Please use this identifier to cite or link to this item:
http://dspace.ucuenca.edu.ec/handle/123456789/42918
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Astudillo Salinas, Darwin Fabián | - |
dc.contributor.author | Carabajo Avila, Sthefany Paola | - |
dc.contributor.author | Chimbo Vega, Michelle Giovanna | - |
dc.date.accessioned | 2023-09-27T19:33:48Z | - |
dc.date.available | 2023-09-27T19:33:48Z | - |
dc.date.issued | 2023-09-26 | - |
dc.identifier.uri | http://dspace.ucuenca.edu.ec/handle/123456789/42918 | - |
dc.description | El presente proyecto de titulación se enfoca en el estudio y mejora del método de ac- ceso aleatorio en redes 5G, aplicando dos enfoques para la administración dinámica de preámbulos. En este contexto, los usuarios solicitan recursos de enlace ascenden- te mediante la transmisión de preámbulos, los cuales se caracterizan por ser firmas ortogonales. Sin embargo, un problema que se presenta es la posible congestión y colapso de la red cuando múltiples firmas idénticas se transmiten en un corto pe- ríodo de tiempo. El primer método consiste en el uso del aprendizaje supervisado mediante la implementación de una red neuronal que determina una salida ante un conjunto de datos que contienen información sobre los preámbulos que han benefi- ciado previamente al sistema durante pruebas realizadas. La red neuronal procesa esta información y genera salidas que indican qué preámbulos son más adecuados para evitar colapsos y mejorar la probabilidad de acceso exitoso a los recursos de enlace ascendente. El segundo método propuesto implica el uso del aprendizaje re- forzado, que implementa una política para la administración de preámbulos basada en Q-learning. En este enfoque, se emplea una función denominada Q que evalúa las acciones tomadas en estados específicos del sistema. El sistema se retroalimenta continuamente, reforzando aquellas elecciones que benefician al rendimiento del sis- tema y castigando aquellas que lo perjudican. De esta manera, el sistema de acceso aleatorio puede aprender a asignar preámbulos de manera más inteligente y efectiva, adaptándose a las condiciones de la red y optimizando la utilización de los recursos disponibles. | en_US |
dc.description.abstract | This degree project focuses on the study and improvement of the random access method in 5G networks, applying two approaches for the dynamic management of preambles. In this context, users request uplink resources by transmitting preambles, which are characterized by being orthogonal signatures. However, one problem that arises is the possible congestion and network collapse when multiple identical signa- tures are transmitted in a short period of time. The first method consists of the use of supervised learning by training a neural network using a set of data that contains in- formation about the preambles that have previously benefited the system during tests carried out. The neural network processes this information and generates outputs that indicate which preambles are best suited to avoid crashes and improve the probability of successful access to uplink resources. The second proposed method involves the use of reinforcement learning, which implements a policy for preamble management based on Q-learning. In this approach, a function called Q is used that evaluates ac- tions taken in specific states of the system. The system continually feeds itself back, reinforcing those choices that benefit the system’s performance and punishing those that harm it. In this way, the random access system can learn to allocate preambles more intelligently and effectively, adapting to network conditions and optimizing the utilization of available resources. | en_US |
dc.description.uri | 0000-0001-7644-0270 | en_US |
dc.description.uri | 0000-0002-5274-666X | en_US |
dc.format | application/pdf | en_US |
dc.format.extent | 144 páginas | en_US |
dc.language.iso | spa | en_US |
dc.publisher | Universidad de Cuenca | en_US |
dc.relation.ispartof | TET;145 | - |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Electrónica | en_US |
dc.subject | Inteligencia artificial | en_US |
dc.subject | Conectividad movil | en_US |
dc.subject.other | CIUC::Ingenierías::Ingeniería de Comunicaciones::Redes de Comunicaciones | en_US |
dc.title | Análisis de algoritmos de aprendizaje máquina aplicados a la asignación de recursos en la red de acceso para redes 5G con segmentación | en_US |
dc.title.alternative | Análisis de Algoritmos de Aprendizaje Máquina aplicados a la asignación de recursos en la red de acceso para redes 5G con segmentación | en_US |
dc.contributor.tutor | Tello Oquendo, Luis Patricio | - |
dcterms.description | Ingeniero en Electrónica y Telecomunicaciones | en_US |
dcterms.spatial | Cuenca | en_US |
dc.rights.accessRights | openAccess | en_US |
Appears in Collections: | Tesis de Pregrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Trabajo-de-Titulación.pdf | Versión presentada (texto completo) | 4.88 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
Centro de Documentacion Regional "Juan Bautista Vázquez" | ||||||||||
|