Return to search

AplicaÃÃes de aprendizagem de mÃquinas Ãs comunicaÃÃes mÃveis: gerenciamento de recursos e avaliaÃÃo de desempenho. / Applications of machine learning in mobile communications: resources management and performance assessment.

nÃo hà / De modo a suprirem o aumento de trÃfego previsto para os prÃximos anos, os sistemas de comunicaÃÃes mÃveis da prÃxima geraÃÃo contam com tecnologias avanÃadas, como mÃltiplas subportadoras ortogonais e coordenaÃÃo entre pontos de transmissÃo. Os recursos de rÃdio passam a ser organizados em um nÃmero maior de dimensÃes, tornando mais complexas tarefas como a alocaÃÃo de recursos e a avaliaÃÃo de desempenho do enlace. Com base em tÃcnicas de aprendizagem de mÃquinas, foram investigadas novas maneiras de abordar essas tarefas, de modo a realizÃ-las eficientemente. Esta tese traz duas propostas: (i) agrupamento de pontos de transmissÃo e (ii) realizaÃÃo de interface enlace-a-sistema. Na proposta (i), utiliza-se o algoritmo k-mÃdias para identificar os vetores de forÃa do sinal similares, resultando em reduÃÃo na complexidade de cooperaÃÃo. Na proposta (ii), utilizam-se redes neurais artificiais para que o comportamento de simulaÃÃes de enlace possa ser aprendido, resultando em uma interface enlace-a-sistema mais confiÃvel para certas situaÃÃes na regiÃo de borda de cÃlula. Os resultados obtidos em ambas as propostas confirmam a aprendizagem de mÃquinas como abordagem apropriada aos problemas tratados, sendo capaz de conduzir a interpretaÃÃes alternativas e soluÃÃes eficientes. / In order to bear the growth in the traffic volume expected for the coming years, the next generation of mobile communication systems relies on advanced technologies such as multiple orthogonal subcarriers and coordination of multiple transmission points. The radio resources are organized in a higher number of dimensions, making resource
allocation and assessment of link-level performance more complex tasks. Based on techniques from machine learning, we investigated novel ways of addressing these tasks in order to perform them efficiently. This thesis provides two proposals: (i) clustering of transmission points and (ii) design of a link-to-system interface. In proposal (i), the k-means algorithm is used to identify the strength signal vectors that are similar to each other, leading to a decrease on the cooperation complexity. In proposal (ii), we make use of artificial neural networks to learn the behavior of link-level simulations, resulting in a
link-to-system interface more reliable for certain situations on the cell-edge region. The results obtained in both proposals confirm machine learning as an appropriate approach to the problems addressed, being able to lead to alternative interpretations and efficient solutions.

Identiferoai:union.ndltd.org:IBICT/oai:www.teses.ufc.br:5877
Date04 September 2012
CreatorsElvis Miguel Galeas Stancanelli
ContributorsFrancisco Rodrigo Porto Cavalcanti
PublisherUniversidade Federal do CearÃ, Programa de PÃs-GraduaÃÃo em Engenharia de TeleinformÃtica, UFC, BR
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFC, instname:Universidade Federal do Ceará, instacron:UFC
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.002 seconds