Μηχανική μάθηση σε ασύρματα δίκτυα
| dc.contributor.advisor | Αλεξίου, Αγγελική | |
| dc.contributor.author | Κούρσος, Γεώργιος | |
| dc.date.accessioned | 2021-09-01T07:11:17Z | |
| dc.date.available | 2021-09-01T07:11:17Z | |
| dc.date.issued | 2021-06 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13644 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1067 | |
| dc.description.abstract | Η παρούσα εργασία εξετάζει τεχνικές μηχανικής μάθησης με εφαρμογή σε ασύρματα δίκτυα. Σκοπός της παρούσας εργασίας είναι να παρουσιάσει τις βασικές τεχνικές για μηχανική μάθηση, καθώς και το πως μπορούν να εφαρμοστούν σε ασύρματες επικοινωνίες. Η μηχανική μάθηση είναι ένα νέο ανερχόμενο επιστημονικό πεδίο με πολλές εφαρμογές , ενώ η ικανότητα της να προβλέπει και να λύνει όλα και πιο σύνθετα προβλήματα την έχουν εντάξει σχεδόν σε κάθε επιστημονικό πεδίο τεχνολογικό ή μη. Από την άλλη , οι ασύρματες επικοινωνίες αποτελούν πλέον αναπόσπαστο κομμάτι της καθημερινότητας μας έχοντας ως αποτέλεσμα οι κινητές συσκευές αλλά και οι απαιτήσεις των χρηστών να αυξάνονται συνεχώς. Τα ασύρματα δίκτυα νέας γενιάς αναμένεται να υποστηρίζουν εξαιρετικά υψηλούς ρυθμούς δεδομένων αλλά και νέες εφαρμογές οι οποίες θα έχουν υψηλες απαιτήσεις (QOS-quality of service) και θα φέρουν νέες προκλήσεις στην ασύρματη τεχνολογία. Η δυναμική ανάθεση πόρων και η συνεχόμενη αλλαγή του ασύρματου καναλιού ήταν ανέκαθεν ένα πεδίο έρευνας. Η πρόκληση λοιπόν είναι να δημιουργηθεί ένα έξυπνο δίκτυο που θα μαθαίνει και θα προσαρμόζεται στα δεδομένα αλλά και θα παίρνει αποφάσεις από μόνο του σκοπεύοντας στο καλύτερο QOS του τελικού χρήστη αλλά και στην καλύτερη αξιοποίηση των πόρων του δικτύου. Η τεχνητή νοημοσύνη και πιο συγκεκριμένα η μηχανική μάθηση είναι οι καταλληλότερες για την δημιουργία τέτοιων δικτύων, προσφέροντας την εξυπνάδα που χρειάζονται με ίσως και άριστα αποτελέσματα. Είναι λοιπόν αναπόφευκτο ότι τα δίκτυα επόμενης γενιά θα υποβοηθούνται από αυτές τις τεχνολογίες, ενώ όσο οι γνώσεις μας αυξάνονται καλύτερες εφαρμογές θα δημιουργούνται. Στο πρώτο κεφάλαιο γίνεται μια εισαγωγή στην μηχανική μάθηση, αναφερόμαστε στα τρία είδη της, όπου αναλύονται οι βασικές τεχνικές, οι αλγόριθμοι που χρησιμοποιούνται, τα πλεονεκτήματα αλλά και τα μειονεκτήματά τους. Στο δεύτερο κεφάλαιο αναφερόμαστε σε υπάρχοντα συστήματα ασύρματων επικοινωνιών δίνοντας τα βασικά χαρακτηριστικά τους. Για κάθε σύστημα παρουσιάζεται μια μέθοδος μηχανικής μάθησης η οποία προσαρμόζεται στο εκάστοτε σύστημα ενώ παρουσιάζονται πειραματικά αποτελέσματα που έχουν γίνει συγκρίνοντας την απόδοση τους με τις ως τώρα παραδοσιακές τεχνικές. Στο τρίτο και τελευταίο παρουσιάζονται αποτελέσματα από προσομοιώσεις που έγιναν σε python για δυο διαφορετικά συστήματα δείχνοντας την απόδοση τους. | el |
| dc.format.extent | 180 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Μηχανική μάθηση σε ασύρματα δίκτυα | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The scope of this thesis is to examines machine learning techniques applied to wireless networks. The purpose of this paper is to present the basic techniques for machine learning, as well as how they can be applied in wireless communications. Machine learning is a new emerging scientific field with many applications, while it has the ability to predict and solve more and more complex problems that they have integrated into almost every scientific field, technological or not. On the other hand, wireless communications are now an integral part of our daily lives, resulting the mobile devices and the demands of users are constantly increasing. The new generation wireless networks are expected to support extremely high data rates but also new applications which will have high requirements (QOS-quality of service) and will bring new challenges in wireless technology. Dynamic resource allocation and the constant change of the wireless channel has always been a field of research. So the challenge is to create a smart network that will learn and adapt to the data but also will make decisions on its own with the aim of the best QOS of the end user but also the best use of network resources. Artificial intelligence and more specifically machine learning are the most suitable for creating such networks, offering the intelligence they need with perhaps excellent results. It is therefore inevitable that next generation networks will be assisted by these technologies, while as our knowledge increases better applications will be created. In the first chapter there is an introduction to machine learning, we refer to the three types of machine learning , which analyze the basic techniques, the algorithms that use, their advantages and disadvantages. In the second chapter we refer to existing wireless communication systems giving their basic characteristics. For each system, a machine learning method is presented, which is adapted to the respective system, while experimental results are presented, comparing their performance with the traditional techniques so far. In the third and last one charter, results from python simulations for two different systems are presented, showing their performance. | el |
| dc.contributor.master | Ψηφιακές Επικοινωνίες και Δίκτυα | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Ασύρματα δίκτυα | el |
| dc.date.defense | 2021-06-30 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα