Χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών
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, αξιοπισ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15013 |
| id |
nemertes-10889-15013 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-150132022-09-05T20:16:17Z Χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών Deep learning in large intelligent surfaces Αλεξόπουλος, Δημήτριος Alexopoulos, Dimitrios Μεγάλες έξυπνες επιφάνειες Διάνυσμα κατευθυντικότητας Μητρώο ανάκλασης επιφάνειας Μηχανική μάθηση Βαθιά μάθηση Ασύρματα δίκτυα πέμπτης γενιάς Πολλαπλές κεραίες Large intelligent surfaces Beamforming vector Reflection matrix Phase shifters Deep learning 5G mmWave Sub6-GHz MIMO Massive MIMO 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. Technological progress has grown rapidly in recent years. As a result, the user needs have been reshaped in the light of current developments. Some of the user requirements and consequently the applications they use, relate to high data rates, connection reliability, low latency and high mobility. Thus, both the volume of information transmitted on the wireless networks and the processing of this data make it imperative to find solutions beyond the traditional management methods that exist to date. The solutions are hidden in both software and hardware level. More specifically, machine learning, and especially deep learning, is a technique that has the ability to learn from data. Therefore, tasks that required long processing times in the past, with the help of deep learning, now these times are reducing dramatically. On the other hand, the utilization of new band frequencies, such as mmWave, in combination with the installation of multiple antennas (massive MIMO) in wireless communication systems come to free the communications from the constraints such as network capacity, data rate etc. In this diploma thesis, a Large Intelligent Surface system is analyzed to help the communication established between a transmitter and a receiver where no line of sight exists. This system has the ability to reflect the impinging signal from the transmitter to the receiver in a way that improves the wireless communication performance. More specifically, with the help of a neural network, a beamforming vector is predicted that achieves a near optimal rate. 2021-07-14T08:40:56Z 2021-07-14T08:40:56Z 2021-07-13 http://hdl.handle.net/10889/15013 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μεγάλες έξυπνες επιφάνειες Διάνυσμα κατευθυντικότητας Μητρώο ανάκλασης επιφάνειας Μηχανική μάθηση Βαθιά μάθηση Ασύρματα δίκτυα πέμπτης γενιάς Πολλαπλές κεραίες Large intelligent surfaces Beamforming vector Reflection matrix Phase shifters Deep learning 5G mmWave Sub6-GHz MIMO Massive MIMO |
| spellingShingle |
Μεγάλες έξυπνες επιφάνειες Διάνυσμα κατευθυντικότητας Μητρώο ανάκλασης επιφάνειας Μηχανική μάθηση Βαθιά μάθηση Ασύρματα δίκτυα πέμπτης γενιάς Πολλαπλές κεραίες Large intelligent surfaces Beamforming vector Reflection matrix Phase shifters Deep learning 5G mmWave Sub6-GHz MIMO Massive MIMO Αλεξόπουλος, Δημήτριος Χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών |
| description |
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. |
| author2 |
Alexopoulos, Dimitrios |
| author_facet |
Alexopoulos, Dimitrios Αλεξόπουλος, Δημήτριος |
| author |
Αλεξόπουλος, Δημήτριος |
| author_sort |
Αλεξόπουλος, Δημήτριος |
| title |
Χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών |
| title_short |
Χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών |
| title_full |
Χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών |
| title_fullStr |
Χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών |
| title_full_unstemmed |
Χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών |
| title_sort |
χρήση τεχνικών μηχανικής μάθησης για συστήματα μεγάλων έξυπνων επιφανειών |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15013 |
| work_keys_str_mv |
AT alexopoulosdēmētrios chrēsētechnikōnmēchanikēsmathēsēsgiasystēmatamegalōnexypnōnepiphaneiōn AT alexopoulosdēmētrios deeplearninginlargeintelligentsurfaces |
| _version_ |
1771297353277374464 |
