{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5433045"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5433045","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Dynamic Beamforming using Model Predictive Control","abstract":"Η μορφοποίηση δέσμης (beamforming) συγκεντρώνει την εκπεμπόμενη ισχύ ενός σταθμού βάσης προς τους χρήστες του, αυξάνοντας την ενεργειακή αποδοτικότητα και τον ρυθμό μετάδοσης. Η πληροφορία κατάστασης καναλιού (Channel State Information, CSI) που καθοδηγεί τον σχεδιασμό της είναι αναπόφευκτα παρωχημένη, μέχρι να ολοκληρωθεί η εκτίμηση, η επεξεργασία και η εκπομπή, ο κινητός χρήστης έχει ήδη μεταβάλει τη θέση του. Στην εργασία αυτή θεωρείται επίπεδη στοιχειοκεραία 32 (4 x 8) στοιχείων που εξυπηρετεί δύο χρήστες με κωδικοποίηση Zero Forcing. Η καθυστέρηση αυτή αρκεί για να μειώσει δραματικά τον αθροιστικό ρυθμό μετάδοσης. Η φυσική αντιμετώπιση του προβλήματος είναι η πρόβλεψη, η δέσμη να κατευθύνεται προς τη θέση όπου θα βρίσκεται ο χρήστης και όχι προς εκείνη όπου βρισκόταν κατά την τελευταία μέτρηση. Η εργασία αναπτύσσει και αξιολογεί ένα πλήρως model-free πλαίσιο πρόβλεψης για την αντιμετώπιση του προβλήματος αυτού, βασισμένο στον Προβλεπτικό Έλεγχο με Δεδομένα (Data-Enabled Predictive Control, DeePC) και σε συναρτήσεις πυρήνα. Το μοντέλο μαθαίνει από καταγεγραμμένες τροχιές, μια απεικόνιση από ένα παράθυρο παρελθουσών γωνιακών μετρήσεων στις αντίστοιχες μελλοντικές γωνίες, χωρίς να προϋποθέτει κινηματικό μοντέλο, χωρίς τη χρήση νευρωνικών δικτύων και χωρίς εξωτερικές πηγές πληροφορίας, όπως GPS, radar ή κάμερες. Το ίδιο μαθηματικό αντικείμενο αξιοποιείται με δύο διαφορετικούς τρόπους. Πρώτον ως μοντέλο που προβλέπει τις μελλοντικές γωνίες, το model-free ανάλογο ενός φίλτρου Kalman. Δεύτερον, με την ακολουθία των μελλοντικών εντολών ενσωματωμένη στο διάνυσμα παλινδρόμησης, ως ελεγκτής κυλιόμενου ορίζοντα για τον μη γραμμικό μηχανισμό στρέψης μίας δέσμης. Και στις δύο περιπτώσεις χρησιμοποιείται ο ίδιος επιλύτης projected Gauss–Newton, επιτρέποντας σύγκριση με έναν κλασικό ελεγκτή MPC που βασίζεται σε ακριβές μοντέλο. Τα αποτελέσματα δείχνουν ότι, όταν οι συνθήκες λειτουργίας αναπαρίστανται επαρκώς στα δεδομένα εκπαίδευσης, ο προτεινόμενος kernel προβλέπτης υπερτερεί μιας βέλτιστα ρυθμισμένης συστοιχίας φίλτρων Extended Kalman Filter (EKF) και Interacting Multiple Model (IMM), ενώ απαιτεί ελάχιστο όγκο δεδομένων για την εκπαίδευσή του. Παράλληλα, καταδεικνύεται ότι η απόδοσή του επηρεάζεται από μετατοπίσεις της κατανομής των δεδομένων, αναδεικνύοντας τη σημασία της αντιπροσωπευτικής κάλυψης του χώρου λειτουργίας και της δυνατότητας δυναμικής προσαρμογής. Ως ελεγκτής, το προτεινόμενο πλαίσιο επιτυγχάνει απόδοση ιδιαίτερα κοντά σε εκείνη ενός MPC με πλήρη γνώση του συστήματος, ενώ υπερτερεί σαφώς έναντι ελεγκτών που βασίζονται σε εσφαλμένα μοντέλα. Επιπλέον, δείχνεται ότι ο όρος κανονικοποίησης (regularization) του DeePC αντιστοιχεί σε ακριβή προϋπολογισμό ευρωστίας χείριστης περίπτωσης, ενώ μια δυναμικά ενημερωνόμενη υλοποίηση με τυχαία χαρακτηριστικά Fourier (Random Fourier Features) και αναδρομικά ελάχιστα τετράγωνα (Recursive Least Squares) προσαρμόζεται αποτελεσματικά σε νέες συνθήκες λειτουργίας. Τέλος, αναλύεται η διαφορετική ευαισθησία της στοιχειοκεραίας στο αζιμούθιο και την