Work

Análisis del rendimiento de un sistema cooperativo de acceso múltiple ortogonal / no-ortogonal (OMA/NOMA) gestionado mediante una red neuronal artificial

Year: 2021
Type: dissertation
Abstract: Las tecnologías inalámbricas de próxima generación enfrentan desafíos considerables en términos de proporcionar muy baja latencia y alta conectividad, requisitos imprescindibles de las \nnuevas redes móviles heterogéneas. Impulsado principalmente por estos problemas, este estudio \nse 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 \nortogonal no-ortogonal impulsado por aprendizaje automático (OMA/NOMA). Específicamente, en este trabajo, se propone el uso de una red neuronal artificial (Artificial Neural Network \nANN) para seleccionar el método de acceso OMA o NOMA de cada equipo de usuario (User \nEquipment UE). Como parte de esta investigación, también se evalúa la precisión y el tiempo \nde entrenamiento de los tres algoritmos de aprendizaje más relevantes de las ANN (L-M, BFGS \ny 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 \nformación de haces (beamforming). \nLos resultados de la evaluación de la propuesta muestran un incremento en el rendimiento \npromedio del sistema de hasta 20 %, en términos de la tasa total efectiva del sistema, utilizando \nla administración ANN en contraste con un sistema administrado aleatoriamente sin ANN. El \nalgoritmo de entrenamiento Leveberg-Marquard (L-M) es el mejor algoritmo general para esta \naplicación. El mismo presenta la mayor precisión de alrededor de 77 % a costa de un tiempo de \nentrenamiento de aproximadamente 37 minutos. Sin embargo, sacrificando la precisión hasta \nun valor más bajo de 73 %, se requiere un tiempo de entrenamiento de aproximadamente 28 \nsegundos.
Language: Spanish
Open Access status: green
OpenAlex ID: W6979890913
Cites: 38
Cited by:
Related to: 10