Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΤζανάκος, Δημοσθένης-
dc.contributor.otherTzanakos, Dimosthenis-
dc.description.abstractΗ τεχνολογία MIMO (Multiple – Input Multiple – Output) έχει γίνει μια θεμελιώδης τεχνική στις τρέχουσες ασύρματες επικοινωνίες, τόσο στα κυψελωτά δίκτυα όσο και στα ασύρματα δίκτυα WiFi. Τα δίκτυα πέμπτης γενιάς αναμένεται να υποστηρίξουν εξαιρετικά υψηλές ταχύτητες δεδομένων και πιο αξιόπιστες υπηρεσίες. Με την ενσωμάτωση της μηχανικής μάθησης (machine learning), οι επιδόσεις του MIMO βελτιστοποιούνται. Στόχος της συγκεκριμένης διπλωματικής είναι να μελετήσει τη βελτιωμένη απόδοση που μπορούν να προσφέρουν οι ισχυροί αλγόριθμοι μηχανικής μάθησης στο πλαίσιο των δικτύων πέμπτης γενιάς, όσον αφορά την τεχνολογία MIMO και να προτείνει αλγόριθμο μηχανικής μάθησης για την αποκωδικοποίηση καναλιού σε MIMO περιβάλλοντα. Στη διπλωματική μας λοιπόν θέτουμε ως στόχο την γεφύρωση του χάσματος μεταξύ του τομέα των κινητών επικοινωνιών και αυτού της Μηχανικής Μάθησης, εξετάζοντας συγκεκριμένους συνδετικούς κρίκους μεταξύ τους. Περιγράφουμε το μοντέλο συστήματος που θα χρησιμοποιήσουμε και τον μηχανισμό πάνω στον οποίο θα στηριχθούν τα πειράματά μας. Το σύνολο δεδομένων (dataset) που θα παράγουμε αποτελεί την έξοδο μιας κατάλληλης αναπαράστασης περιβάλλοντος MIMO, που βοηθά στον καθορισμό όλων των απαραίτητων παραμέτρων για τα πειράματά μας. Αναλύουμε τα αποτελέσματα του dataset και προτείνουμε την περαιτέρω χρήση του ως είσοδο στον αλγόριθμο μηχανικής μάθησης που επιλέξαμε, εξετάζοντας όλες τις πλευρές της τεχνικής αυτής.el
dc.subjectΜηχανική μάθησηel
dc.titleΜελέτη απόδοσης machine learning αλγορίθμων στην τεχνολογία MIMO στα κινητά δίκτυα 5ης γενιάςel
dc.title.alternativeMachine learning algorithms performance study for MIMO technology in 5G mobile networksel
dc.description.translatedabstractMIMO (Multiple – Input Multiple – Output) technology has become a fundamental technique in current wireless communications, both in cellular networks and WiFi networks. Fifth generation networks (5G) are expected to support extremely high data rates and more reliable services. By integrating machine learning, MIMO's performance is optimized. The purpose of our thesis is to study the enhanced performance of powerful MIMO algorithms on fifth generation networks in terms of MIMO technology and to study a machine learning technique for channel state prediction in a MIMO environment. In our thesis we try to bridge the gap between mobile telecommunications and Machine learning, by examining a specific interconnection between the two areas. We describe our view of the problem, the system model that we will use and the mechanism behind our experiments. The Dataset that we will create is an output of a useful example of a MIMO environment representation, which helps setting all necessary parameters for our experiment. We explain the results presented in this Dataset and suggest its further use as an input to a Machine learning algorithm by examining this Machine learning technique from all sides.el
dc.subject.alternativeMachine learningel
datacite.contributor.SupervisorΜπούρας Χρήστος-
datacite.contributor.RelatedPersonΒλάχος Κυριάκος-
datacite.contributor.RelatedPersonΓαροφαλάκης Ιωάννης-
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Πτυχιακή_Τζανάκος_τελικό-converted.pdf2.47 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.