ανύψωση, επιβεβαιώνοντας ότι τα σφάλματα στο αζιμούθιο έχουν σημαντικά μεγαλύτερη επίδραση στην απόδοση του συστήματος. Συνολικά, η εργασία αναδεικνύει τη δυναμική των model-free μεθόδων ως μια ρεαλιστική και ιδιαίτερα ελκυστική προσέγγιση για σύγχρονα συστήματα ασύρματων επικοινωνιών, όπου η ακριβής μαθηματική μοντελοποίηση είναι συχνά αδύνατη ή παύει γρήγορα να ισχύει λόγω της κινητικότητας των χρηστών, των μεταβαλλόμενων συνθηκών διάδοσης και της αυξανόμενης πολυπλοκότητας των δικτύων. Η δυνατότητα των μεθόδων αυτών να μαθαίνουν απευθείας από τα δεδομένα και να προσαρμόζονται στις πραγματικές συνθήκες λειτουργίας τις καθιστά ιδιαίτερα υποσχόμενες για τις μελλοντικές γενιές ασύρματων επικοινωνιών.","abstract_html":"Η μορφοποίηση δέσμης (beamforming) συγκεντρώνει την εκπεμπόμενη ισχύ ενός σταθμού βάσης προς τους χρήστες του, αυξάνοντας την ενεργειακή αποδοτικότητα και τον ρυθμό μετάδοσης. Η πληροφορία κατάστασης καναλιού (Channel State Information, CSI) που καθοδηγεί τον σχεδιασμό της είναι αναπόφευκτα παρωχημένη, μέχρι να ολοκληρωθεί η εκτίμηση, η επεξεργασία και η εκπομπή, ο κινητός χρήστης έχει ήδη μεταβάλει τη θέση του. Στην εργασία αυτή θεωρείται επίπεδη στοιχειοκεραία 32 (4 x 8) στοιχείων που εξυπηρετεί δύο χρήστες με κωδικοποίηση Zero Forcing. Η καθυστέρηση αυτή αρκεί για να μειώσει δραματικά τον αθροιστικό ρυθμό μετάδοσης. Η φυσική αντιμετώπιση του προβλήματος είναι η πρόβλεψη, η δέσμη να κατευθύνεται προς τη θέση όπου θα βρίσκεται ο χρήστης και όχι προς εκείνη όπου βρισκόταν κατά την τελευταία μέτρηση. Η εργασία αναπτύσσει και αξιολογεί ένα πλήρως model-free πλαίσιο πρόβλεψης για την αντιμετώπιση του προβλήματος αυτού, βασισμένο στον Προβλεπτικό Έλεγχο με Δεδομένα (Data-Enabled Predictive Control, DeePC) και σε συναρτήσεις πυρήνα. Το μοντέλο μαθαίνει από καταγεγραμμένες τροχιές, μια απεικόνιση από ένα παράθυρο παρελθουσών γωνιακών μετρήσεων στις αντίστοιχες μελλοντικές γωνίες, χωρίς να προϋποθέτει κινηματικό μοντέλο, χωρίς τη χρήση νευρωνικών δικτύων και χωρίς εξωτερικές πηγές πληροφορίας, όπως GPS, radar ή κάμερες. Το ίδιο μαθηματικό αντικείμενο αξιοποιείται με δύο διαφορετικούς τρόπους. Πρώτον ως μοντέλο που προβλέπει τις μελλοντικές γωνίες, το model-free ανάλογο ενός φίλτρου Kalman. Δεύτερον, με την ακολουθία των μελλοντικών εντολών ενσωματωμένη στο διάνυσμα παλινδρόμησης, ως ελεγκτής κυλιόμενου ορίζοντα για τον μη γραμμικό μηχανισμό στρέψης μίας δέσμης. Και στις δύο περιπτώσεις χρησιμοποιείται ο ίδιος επιλύτης projected Gauss–Newton, επιτρέποντας σύγκριση με έναν κλασικό ελεγκτή MPC που βασίζεται σε ακριβές μοντέλο. Τα αποτελέσματα δείχνουν ότι, όταν οι συνθήκες λειτουργίας αναπαρίστανται επαρκώς στα δεδομένα εκπαίδευσης, ο προτεινόμενος kernel προβλέπτης υπερτερεί μιας βέλτιστα ρυθμισμένης συστοιχίας φίλτρων Extended Kalman Filter (EKF) και Interacting Multiple Model (IMM), ενώ απαιτεί ελάχιστο όγκο δεδομένων για την εκπαίδευσή του. Παράλληλα, καταδεικνύεται ότι η απόδοσή του επηρεάζεται από μετατοπίσεις της κατανομής των δεδομένων, αναδεικνύοντας τη σημασία της αντιπροσωπευτικής κάλυψης του χώρου λειτουργίας και της δυνατότητας δυναμικής προσαρμογής. Ως ελεγκτής, το προτεινόμενο πλαίσιο επιτυγχάνει απόδοση ιδιαίτερα κοντά σε εκείνη ενός MPC με πλήρη γνώση του συστήματος, ενώ υπερτερεί σαφώς έναντι ελεγκτών που βασίζονται