Por favor, use este identificador para citar o enlazar este ítem:
https://dspace.ucuenca.edu.ec/handle/123456789/45066
| Título : | Modulación adaptativa para un sistema OFDM, utilizando técnicas de Machine Learning |
| Autor: | Maguana Zhindón, July Katherine
Reino Criollo, Ruth Alexandra |
| Director(es): | Solano Quinde, Lizandro Damián |
| ORCID del investigador: | 0000-0001-7427-4889 |
| Materia: | Clasificación de la Investigación::Ingeniería de Telecomunicaciones |
| Palabras clave : | Electrónica
Telecomunicaciones
Sistemas de datos
Comunicación inhalámbrica |
| Fecha de publicación : | 30-ago-2024 |
| Paginación: | 111 páginas |
| Editor: | Universidad de Cuenca |
| Tipo: | submittedVersion |
| Abstract: | Adaptive Orthogonal frequency division multiplexing (OFDM) is a modulation scheme that dy- namically adjusts the system’s modulation based on real-time channel conditions, optimizing bandwidth usage and maintaining an optimal Bit Error Rate (BER). This integrative curricular work analyzes the BER of a conventional adaptive OFDM system and one enhanced with Machine Learning (ML) techniques. To implement adaptive OFDM with ML, a training database is generated by analyzing performance in terms of BER and Signal to Noise Ratio (SNR) for five modulation schemes [QPS, 8-PSK, 16-QAM, 32-QAM, 64-QAM], establishing the boundaries
and parameters. Three models are trained: decision tree, k-nearest neighbors (classification technique), and robust linear regression (regression technique). The performance of each mo-del is compared based on BER and throughput. The results show that ML techniques improve the performance of the adaptive OFDM system, enabling precise modulation scheme selection and efficient adaptation to channel conditions. The adaptive OFDM system with ML can switch modulation, achieving high throughput and a BER lower than 0.001 with an SNR of 17 dB or higher. Among supervised ML techniques, classification models like decision tree and k-nearest neighbors outperform linear regression in prediction accuracy, achieving a lower BER with a
lower SNR and high throughput. |
| Resumen : | Orthogonal frequency division multiplexing (OFDM) adaptativa es un esquema de modulación que ajusta dinámicamente la modulación del sistema en función de las condiciones del canal en tiempo real, optimizando el uso del ancho de banda y manteniendo un Bit Error Rate (BER) óptimo. El presente trabajo de integración curricular analiza el BER de un sistema de OFDM adaptativo convencional y con técnicas de Machine Learnig (ML). Para implementar el OFDM adaptativo con ML se genera una base de datos de entrenamiento, mediante el análisis del rendimiento en términos del BER y del Signal to Noise Ratio (SNR) para cinco esquemas de
modulación [QPS 8-PSK 16-QAM 32-QAM 64-QAM], estableciendo los límites y parámetros.
Se entrenan tres modelos: árbol de decisión, k-nearest neighbors (técnica de clasificación) y regresión lineal robusta (técnica de regresión). Se compara el rendimiento de cada modelo, en función del BER y del throughput. Los resultados muestran que las técnicas de ML mejoran el rendimiento del sistema OFDM adaptativo, permitiendo una selección precisa del esquema de modulación y una adaptación eficiente a las condiciones del canal. El sistema OFDM adaptativo con ML puede cambiar de modulación, logrando un alto throughput y un BER menor a 0.001 con un SNR de 17 dB o más. Entre las técnicas de ML supervisado, los modelos de clasificación como árbol de decisión y k-nearest neighbors, superan al de regresión lineal, en precisión de predicciones, logrando un menor BER con un SNR más bajo y un throughput alto. |
| URI : | https://dspace.ucuenca.edu.ec/handle/123456789/45066 |
| Código: | TET;155 |
| Grado Académico: | Ingeniero en Telecomunicaciones |
| Aparece en las colecciones: | Tesis de Pregrado
|
