Use este identificador para citar ou linkar para este item:
https://repositorio.ufpa.br/jspui/handle/2011/16706| Tipo: | Dissertação |
| Data do documento: | 30-Dez-2023 |
| Autor(es): | FERREIRA, Jamelly Freitas |
| Primeiro(a) Orientador(a): | KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha |
| Primeiro(a) coorientador(a): | GOMES, Diego de Azevedo |
| Título: | Beam-selection otimizado por aprendizado de máquina : uma abordagem multimodal |
| Citar como: | FERREIRA, Jamelly Freitas. Beam-selection otimizado por aprendizado de máquina : uma abordagem multimodal. Orientador: Aldebaro Barreto da Rocha Klautau Júnior.; Coorientador: Diego de Azevedo Gomes. 2023. 50 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2023. Disponível em:https://repositorio.ufpa.br/jspui/handle/2011/16706 . Acesso em:. |
| Resumo: | Esta dissertação tem como objetivo investigar a utilização de modelos de aprendizado de máquina usando dados multimodais como entrada para otimizar o processo de “Beam-Selection”em redes baseadas em ondas milimétricas. O uso de Deep Learning tem se intensificado em diferentes áreas, sendo possível obter performance igual ou superior à humana, desta forma seu uso mostra-se promissor também em cenários de comunicação sem fio. Neste trabalho foram usados dados de diferentes naturezas o que se mostrou conveniente ao passo que é possível ajustar o modelo de acordo com a qualidade/disponibilidade destes dados. Após execução dos experimentos, e obtencão dos resultados, foi observado que é possível obter significativa performance em diferentes métricas, mesmo com dados mais simples como Imagem e Coordenada. |
| Abstract: | This dissertation aims to investigate the use of machine learning models using multimodal data as input to optimize the Beam-Selection process in millimeter-wave based networks. The use of Deep Learning has intensified in different areas, and it is possible to obtaing performance equal or superior to human performance, so its use is also promising in wireless communication scenarios. This work used data from different sources, which proved to be convenient since it is possible to adjust the model according to the quality/availability of this data. After executing the experiments and obtaining the results, it was observed that it is possible to obtain significant performance in different metrics even with simpler data such as image and coordinate. |
| Palavras-chave: | Aprendizado de máquina Aprendizagem profunda Redes neurais Seleção de feixe Machine learning Deep learning Neural network Beam-selection |
| Área de Concentração: | TELECOMUNICAÇÕES |
| CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES |
| País: | Brasil |
| Instituição: | Universidade Federal do Pará |
| Sigla da Instituição: | UFPA |
| Instituto: | Instituto de Tecnologia |
| Programa: | Programa de Pós-Graduação em Engenharia Elétrica |
| Tipo de Acesso: | Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil |
| Fonte URI: | Disponível via internert através do correio eletrônico: bibliotecaitec@ufpa.br |
| Aparece nas coleções: | Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Dissertacao_BeamselectionOtimizadoAprendizado.pdf | 3,1 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons
