Αλγόριθμοι μηχανικής μάθησης για εφαρμογές μορφοποίησης δέσμης σε συστήματα επικοινωνιών 6ης γενιάς

Περίληψη

Η εμφάνιση των δικτύων 6G παρουσιάζει ένα σημαντικό άλμα στις ασύρματες τηλεπικοινωνίες, υποσχόμενη πρωτοφανείς ρυθμούς δεδομένων, εξαιρετικά αξιόπιστες επικοινωνίες χαμηλής καθυστέρησης και ενσωμάτωση πλήθους συνδεδεμένων συσκευών. Οι δυναμικές και πολύπλοκες ανάγκες των δικτύων 6G απαιτούν προηγμένες λύσεις προσαρμοστικής μορφοποίησης ακτινοβολίας (ABF) για την εξασφάλιση υψηλής ποιότητας συνδέσεων τηλεπικοινωνίας. Η παρούσα διατριβή διερευνά καινοτόμες τεχνικές μηχανικής μάθησης, αξιοποιώντας βαθιά νευρωνικά δίκτυα (NN), για να βελτιώσει την αποδοτικότητα, την προσαρμοστικότητα και την επεκτασιμότητα των διαδικασιών ABF, διευθετώντας κρίσιμες προκλήσεις που οι παραδοσιακοί αλγόριθμοι αντιμετωπίζουν σε δυναμικά περιβάλλοντα. Οι συνεισφορές αυτής της διτριβής επεκτείνονται σε τέσσερις κύριους άξονες, καθένας από τους οποίους στοχεύει σε μια συγκεκριμένη πτυχή του ABF για τα δίκτυα επόμενης γενιάς. Ο πρώτος άξονας επικεντρώνεται στη χρήση βαθιάς μάθησης για τον αποδοτικό υπολογισμό των ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The emergence of 6G wireless networks presents a transformative leap in telecommunication technology, promising unprecedented data rates, ultra-reliable low-latency communications, and seamless integration of a multitude of connected devices. The dynamic and complex requirements of 6G networks necessitate advanced adaptive beamforming (ABF) solutions to ensure high-quality communication links. This thesis explores innovative machine learning (ML) techniques, particularly leveraging neural networks (NNs), to enhance the efficiency, adaptability, and scalability of ABF processes, addressing critical challenges that traditional deterministic algorithms struggle to resolve in dynamic environments. The contributions of this work span four main pillars, each targeting a distinct aspect of ABF for next-generation wireless networks. The first pillar focuses on using deep learning for efficient beamforming weight calculation in uniform linear arrays (ULAs). Traditional deterministic methods suc ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/58719
ND
58719
Εναλλακτικός τίτλος
Machine learning algorithms for beamforming applications in 6G communications systems
Συγγραφέας
Μαλλιώρας, Ιωάννης (Πατρώνυμο: Απόστολος)
Ημερομηνία
2025
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Εξεταστική επιτροπή
Γιούλτσης Τραϊανός
Λαζαρίδης Παύλος
Κανταρτζής Νικόλαος
Αντωνόπουλος Χρήστος
Γούδος Σωτήριος
Χατζηδιαμαντής Νέστωρ
Διαμαντουλάκης Παναγιώτης
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Μηχανική και συστήματα επικοινωνιών, Τηλεπικοινωνίες
Λέξεις-κλειδιά
Βαθιά μηχανική μάθηση; Έξυπνες κεραίες; Νευρωνικά δίκτυα; προσαρμοστική μορφοποίηση ακτινοβολίας; Επαναληπτικά νευρωνικά δίκτυα μακράς-βραχύχρονης μνήμης; Μηχανική μάθηση
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., χαρτ., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.