Please use this identifier to cite or link to this item:
Title: Συνεργατική προσανατολισμένη επικοινωνία για συστήματα B5G με χρήση τεχνικών μηχανικής μάθησης
Other Titles: Coordinated beamforming for B5G systems via machine learning techniques
Authors: Νίκας, Ηλίας
Keywords: Δίκτυα πέμπτης γενιάς
Δίκτυα έκτης γενιάς
Προσανατολισμένη επικοινωνία
Μηχανική μάθηση
Βαθιά μάθηση
Οχηματικές επικοινωνίες
Keywords (translated): 5G
Machine learning
Deep learning
Vehicular communications
Millimeter waves
Massive MIMO
Abstract: Η παγκοσμιοποίηση επιτάσσει έναν όλο και περισσότερο συνδεδεμένο κόσμο. Τα σημερινά ασύρματα δίκτυα επικοινωνιών καλούνται να διαχειριστούν ένα πολύ μεγάλο όγκο δεδομένων που μετακινείται καθημερινά. Οι ολοένα αυξανόμενες ανάγκες για ευρυζωνικές υπηρεσίες αλλά και νέες έννοιες όπως Internet of Things (IoT) και Machine to Machine (M2M) συμβάλλουν στην ακόμα μεγαλύτερη αύξηση των μεταδιδόμενων δεδομένων. Στα παραπάνω, προστίθενται και οι αυστηρές απαιτήσεις για υψηλές ταχύτητες, μεγάλη αξιοπιστία, χαμηλή καθυστέρηση και υποστήριξη κινητών επικοινωνιών ακόμα και για υψηλές ταχύτητες κίνησης. Γίνεται, λοιπόν, εύκολα αντιληπτό, πως η ανάπτυξη ενός ασύρματου δικτύου ικανό να καλύψει τις παραπάνω ανάγκες είναι ένα δύσκολο έργο. Για την αντιμετώπιση των παραπάνω προκλήσεων, αλλά και την υποστήριξη των νέων τεχνολογιών που αναπτύσσονται συνεχώς, είναι απαραίτητη η αξιοποίηση καινούργιων εργαλείων. Η μηχανική μάθηση, η οποία έχει προκαλέσει έντονο ενδιαφέρον στην ερευνητική κοινότητα αλλά και σε βιομηχανικό επίπεδο τα τελευταία χρόνια, θα διαδραματίσει κομβικό ρόλο προς αυτή την κατεύθυνση. Τα κύματα στο χιλιοστομετρικό φάσμα είναι ένα ακόμη εργαλείο που θα συνδράμει στην κάλυψη των υψηλών απαιτήσεων εξαιτίας της υψηλής διαθεσιμότητας εύρους ζώνης που προσφέρουν. Όμως, η χρήση αυτών, δημιουργεί διάφορες προκλήσεις λόγω της υψηλής απόσβεσης που έχουν ανάλογα με την απόσταση που διανύουν και της ευαισθησίας τους σε φυσικά εμπόδια. Αν προσθέσουμε και την περίπτωση των κινητών επικοινωνιών, οι δυσκολίες αυξάνονται ακόμα περισσότερο. Τότε, η προσανατολισμένη επικοινωνία γίνεται αρκετά δύσκολη και μη αποδοτική. Σε αυτή την εργασία παρουσιάζεται μία λύση που υποστηρίζει κινητές επικοινωνίες ακόμα και σε υψηλές ταχύτητες, η οποία είναι αποδοτική, αξιόπιστη και επιτυγχάνει υψηλούς ρυθμούς μετάδοσης. Αυτό γίνεται μέσω της συνεργασίας πολλών σταθμών βάσης και της χρήσης μοντέλων μηχανικής μάθησης που επιτρέπουν την αποδοτική προσανατολισμένη επικοινωνία. Ερευνήθηκαν διάφορες αρχιτεκτονικές νευρωνικών δικτύων για την επίτευξη του στόχου αυτού με πολύ καλά αποτελέσματα που ξεπερνούν σε απόδοση λύσεις που βρέθηκαν στη βιβλιογραφία.
Abstract (translated): Globalization requires an increasingly connected world. Today's wireless communication networks are required to manage a very large volume of data that is moved daily. The growing need for broadband services and new concepts like Internet of Things (IoT) and Machine to Machine (M2M) contribute on the further increase of transmitted data. Furthermore, strict requirements for high speeds need to be met, along with high reliability, low latency and support of highly mobile communications. Therefore, it is easy to understand that the development of a wireless network capable of meeting the above requirements is a difficult task. To address the above challenges and also support new technologies that are constantly emerging, it is necessary to utilize new tools. Machine learning, which in the past years has gathered great interest from the research community but also on an industrial level, will play a big part towards that direction. Millimeter waves, which are another tool that will help meet the high demands, have already started to be utilized due to the high bandwidth availability they offer. Nevertheless, their use brings many challenges due to their high path loss and blockage sensitivity. When the highly mobile wireless communication use case is taken into account, challenges become even harder. More specifically, beamforming becomes more difficult and not efficient. In this thesis, a solution is presented that supports higly mobile communications which are efficient, reliable and can achieve high transmission rates. This is accomplished via the coordination of many base stations and the use of machine learning models that allow for efficient beamforming to be applied. Several neural network architectures were researched to achieve that goal with very good results that were able to exceed the performance of solutions found in relevant literature.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Coordinated_Beamforming_For_B5G_Systems_Using_Machine_Learning_Techniques.pdf2 MBAdobe PDFView/Open
code.zip34.1 kBUnknownView/Open

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