόπο ώστε η συνολική απόδοση της επικοινωνίας να αυξάνεται. Πιο συγκεκριμένα, με τη βοήθεια ενός νευρωνικού δικτύου, προβλέπεται εκείνο το διάνυσμα κατευθυντικότητα το οποίο πετυχαίνει σχεδόν βέλτιστο ρυθμό δεδομένων.
|
|---|
