Τεχνικές μηχανικής μάθησης για σχεδιασμό δεκτών ψηφιακών συστημάτων επικοινωνιών.

Simple item page
dc.contributor.advisorΠέππας, Κωνσταντίνος
dc.contributor.authorΣόλαρης, Δημήτριος Παναγιώτης
dc.contributor.authorΜαγκλάρας, Ηλίας
dc.contributor.committeeΓιαννόπουλος, Κωνσταντίνος
dc.contributor.committeeΤσελίκας, Νικόλαος
dc.contributor.departmentΤμήμα Πληροφορικής και Τηλεπικοινωνιώνel
dc.contributor.facultyΣχολή Οικονομίας και Τεχνολογίαςel
dc.contributor.masterΣύγχρονες Ασύρματες Επικοινωνίεςel
dc.date.accessioned2025-06-30T10:07:13Z
dc.date.available2025-06-30T10:07:13Z
dc.date.issued2025-04-10
dc.descriptionΜ.Δ.Ε. 6el
dc.description.abstractΗ 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.el
dc.description.abstracttranslatedThe present study focuses on machine learning techniques for receiver design in digital communication systems. It discusses the increasing demands in telecommunication networks that drive the development of 6th generation (6G) networks, which will contribute to groundbreaking technological advancements. The study highlights the limitations of traditional detection techniques in noisy environments and emphasizes the potential of machine learning, particularly deep learning, to overcome these challenges. A section is dedicated to the examination of Rayleigh and Rice channels, the complexities of wireless signal transmission, and the statistical modeling of data transmission phenomena. Additionally, the study analyzes different machine learning categories, including supervised, unsupervised, semi-supervised, and reinforcement learning, and underlines the importance of neural networks and their architectures in processing large datasets. It also discusses modulation classification and confusion matrices. Finally, through an application in MATLAB, the study demonstrates how a convolutional neural network (CNN) can be trained to classify multiple modulation types under channel distortions, achieving high classification accuracy. The study aims to showcase the advantages of machine learning over classical detection methods through simulations and comparative analysis.el
dc.format.extent36el
dc.identifier.urihttps://amitos.library.uop.gr/xmlui/handle/123456789/9006
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πελοποννήσουel
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.subjectΜηχανική Μάθησηel
dc.subjectΤηλεπικοινωνιακά συστήματα-Σχεδιασμόςel
dc.subjectΨηφιακές επικοινωνίες-Σχεδιασμόςel
dc.subjectΕπεξεργασία σήματος-Ψηφιακές τεχνικέςel
dc.subjectMachine Learningel
dc.subjectTelecommunication systems-Planningel
dc.subjectDigital communications-Planningel
dc.subjectSignal processing-Digital techniquesel
dc.subject.keywordΜηχανική μάθησηel
dc.subject.keyword6Gel
dc.subject.keywordΝευρωνικά δίκτυαel
dc.subject.keywordMATLABel
dc.subject.keywordModulation classificationel
dc.subject.keywordConfusion matrixel
dc.titleΤεχνικές μηχανικής μάθησης για σχεδιασμό δεκτών ψηφιακών συστημάτων επικοινωνιών.el
dc.typeΜεταπτυχιακή διπλωματική εργασίαel

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Solaris_2022202301015.pdf
Size:
1.64 MB
Format:
Adobe Portable Document Format
Description:
Μεταπτυχιακή διπλωματική εργασία
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
933 B
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Τμήμα Πληροφορικής και Τηλεπικοινωνιών (Μ. Δ. Ε.)