Notícias

Banca de DEFESA: WESIN RIBEIRO ALVES

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: WESIN RIBEIRO ALVES
DATA: 30/09/2021
HORA: 09:00
LOCAL: On line
TÍTULO:

Redes Neurais com Aprendizagem Profunda Aplicadas à Estimação de Canais Sem Fio MIMO


PALAVRAS-CHAVES:

Redes Neurais Artificiais, Aprendizado Profundo, MIMO, Estimação de Canal


PÁGINAS: 89
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

Este trabalho pesquisa e apresenta contribuições sobre o problema de estimação de canal em sistemas sem fio de múltiplas entradas e múltiplas saídas (MIMO - Multiple Inputs Multiple Outputs) com ondas milimétricas considerando conversores analógicos digitais (ADC - Analog-to-Digital Converters) de baixa resolução. Três modelos estimadores de canais baseados em redes neurais com aprendizagem profunda (DL - Deep Learning) são apresentados: o modelo de estimação casada, a não-casada, e a estimação com transferência de aprendizado profundo (DTL - Deep Transfer Learning). Os modelos DL utilizam as Redes Neurais Convolucionais (CNN - Convolutional Neural Networks) para extrair atributos usando bases de dados geradas pela metodologia Raymobtime para os cenários de Pequim e Rosslyn. Nos experimentos realizados nesta tese, sinais “pilotos” foram transmitidos e utilizados como entrada para os modelos DL, que devolvem a matriz de canal estimada na saída. No total, foram realizados seis experimentos diferentes. O primeiro experimento fez uma comparação entre os modelos casado, não-casado e com DTL alternando os cenários de Pequim e Rosslyn como fonte de dados. O segundo comparou diferentes procedimentos de geração de canal incluindo modelos que realizavam um pós-processamento nas simulações de traçado de raios (RT - ray-tracing), o que incorporava conjuntos de antenas MIMO nas simulações RT, e os que usavam parâmetros aleatórios para gerar canais. O terceiro experimento fez uma investigação detalhada sobre o procedimento de geração de canal com parâmetros aleatórios. O quarto considerou a técnica de aumento de dados para treinar modelos de estimação de canal. O quinto comparou variações do modelo DL considerando dados multimodais disponíveis no Raymobtime. O sexto e último experimento comparou o modelo proposto nessa tese com o modelo baseado em Redes Generativas Adversarias condicionais (cGAN - conditional Generative Adversarial Networks). Os resultados desses experimentos apontam que o modelo baseado em DTL possui um custo computacional menor comparado ao que utiliza o modelo DL. Em relação à metodologia Raymobtime, incorporar conjuntos de antenas MIMO nas simulações RT produz cenários mais favoráveis para a tarefa de estimação de canal. Considerando os resultados obtidos, como conclusão geral da tese, observa-se a grande importância da metodologia adotada para avaliação das técnicas de estimação de canal que são baseadas em aprendizado de máquina. Por exemplo, a maneira como as matrizes de canal são geradas, influenciam bastante os resultados dos experimentos, assim como a definição dos conjuntos de treino e teste.


MEMBROS DA BANCA:
Presidente - 1176325 - ALDEBARO BARRETO DA ROCHA KLAUTAU JUNIOR
Interno - 2522772 - JASMINE PRISCYLA LEITE DE ARAUJO
Externo ao Programa - 1884277 - FRANCISCO CARLOS BENTES FREY MULLER
Externo ao Programa - 1035023 - LEONARDO LIRA RAMALHO
Externo à Instituição - PEDRO DOS SANTOS BATISTA
Notícia cadastrada em: 03/09/2021 15:33
SIGAA | Centro de Tecnologia da Informação e Comunicação (CTIC) - (91)3201-7793 | Copyright © 2006-2024 - UFPA - morango.ufpa.br.morango1