σε εσφαλμένα μοντέλα. Επιπλέον, δείχνεται ότι ο όρος κανονικοποίησης (regularization) του DeePC αντιστοιχεί σε ακριβή προϋπολογισμό ευρωστίας χείριστης περίπτωσης, ενώ μια δυναμικά ενημερωνόμενη υλοποίηση με τυχαία χαρακτηριστικά Fourier (Random Fourier Features) και αναδρομικά ελάχιστα τετράγωνα (Recursive Least Squares) προσαρμόζεται αποτελεσματικά σε νέες συνθήκες λειτουργίας. Τέλος, αναλύεται η διαφορετική ευαισθησία της στοιχειοκεραίας στο αζιμούθιο και την ανύψωση, επιβεβαιώνοντας ότι τα σφάλματα στο αζιμούθιο έχουν σημαντικά μεγαλύτερη επίδραση στην απόδοση του συστήματος. Συνολικά, η εργασία αναδεικνύει τη δυναμική των model-free μεθόδων ως μια ρεαλιστική και ιδιαίτερα ελκυστική προσέγγιση για σύγχρονα συστήματα ασύρματων επικοινωνιών, όπου η ακριβής μαθηματική μοντελοποίηση είναι συχνά αδύνατη ή παύει γρήγορα να ισχύει λόγω της κινητικότητας των χρηστών, των μεταβαλλόμενων συνθηκών διάδοσης και της αυξανόμενης πολυπλοκότητας των δικτύων. Η δυνατότητα των μεθόδων αυτών να μαθαίνουν απευθείας από τα δεδομένα και να προσαρμόζονται στις πραγματικές συνθήκες λειτουργίας τις καθιστά ιδιαίτερα υποσχόμενες για τις μελλοντικές γενιές ασύρματων επικοινωνιών.","abstract_has_math":false,"creators":["Ντελής Χαρικλής","Ntelis Chariklis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:35Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5433045"],"render_values":[{"text":"uoadl:5433045","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5433045","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5433045","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5433045","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ντελής Χαρικλής","Ntelis Chariklis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5433045","https://pergamos.lib.uoa.gr/uoa/dl/object/5433045"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η μορφοποίηση δέσμης (beamforming) συγκεντρώνει την εκπεμπόμενη ισχύ ενός σταθμού βάσης προς τους χρήστες του, αυξάνοντας την ενεργειακή αποδοτικότητα και τον ρυθμό μετάδοσης. Η πληροφορία κατάστασης καναλιού (Channel State Information, CSI) που καθοδηγεί τον σχεδιασμό της είναι αναπόφευκτα παρωχημένη, μέχρι να ολοκληρωθεί η εκτίμηση, η επεξεργασία και η εκπομπή, ο κινητός χρήστης έχει ήδη μεταβάλει τη θέση του. Στην εργασία αυτή θεωρείται επίπεδη στοιχειοκεραία 32 (4 x 8) στοιχείων που εξυπηρετεί δύο χρήστες με κωδικοποίηση Zero Forcing. Η καθυστέρηση αυτή αρκεί για να μειώσει δραματικά τον αθροιστικό ρυθμό μετάδοσης. Η φυσική αντιμετώπιση του προβλήματος είναι η πρόβλεψη, η δέσμη να κατευθύνεται προς τη θέση όπου θα βρίσκεται ο χρήστης και όχι προς εκείνη όπου βρισκόταν κατά την τελευταία μέτρηση. Η εργασία αναπτύσσει και αξιολογεί ένα πλήρως model-free πλαίσιο πρόβλεψης για την αντιμετώπιση του προβλήματος αυτού, βασισμένο στον Προβλεπτικό Έλεγχο με Δεδομένα (Data-Enabled Predictive Control, DeePC) και σε συναρτήσεις πυρήνα. Το μοντέλο μαθαίνει από καταγεγραμμένες τροχιές, μια απεικόνιση από ένα παράθυρο παρελθουσών γωνιακών μετρήσεων στις αντίστοιχες μελλοντικές γωνίες, χωρίς να προϋποθέτει κινηματικό μοντέλο, χωρίς τη χρήση νευρωνικών δικτύων και χωρίς εξωτερικές πηγές πληροφορίας, όπως GPS, radar ή κάμερες. Το ίδιο μαθηματικό αντικείμενο αξιοποιείται με δύο διαφορετικούς τρόπους. Πρώτον ως μοντέλο που