Τεχνικές μηχανικής μάθησης για σχεδιασμό δεκτών ψηφιακών συστημάτων επικοινωνιών.

Abstract

Η παρούσα εργασία εστιάζει στις τεχνικές μηχανικής μάθησης για το σχεδιασμό δεκτών σε ψηφιακά συστήματα επικοινωνίας. Συζητά τις αυξανόμενες απαιτήσεις στα τηλεπικοινωνιακά δίκτυα που οδηγούν στην ανάπτυξη δικτύων 6ης γενιάς (6G), τα οποία θα συμβάλλουν σε επαναστατικές τεχνολογικές εξελίξεις. Η εργασία επισημαίνει τις ανεπαρκείς παραδοσιακές τεχνικές ανίχνευσης σε περιβάλλοντα με θόρυβο και τονίζει τη δυνατότητα της μηχανικής μάθησης, ιδιαίτερα της βαθιάς μάθησης, να ξεπεράσει αυτές τις προκλήσεις. Ένα μέρος αφιερώνεται στην εξέταση των καναλιών Rayleigh και Rice, στις πολυπλοκότητες της μετάδοσης ασύρματων σημάτων και στη στατιστική μοντελοποίηση φαινομένων μετάδοσης δεδομένων. Επίσης, αναλύει τις κατηγορίες μηχανικής μάθησης, συμπεριλαμβανομένης της εποπτευόμενης, μη εποπτευόμενης, ημι-εποπτευόμενης και μάθησης ενίσχυσης, και επισημαίνει τη σημασία των νευρωνικών δικτύων και των αρχιτεκτονικών τους στην επεξεργασία μεγάλων συνόλων δεδομένων. Γίνεται αναφορά στην ταξινόμηση διαμόρφωσης και στους πίνακες σύγχυσης. Τέλος με μια εφαρμογή μέσω προγράμματος MATLAB, παρουσιάζεται πώς ένα συνελικτικό νευρωνικό δίκτυο μπορεί να εκπαιδευτεί με σκοπό την ταξινόμηση πολλών τύπων διαμόρφωσης εν μέσω παραμορφώσεων καναλιού, επιτυγχάνοντας υψηλή ακρίβεια στην ταξινόμησή τους. Ο στόχος της εργασίας είναι να αποδείξει τα πλεονεκτήματα της μηχανικής μάθησης σε σχέση με τις κλασικές μεθόδους ανίχνευσης μέσω προσομοιώσεων και συγκριτικής ανάλυσης.