Title: | Análisis del rendimiento de un sistema cooperativo de acceso múltiple ortogonal / no-ortogonal (OMA/NOMA) gestionado mediante una red neuronal artificial |
Authors: | Belesaca Mendieta, Juan Diego |
metadata.dc.contributor.advisor: | Vázquez Rodas, Andrés Marcelo |
metadata.dc.ucuenca.correspondencia: | juanodiegobelesacam@gmail.com |
metadata.dc.subject.other: | Telecomunicaciones |
Keywords: | Ingeniería de Sistemas Red neuronal Redes móviles |
metadata.dc.audience.educationLevel: | Tesis de Maestría en Gestión Estratégica de Tecnologías de la Información |
metadata.dc.ucuenca.areaconocimientounescoamplio: | 33 Ciencias Tecnológicas |
metadata.dc.ucuenca.areaconocimientounescodetallado: | 3325.06 Comunicaciones por Satélite |
metadata.dc.ucuenca.areaconocimientounescoespecifico: | 3325 Tecnología de las Telecomunicaciones |
Issue Date: | 17-Mar-2021 |
metadata.dc.format.extent: | 71 páginas |
Publisher: | Universidad de Cuenca |
metadata.dc.description.city: | Cuenca |
Series/Report no.: | TM4;1806 |
metadata.dc.type: | masterThesis |
Abstract: | Next-generation wireless technologies face considerable challenges in terms of providing the
required latency and connectivity for new heterogeneous mobile networks. Driven by these
problems, this study focuses on increasing user connectivity together with the system general throughput. For doing so, we propose and evaluate a hybrid machine learning-driven
orthogonal/non-orthogonal multiple access (OMA/NOMA) system. Specifically, in this work,
we use an artificial neural network (ANN) to assign an OMA or NOMA access method to each
user equipment (UE). As part of this research we also evaluate the accuracy and training time of
the three most relevant learning algorithms of ANN (L-M, BFGS, and OSS). The main objective
is to increase the sum-rate of the next generation mobile network in the current beamforming
and millimeter-Wave (mm-Wave) channel environment.
Simulation results show up to a 20 % sum-rate average performance increase of the system
using the ANN management in contrast to a random non-ANN managed system. The LevebergMarquard (L-M) training algorithm is the best overall algorithm for this proposed application
as it presents the highest accuracy of around 77 % despite 37 minutes of training, and lower
accuracy of 73 % with approximately 28 seconds of training time. |
Description: | Las tecnologías inalámbricas de próxima generación enfrentan desafíos considerables en términos de proporcionar muy baja latencia y alta conectividad, requisitos imprescindibles de las
nuevas redes móviles heterogéneas. Impulsado principalmente por estos problemas, este estudio
se centra en aumentar la conectividad del usuario, mejorando al mismo tiempo el rendimiento general del sistema. Para esto, se propone y evalúa un sistema híbrido de acceso múltiple
ortogonal no-ortogonal impulsado por aprendizaje automático (OMA/NOMA). Específicamente, en este trabajo, se propone el uso de una red neuronal artificial (Artificial Neural Network
ANN) para seleccionar el método de acceso OMA o NOMA de cada equipo de usuario (User
Equipment UE). Como parte de esta investigación, también se evalúa la precisión y el tiempo
de entrenamiento de los tres algoritmos de aprendizaje más relevantes de las ANN (L-M, BFGS
y OSS). El objetivo principal es aumentar el rendimiento de la red móvil de próxima generación, considerando el entorno del canal de onda milimétrica (millimeter-Wave mm-Wave) y la
formación de haces (beamforming).
Los resultados de la evaluación de la propuesta muestran un incremento en el rendimiento
promedio del sistema de hasta 20 %, en términos de la tasa total efectiva del sistema, utilizando
la administración ANN en contraste con un sistema administrado aleatoriamente sin ANN. El
algoritmo de entrenamiento Leveberg-Marquard (L-M) es el mejor algoritmo general para esta
aplicación. El mismo presenta la mayor precisión de alrededor de 77 % a costa de un tiempo de
entrenamiento de aproximadamente 37 minutos. Sin embargo, sacrificando la precisión hasta
un valor más bajo de 73 %, se requiere un tiempo de entrenamiento de aproximadamente 28
segundos. |
metadata.dc.description.degree: | Magíster en Gestión Estratégica de Tecnologías de la Información |
URI: | http://dspace.ucuenca.edu.ec/handle/123456789/35879 |
Appears in Collections: | Tesis Maestrías
|