προβλέπει τις μελλοντικές γωνίες, το model-free ανάλογο ενός φίλτρου Kalman. Δεύτερον, με την ακολουθία των μελλοντικών εντολών ενσωματωμένη στο διάνυσμα παλινδρόμησης, ως ελεγκτής κυλιόμενου ορίζοντα για τον μη γραμμικό μηχανισμό στρέψης μίας δέσμης. Και στις δύο περιπτώσεις χρησιμοποιείται ο ίδιος επιλύτης projected Gauss–Newton, επιτρέποντας σύγκριση με έναν κλασικό ελεγκτή MPC που βασίζεται σε ακριβές μοντέλο. Τα αποτελέσματα δείχνουν ότι, όταν οι συνθήκες λειτουργίας αναπαρίστανται επαρκώς στα δεδομένα εκπαίδευσης, ο προτεινόμενος kernel προβλέπτης υπερτερεί μιας βέλτιστα ρυθμισμένης συστοιχίας φίλτρων Extended Kalman Filter (EKF) και Interacting Multiple Model (IMM), ενώ απαιτεί ελάχιστο όγκο δεδομένων για την εκπαίδευσή του. Παράλληλα, καταδεικνύεται ότι η απόδοσή του επηρεάζεται από μετατοπίσεις της κατανομής των δεδομένων, αναδεικνύοντας τη σημασία της αντιπροσωπευτικής κάλυψης του χώρου λειτουργίας και της δυνατότητας δυναμικής προσαρμογής. Ως ελεγκτής, το προτεινόμενο πλαίσιο επιτυγχάνει απόδοση ιδιαίτερα κοντά σε εκείνη ενός MPC με πλήρη γνώση του συστήματος, ενώ υπερτερεί σαφώς έναντι ελεγκτών που βασίζονται σε εσφαλμένα μοντέλα. Επιπλέον, δείχνεται ότι ο όρος κανονικοποίησης (regularization) του DeePC αντιστοιχεί σε ακριβή προϋπολογισμό ευρωστίας χείριστης περίπτωσης, ενώ μια δυναμικά ενημερωνόμενη υλοποίηση με τυχαία χαρακτηριστικά Fourier (Random Fourier Features) και αναδρομικά ελάχιστα τετράγωνα (Recursive Least Squares) προσαρμόζεται αποτελεσματικά σε νέες συνθήκες λειτουργίας. Τέλος, αναλύεται η διαφορετική ευαισθησία της στοιχειοκεραίας στο αζιμούθιο και την ανύψωση, επιβεβαιώνοντας ότι τα σφάλματα στο αζιμούθιο έχουν σημαντικά μεγαλύτερη επίδραση στην απόδοση του συστήματος. Συνολικά, η εργασία αναδεικνύει τη δυναμική των model-free μεθόδων ως μια ρεαλιστική και ιδιαίτερα ελκυστική προσέγγιση για σύγχρονα συστήματα ασύρματων επικοινωνιών, όπου η ακριβής μαθηματική μοντελοποίηση είναι συχνά αδύνατη ή παύει γρήγορα να ισχύει λόγω της κινητικότητας των χρηστών, των μεταβαλλόμενων συνθηκών διάδοσης και της αυξανόμενης πολυπλοκότητας των δικτύων. Η δυνατότητα των μεθόδων αυτών να μαθαίνουν απευθείας από τα δεδομένα και να προσαρμόζονται στις πραγματικές συνθήκες λειτουργίας τις καθιστά ιδιαίτερα υποσχόμενες για τις μελλοντικές γενιές ασύρματων επικοινωνιών.","Beamforming focuses a base station’s transmitted power toward its users, increasing energy efficiency and the transmission rate. The Channel State Information (CSI) that guides its design is inevitably outdated, by the time the estimation, processing, and transmission are complete, the mobile user has already changed its position. This delay is sufficient to dramatically reduce the cumulative transmission rate. Throughout, a 32 element (4 x 8) Uniform Planar Array (UPA) serving two users with Zero Forcing precoding is considered. The natural solution to this problem is to predict the user’s future location and direct the beam toward that location rather than toward the location where the user was during the last measurement. This thesis develops and evaluates a fully model-free prediction framework to address this problem, based on Data-Enabled Predictive Control (DeePC) and kernel functions. The model learns from recorded trajectories, a mapping from a window