Aprendizagem profunda aplicada a telecomunicações: classificação de modulação e controle de congestionamento

Deep learning applied to telecommunications: modulation rating and congestion control

dc.contributorKLAUTAU JÚNIOR, Aldebaro Barreto da Rocha
dc.contributorhttp://lattes.cnpq.br/1596629769697284
dc.creatorNASCIMENTO, Ingrid Ariel Silva
dc.date2019-09-26T13:17:38Z
dc.date2019-09-26T13:17:38Z
dc.date2019-05-31
dc.date.accessioned2023-09-28T15:26:03Z
dc.date.available2023-09-28T15:26:03Z
dc.identifierNASCIMENTO, Ingrid Ariel Silva. Aprendizagem profunda aplicada a telecomunicações: classificação de modulação e controle de congestionamento. Orientador: Aldebaro Barreto da Rocha Klautau Júnior. 2019. 82 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br/jspui/handle/2011/11857. Acesso em:.
dc.identifierhttp://repositorio.ufpa.br/jspui/handle/2011/11857
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9014558
dc.descriptionThe goal of this dissertation is to explore Deep Learning (DL) techniques applied to Telecommunications. DL has achieved success in areas such as computer vision and object detection and it is timely to investigate DL in communication problems. Then, two distinct problems are investigated. First, DL is applied to Automatic Modulation Classification (AMC) to detect the adopted modulation scheme automatically. AMC is important, for instance, in Cognitive Radios and military applications. In this dissertation, we discuss the benefits and drawbacks of using DL as an alternative for AMC and show its efficiency in comparison to other machine learning methods applied to AMC. Other DL application in communication is Congestion Control. The context is related to Fronthaul in C-RAN architecture using congestion control in order to attend the strict requirements of the 5G system. Specifically, DL is investigated in conjuction with Deep Reinforcement Learning (DRL) techniques. In this topic, this dissertation presents a framework for investigations in congestion control for Fronthaul, and the implementation of a model and environment using NS-3 and Gym API of the OpenAI group for simulation. The developed framework is validated with preliminary experiments that compare Deep Reinforcement Learning methods with traditional congestion control techniques, using as figu
dc.descriptionO objetivo deste trabalho é explorar técnicas de Deep Learning (DL) aplicada a Telecomunicações. DL obtém sucesso comprovado em áreas como Visão Computacional e Detecção de Objetos. Torna-se portanto importante investigar a sua aplicação em problemas na área da Comunicação. Sendo assim, dois problemas distintos são examinados. No primeiro deles, DL é aplicada à Classificação de Modulação (CAM), onde o problema é detectar de forma automática o esquema de modulação adotado. CAM é importante, por exemplo, em Rádios Cognitivos e aplicações militares. Neste trabalho são discutidos benefícios e desvantagens de usar DL como alternativa para CAM, em especial comparando-se a eficiência de DL em relação a outros métodos de Aprendizado de Máquina. A outra aplicação de DL em comunicações é no Controle de Congestionamento. O contexto é o de Fronthaul em arquiteturas C-RAN, com o controle de congestionamento usado em prol do atendimento de requisitos estritos impostos à rede 5G. Mais especificamente, investiga-se a aplicação de DL juntamente com técnicas de Reinforcement Learning (RL). Neste tópico, a dissertação apresenta um arcabouço para investigações de controle de congestionamento em fronthaul, e a implementação de um modelo e respectivo ambiente utilizando NS-3 e a API Gym do grupo OpenAI para simulações. O arcabouço desenvolvido é validado com experimentos preliminares comparando métodos de Deep Reinforcement Learning (DRL) e métodos tradicionais de Controle de Congestionamento, utilizando-se índices como vazão e latência.
dc.formatapplication/pdf
dc.languagepor
dc.publisherUniversidade Federal do Pará
dc.publisherBrasil
dc.publisherInstituto de Tecnologia
dc.publisherUFPA
dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsAcesso Aberto
dc.source1 CD-ROM
dc.subjectRedes de rádio cognitivo
dc.subjectModulação digital
dc.subjectRedes de computadores
dc.subjectTelecomunicações
dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
dc.subjectCONTROLE E AUTOMAÇÃO
dc.subjectTELECOMUNICAÇÕES
dc.titleAprendizagem profunda aplicada a telecomunicações: classificação de modulação e controle de congestionamento
dc.titleDeep learning applied to telecommunications: modulation rating and congestion control
dc.typeDissertação


Este ítem pertenece a la siguiente institución