Προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης
Τα επικείμενα δίκτυα της πέμπτης γενιάς (5G) αναμένεται να παρέχουν αυξημένους ρυθμούς μετάδοσης, καλύτερη απόδοση ισχύος, μεγαλύτερη χωρητικότητα καναλιού και μειωμένη καθυστέρηση δεδομένων. Αυτό κάνει το σχεδιασμό και την ανάπτυξη των ασύρματων δικτύων μια σημαντική πρόκληση. Η πρόβλεψη της απώλει...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2022
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/16102 |
id |
nemertes-10889-16102 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-161022022-09-05T06:58:10Z Προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης Channel simulations and statistical modeling at 5g candidate frequencies using machine learning techniques Θεοδώρου, Βασίλειος Theodorou, Vasileios Ασύρματα δίκτυα πέμπτης γενιάς Μηχανική μάθηση Απώλειες διάδοσης μεγάλης κλίμακας Προσομοίωση ασύρματου καναλιού Μοντέλα παλινδρόμησης μηχανικής μάθησης Fifth generation wireless networks Machine learning Large scale path loss Wireless channel simulation Machine learning regression models Τα επικείμενα δίκτυα της πέμπτης γενιάς (5G) αναμένεται να παρέχουν αυξημένους ρυθμούς μετάδοσης, καλύτερη απόδοση ισχύος, μεγαλύτερη χωρητικότητα καναλιού και μειωμένη καθυστέρηση δεδομένων. Αυτό κάνει το σχεδιασμό και την ανάπτυξη των ασύρματων δικτύων μια σημαντική πρόκληση. Η πρόβλεψη της απώλειας διάδοσης είναι μια από αυτές καθώς παίζει σημαντικό ρόλο στην βελτιστοποίηση της απόδοσης του ασύρματου δικτύου και χρησιμοποιείται σε σημαντικές σχεδιαστικές πτυχές αυτού όπως η βέλτιστη επιλογή σταθμών βάσης, η πρόβλεψη κάλυψης, το μέγεθος της κυψέλης κ.α. Για το λόγο αυτό μοντέλα με υψηλή ακρίβεια και χαμηλή πολυπλοκότητα πρέπει να προταθούν. Έτσι σε αυτή τη διπλωματική παρουσιάζονται οι αρχές κι οι διαδικασίες για την κατασκευή μοντέλων απώλειας διάδοσης που βασίζονται στη μηχανική μάθηση. Δεδομένα μετρήσεων που έχουν προκύψει από προσομοίωση χρησιμοποιούνται για να εκτιμήσουμε την απόδοση έξι διαφορετικών μοντέλων μηχανικής μάθησης και να τα συγκρίνουμε με το εμπειρικό Log-distance μοντέλο. Emerging fifth-generation (5G) networks are expected to provide increased data rates, better spectrum efficiency, increased channel capacity and decreased data latency. These requirements make the design and deployment of 5G a challenging task. Path loss prediction is one of the challenges as it plays a significant role in the performance optimization of the wireless network. Path loss prediction is also of great significance for some critical network design aspects such as the selection of base station locations, coverage prediction, cell size, etc. For the aforementioned reasons path loss prediction models with high accuracy and low complexity should be proposed. In this diploma thesis the principles and procedures for constructing machine-learning-based path loss prediction models are presented. Measurement data derived from simulation are used to evaluate six different machine learning models and compare them with the empirical Log-distance model. 2022-03-17T12:02:56Z 2022-03-17T12:02:56Z 2021-10-10 http://hdl.handle.net/10889/16102 gr application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Ασύρματα δίκτυα πέμπτης γενιάς Μηχανική μάθηση Απώλειες διάδοσης μεγάλης κλίμακας Προσομοίωση ασύρματου καναλιού Μοντέλα παλινδρόμησης μηχανικής μάθησης Fifth generation wireless networks Machine learning Large scale path loss Wireless channel simulation Machine learning regression models |
spellingShingle |
Ασύρματα δίκτυα πέμπτης γενιάς Μηχανική μάθηση Απώλειες διάδοσης μεγάλης κλίμακας Προσομοίωση ασύρματου καναλιού Μοντέλα παλινδρόμησης μηχανικής μάθησης Fifth generation wireless networks Machine learning Large scale path loss Wireless channel simulation Machine learning regression models Θεοδώρου, Βασίλειος Προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης |
description |
Τα επικείμενα δίκτυα της πέμπτης γενιάς (5G) αναμένεται να παρέχουν αυξημένους ρυθμούς μετάδοσης, καλύτερη απόδοση ισχύος, μεγαλύτερη χωρητικότητα καναλιού και μειωμένη καθυστέρηση δεδομένων. Αυτό κάνει το σχεδιασμό και την ανάπτυξη των ασύρματων δικτύων μια σημαντική πρόκληση. Η πρόβλεψη της απώλειας διάδοσης είναι μια από αυτές καθώς παίζει σημαντικό ρόλο στην βελτιστοποίηση της απόδοσης του ασύρματου δικτύου και χρησιμοποιείται σε σημαντικές σχεδιαστικές πτυχές αυτού όπως η βέλτιστη επιλογή σταθμών βάσης, η πρόβλεψη κάλυψης, το μέγεθος της κυψέλης κ.α. Για το λόγο αυτό μοντέλα με υψηλή ακρίβεια και χαμηλή πολυπλοκότητα πρέπει να προταθούν. Έτσι σε αυτή τη διπλωματική παρουσιάζονται οι αρχές κι οι διαδικασίες για την κατασκευή μοντέλων απώλειας διάδοσης που βασίζονται στη μηχανική μάθηση. Δεδομένα μετρήσεων που έχουν προκύψει από προσομοίωση χρησιμοποιούνται για να εκτιμήσουμε την απόδοση έξι διαφορετικών μοντέλων μηχανικής μάθησης και να τα συγκρίνουμε με το εμπειρικό Log-distance μοντέλο. |
author2 |
Theodorou, Vasileios |
author_facet |
Theodorou, Vasileios Θεοδώρου, Βασίλειος |
author |
Θεοδώρου, Βασίλειος |
author_sort |
Θεοδώρου, Βασίλειος |
title |
Προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης |
title_short |
Προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης |
title_full |
Προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης |
title_fullStr |
Προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης |
title_full_unstemmed |
Προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης |
title_sort |
προσομοίωση διαύλου και στατιστική μοντελοποίηση για μικροκυματικές συχνότητες δικτύων 5ης γενιάς με τεχνικές μηχανικής μάθησης |
publishDate |
2022 |
url |
http://hdl.handle.net/10889/16102 |
work_keys_str_mv |
AT theodōroubasileios prosomoiōsēdiauloukaistatistikēmontelopoiēsēgiamikrokymatikessychnotētesdiktyōn5ēsgeniasmetechnikesmēchanikēsmathēsēs AT theodōroubasileios channelsimulationsandstatisticalmodelingat5gcandidatefrequenciesusingmachinelearningtechniques |
_version_ |
1771297171370409984 |