of past angular measurements to the corresponding future angles, without assuming a kinematic model, without the use of neural networks, and without external information sources such as GPS, radar, or cameras. The same mathematical object is used in two different ways. First, as a model that predicts future angles, the model-free counterpart of a Kalman filter. Second, with the sequence of future commands embedded in the regression vector, as a rolling-horizon controller for the nonlinear beam-steering mechanism. In both cases, the same projected Gauss–Newton solver is used, allowing for comparison with a classical MPC controller based on an exact model. The results show that, when operating conditions are adequately represented in the training data, the proposed kernel predictor outperforms an optimally tuned array of Extended Kalman Filters (EKF) and Interacting Multiple Models (IMM), while requiring a minimal amount of data for training. At the same time, it is demonstrated that its performance is affected by shifts in the data distribution, highlighting the importance of representative coverage of the operating space and the ability to adapt dynamically. As a controller, the proposed framework achieves performance very close to that of an MPC with full system knowledge, while clearly outperforming controllers based on incorrect models. Furthermore, it is shown that the DeePC regularization term corresponds to an exact worst-case robustness budget, while a dynamically updated implementation using Random Fourier Features (RFF) and Recursive Least Squares effectively adapts to new operating conditions. Finally, the different sensitivity of the array to azimuth and elevation is analyzed, confirming that azimuth errors have a significantly greater impact on system performance. Overall, this work highlights the potential of model-free methods as a realistic and particularly attractive approach for modern wireless communication systems, where precise mathematical modeling is often impossible or quickly becomes invalid due to user mobility, changing propagation conditions, and the increasing complexity of networks. The ability of these methods to learn directly from the data and adapt to real-world operating conditions makes them particularly promising for future generations of wireless communications."]},{"key":"dc:title","label":"Title","values":["Dynamic Beamforming using Model Predictive Control"]}]}],"canonical_facts":{"dc:creator":["Ντελής Χαρικλής","Ntelis Chariklis"],"dc:date":["2026"],"dc:description":["Η μορφοποίηση δέσμης (beamforming) συγκεντρώνει την εκπεμπόμενη ισχύ ενός σταθμού βάσης προς τους χρήστες του, αυξάνοντας την ενεργειακή αποδοτικότητα και τον ρυθμό μετάδοσης. Η πληροφορία κατάστασης καναλιού (Channel State Information, CSI) που καθοδηγεί τον σχεδιασμό της είναι αναπόφευκτα παρωχημένη, μέχρι να ολοκληρωθεί η εκτίμηση, η επεξεργασία και η εκπομπή, ο κινητός χρήστης έχει ήδη μεταβάλει τη θέση του. Στην εργασία αυτή θεωρείται επίπεδη στοιχειοκεραία 32 (4 x 8) στοιχείων που εξυπηρετεί δύο χρήστες με κωδικοποίηση Zero Forcing. Η καθυστέρηση αυτή αρκεί για να μειώσει δραματικά τον αθροιστικό ρυθμό μετάδοσης. Η φυσική αντιμετώπιση του προβλήματος είναι η πρόβλεψη, η δέσμη να κατευθύνεται προς τη θέση όπου θα βρίσκεται