New baseband architectures using machine learning and deep learning in the presence of nonlinearities and dynamic environment

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBrante, Glauber Gomes de Oliveira-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-6006-4274-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8347190422243353-
Autor(es): dc.contributorChang, Bruno Sens-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-0232-7640-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8237248707461788-
Autor(es): dc.contributorFonseca, Anelise Munaretto-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-0182-7128-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4992303457891284-
Autor(es): dc.contributorPanazio, Cristiano Magalhães-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-3905-6338-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6203315254298422-
Autor(es): dc.contributorSublime, Jeremie-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-0508-8550-
Autor(es): dc.contributor.-
Autor(es): dc.contributorClavier, Laurent-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-3279-930X-
Autor(es): dc.contributorKountouris, Marios-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-1143-080X-
Autor(es): dc.creatorReis, Ana Flávia dos-
Data de aceite: dc.date.accessioned2025-08-29T12:33:42Z-
Data de disponibilização: dc.date.available2025-08-29T12:33:42Z-
Data de envio: dc.date.issued2024-08-17-
Data de envio: dc.date.issued2024-08-17-
Data de envio: dc.date.issued2024-03-13-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/34504-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1097675-
Descrição: dc.descriptionThe forthcoming sixth generation (6G) of wireless communication systems is expected to enable a wide range of new applications in vehicular communication, which is accompanied by a diverse set of challenges and opportunities resulting from the demands of this cutting-edge technology. In particular, these challenges arise from dynamic channel conditions, including time-varying channels and nonlinearities induced by high-power amplifiers. In this complex context, wireless channel estimation emerges as an essential element in establishing reliable communication. Furthermore, the potential of machine learning and deep learning in the design of receiver architectures adapted to vehicular communication networks is evident, given their capabilities to harness vast datasets, model complex channel conditions, and optimize receiver performance. Throughout the course of this research, we leveraged these potential tools to advance the state-of-the-art in receiver design for vehicular communication networks. In this manner, we delved into the characteristics of wireless channel estimation and the mitigation of nonlinear distortions, recognizing these as significant factors in the communication system performance. To this end, we propose new methods and flexible receivers, based on hybrid approaches that combine mathematical models and machine learning techniques, taking advantage of the unique characteristics of the vehicular channel to favor accurate estimation. Our analysis covers both conventional wireless communications waveform and a promising 6G waveform, targeting the comprehensiveness of our approach. The results of the proposed approaches are promising, characterized by substantial enhancements in performance and noteworthy reductions in system complexity. These findings hold the potential for real-world applications, marking a step toward the future in the domain of vehicular communication networks.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionEspera-se que a futura sexta geração (6G) de sistemas de comunicação sem fio possibilite uma ampla gama de novas aplicações na comunicação veicular, o que deve ser acompanhado por um conjunto diversificado de desafios e oportunidades resultantes das demandas dessa tecnologia de ponta. Em particular, esses desafios decorrem das condições dinâmicas do canal, incluindo canais que variam no tempo e não linearidades induzidas por amplificadores de alta potência. Nesse complexo contexto, a estimativa de canal sem fio surge como um elemento essencial para estabelecer uma comunicação confiável. Além disso, o potencial do aprendizado de máquina e do aprendizado profundo no projeto de arquiteturas de receptores adaptadas às redes de comunicação veicular é evidente, dadas as capacidades desses métodos em aproveitar vastos conjuntos de dados, modelar condições complexas de canal e otimizar o desempenho do receptor. Ao longo desta pesquisa, aproveitamos essas ferramentas potenciais para avançar o estado da arte no projeto de receptores para redes de comunicação veicular. Dessa forma, aprofundamos as análises sobre as características da estimativa de canal sem fio e a atenuação de distorções não lineares, reconhecendo-as como fatores significativos no desempenho do sistema de comunicação. Para isso, propusemos novos métodos e receptores flexíveis, com base em abordagens híbridas que combinam modelos matemáticos e técnicas de aprendizado de máquina, aproveitando as características do canal veicular para favorecer uma estimativa precisa. A nossa análise abrange tanto uma forma de onda padrão de comunicações sem fio como uma forma de onda promissora ao 6G, visando a compreensão da nossa abordagem. Os resultados das abordagens propostas são promissores, caracterizados por melhorias substanciais no desempenho e reduções notáveis na complexidade do sistema. Essas descobertas têm potencial para aplicações no mundo real, marcando um passo em direção ao futuro no domínio das redes de comunicação veicular.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Idioma: dc.languageen-
Idioma: dc.languagefr-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherFranca-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrial-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectSistemas de comunicação móvel-
Palavras-chave: dc.subjectAprendizado profundo (Aprendizado do computador)-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectModelos matemáticos-
Palavras-chave: dc.subjectSistemas de comunicação móvel-
Palavras-chave: dc.subjectMobile communication systems-
Palavras-chave: dc.subjectDeep learning (Machine learning)-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectMathematical models-
Palavras-chave: dc.subjectMobile communication systems-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Palavras-chave: dc.subjectEngenharia Elétrica-
Título: dc.titleNew baseband architectures using machine learning and deep learning in the presence of nonlinearities and dynamic environment-
Título: dc.titleNovas arquiteturas de banda de base utilizando aprendizado de máquina e aprendizado profundo na presença de não-linearidades e ambiente dinâmico-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.