ο χρήστης και όχι προς εκείνη όπου βρισκόταν κατά την τελευταία μέτρηση. Η εργασία αναπτύσσει και αξιολογεί ένα πλήρως model-free πλαίσιο πρόβλεψης για την αντιμετώπιση του προβλήματος αυτού, βασισμένο στον Προβλεπτικό Έλεγχο με Δεδομένα (Data-Enabled Predictive Control, DeePC) και σε συναρτήσεις πυρήνα. Το μοντέλο μαθαίνει από καταγεγραμμένες τροχιές, μια απεικόνιση από ένα παράθυρο παρελθουσών γωνιακών μετρήσεων στις αντίστοιχες μελλοντικές γωνίες, χωρίς να προϋποθέτει κινηματικό μοντέλο, χωρίς τη χρήση νευρωνικών δικτύων και χωρίς εξωτερικές πηγές πληροφορίας, όπως GPS, radar ή κάμερες. Το ίδιο μαθηματικό αντικείμενο αξιοποιείται με δύο διαφορετικούς τρόπους. Πρώτον ως μοντέλο που προβλέπει τις μελλοντικές γωνίες, το model-free ανάλογο ενός φίλτρου Kalman. Δεύτερον, με την ακολουθία των μελλοντικών εντολών ενσωματωμένη στο διάνυσμα παλινδρόμησης, ως ελεγκτής κυλιόμενου ορίζοντα για τον μη γραμμικό μηχανισμό στρέψης μίας δέσμης. Και στις δύο περιπτώσεις χρησιμοποιείται ο ίδιος επιλύτης projected Gauss–Newton, επιτρέποντας σύγκριση με έναν κλασικό ελεγκτή MPC που βασίζεται σε ακριβές μοντέλο. Τα αποτελέσματα δείχνουν ότι, όταν οι συνθήκες λειτουργίας αναπαρίστανται επαρκώς στα δεδομένα εκπαίδευσης, ο προτεινόμενος kernel προβλέπτης υπερτερεί μιας βέλτιστα ρυθμισμένης συστοιχίας φίλτρων Extended Kalman Filter (EKF) και Interacting Multiple Model (IMM), ενώ απαιτεί ελάχιστο όγκο δεδομένων για την εκπαίδευσή του. Παράλληλα, καταδεικνύεται ότι η απόδοσή του επηρεάζεται από μετατοπίσεις της κατανομής των δεδομένων, αναδεικνύοντας τη σημασία της αντιπροσωπευτικής κάλυψης του χώρου λειτουργίας και της δυνατότητας δυναμικής προσαρμογής. Ως ελεγκτής, το προτεινόμενο πλαίσιο επιτυγχάνει απόδοση ιδιαίτερα κοντά σε εκείνη ενός MPC με πλήρη γνώση του συστήματος, ενώ υπερτερεί σαφώς έναντι ελεγκτών που βασίζονται σε εσφαλμένα μοντέλα. Επιπλέον, δείχνεται ότι ο όρος κανονικοποίησης (regularization) του DeePC αντιστοιχεί σε ακριβή προϋπολογισμό ευρωστίας χείριστης περίπτωσης, ενώ μια δυναμικά ενημερωνόμενη υλοποίηση με τυχαία χαρακτηριστικά Fourier (Random Fourier Features) και αναδρομικά ελάχιστα τετράγωνα (Recursive Least Squares) προσαρμόζεται αποτελεσματικά σε νέες συνθήκες λειτουργίας. Τέλος, αναλύεται η διαφορετική ευαισθησία της στοιχειοκεραίας στο αζιμούθιο και την ανύψωση, επιβεβαιώνοντας ότι τα σφάλματα στο αζιμούθιο έχουν σημαντικά μεγαλύτερη επίδραση στην απόδοση του συστήματος. Συνολικά, η εργασία αναδεικνύει τη δυναμική των model-free μεθόδων ως μια ρεαλιστική και ιδιαίτερα ελκυστική προσέγγιση για σύγχρονα συστήματα ασύρματων επικοινωνιών, όπου η ακριβής μαθηματική μοντελοποίηση είναι συχνά αδύνατη ή παύει γρήγορα να ισχύει λόγω της κινητικότητας των χρηστών, των μεταβαλλόμενων συνθηκών διάδοσης και της αυξανόμενης πολυπλοκότητας των δικτύων. Η δυνατότητα των μεθόδων αυτών να μαθαίνουν απευθείας από τα δεδομένα και να προσαρμόζονται στις πραγματικές συνθήκες λειτουργίας τις καθιστά ιδιαίτερα υποσχόμενες για τις μελλοντικές γενιές ασύρματων επικοινωνιών.","Beamforming focuses a base station’s transmitted power toward its users, increasing energy efficiency and the transmission rate. The Channel State Information (CSI) that guides its design is inevitably outdated, by the time the estimation, processing, and transmission are complete, the mobile user has already changed its position. This delay is sufficient to dramatically reduce the cumulative transmission rate. Throughout, a 32 element (4 x 8) Uniform Planar Array (UPA) serving two users with Zero Forcing precoding is considered. The natural solution to this problem is to predict the user’s future location and direct the beam toward that location rather than toward the location where the user was during the last measurement. This thesis develops and evaluates a fully model-free prediction framework to address this problem, based on Data-Enabled Predictive Control (DeePC) and kernel functions. The model learns from recorded trajectories, a mapping from a window of past angular measurements to the corresponding future angles, without assuming a kinematic model, without the use of neural networks, and without external information sources such as GPS, radar, or cameras. The same mathematical object is used in two different ways. First, as a model that predicts future angles, the model-free counterpart of a Kalman filter. Second, with the sequence of future commands embedded in the regression vector, as a rolling-horizon controller for the nonlinear beam-steering mechanism. In both cases, the same projected Gauss–Newton solver is used, allowing for comparison with a classical MPC controller based on an exact model. The results show that, when operating conditions are adequately represented in the training data, the proposed kernel predictor outperforms an optimally tuned array of Extended Kalman Filters (EKF) and Interacting Multiple Models (IMM), while requiring a minimal amount of data for training. At the same time, it is demonstrated that its performance is affected by shifts in the data distribution, highlighting the importance of representative coverage of the operating space and the ability to adapt dynamically. As a controller, the proposed framework achieves performance very close to that of an MPC with full system knowledge, while clearly outperforming controllers based on incorrect models. Furthermore, it is shown that the DeePC regularization term corresponds to an exact worst-case robustness budget, while a dynamically updated implementation using Random Fourier Features (RFF) and Recursive Least Squares effectively adapts to new operating conditions. Finally, the different sensitivity of the array to azimuth and elevation is analyzed, confirming that azimuth errors have a significantly greater impact on system performance. Overall, this work highlights the potential of model-free methods as a realistic and particularly attractive approach for modern wireless communication systems, where precise mathematical modeling is often impossible or quickly becomes invalid due to user mobility, changing propagation conditions, and the increasing complexity of networks. The ability of these methods to learn directly from the data and adapt to real-world operating conditions makes them particularly promising for future generations of wireless communications."],"dc:identifier":["uoadl:5433045","https://pergamos.lib.uoa.gr/uoa/dl/object/5433045"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Dynamic Beamforming using Model Predictive Control"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:35Z"}