Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio

Detalhes bibliográficos
Autor(a) principal: Fontoura, Leidiane Carolina Martins de Moura
Data de Publicação: 2021
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFRN
Texto Completo: https://repositorio.ufrn.br/handle/123456789/44631
Resumo: Este trabalho realiza um estudo sobre a aplicação do aprendizado de máquina supervisionado, com o algoritmo árvore de decisão, na síntese de superfícies seletivas de frequência, ou simplesmente FSS. Para isso, utilizou-se a flor de girassol (Helianthus annuus) como elemento base, tratando-se de uma geometria original e simplificada, com características de resposta em frequência semelhantes às de estruturas fractais. O trabalho é dividido em duas partes: caracterização do elemento proposto e síntese da FSS multibanda. Inicialmente, a evolução da geometria e as equações de projeto são apresentadas. As estruturas intermediárias e a proposta são caracterizadas numericamente pelo programa comercial Ansoft Designer, fabricadas e caracterizadas experimentalmente, verificando-se boa concordância entre os resultados simulados e medidos. Na segunda etapa, a geometria flor de girassol é parcialmente modificada para definir variáveis de parametrização. O Ansoft Designer caracteriza numericamente cada valor de variável da nova geometria e gera as respostas em frequência sem repetição. O algoritmo árvore de decisão realiza a classificação e avaliação do conjunto de dados, e o algoritmo floresta aleatória valida e confirma os resultados. Este processo e a síntese da FSS usando o algoritmo árvore de decisão ocorrem em menos de 10 segundos, com acurácia maior que 90%, atendendo aos critérios desejáveis, sob dois cenários distintos. O algoritmo árvore de decisão aprende regras de decisão simples inferidas de dados de treinamento, com cálculos simples e fáceis de implementar, escrito na linguagem Python. A acurácia é um parâmetro usado para medir a qualidade da predição no treinamento e validação do algoritmo. Com base nestes cenários, duas FSS são fabricadas e caracterizadas experimentalmente, obtendo resultados simulados e medidos com boa concordância. As estruturas FSS projetadas e fabricadas têm bandas de operação com aspecto closely spaced. Consequentemente, observa-se que a agilidade e a precisão deste algoritmo de classificação tornam a síntese das estruturas particularmente interessante. Destacam-se implementação intuitiva, simplicidade no treinamento e validação, e modelo de análise de dados eficiente.
id UFRN_ae2a29b8211e42d5e448128e7cab7d1c
oai_identifier_str oai:https://repositorio.ufrn.br:123456789/44631
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Fontoura, Leidiane Carolina Martins de Mourahttp://lattes.cnpq.br/6260601474854896http://lattes.cnpq.br/4159638862269940D'Assunção, Adaildo Gomes04401565487http://lattes.cnpq.br/4159638862269940D'Assunção Júnior, Adaildo Gomeshttp://lattes.cnpq.br/7359899329008024Gomes Neto, Alfredohttp://lattes.cnpq.br/1403715441701958Peixeiro, Custódio José OliveiraLins, Hertz Wilton de Castrohttp://lattes.cnpq.br/7712686175574736Mendonça, Laercio Martins dehttp://lattes.cnpq.br/1853488415531363Silva Neto, Valdemir Praxedes dahttp://lattes.cnpq.br/4160231554601828D'Assunção, Adaildo Gomes2021-10-18T22:43:50Z2021-10-18T22:43:50Z2021-07-09FONTOURA, Leidiane Carolina Martins de Moura. Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio. 2021. 153f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021.https://repositorio.ufrn.br/handle/123456789/44631Este trabalho realiza um estudo sobre a aplicação do aprendizado de máquina supervisionado, com o algoritmo árvore de decisão, na síntese de superfícies seletivas de frequência, ou simplesmente FSS. Para isso, utilizou-se a flor de girassol (Helianthus annuus) como elemento base, tratando-se de uma geometria original e simplificada, com características de resposta em frequência semelhantes às de estruturas fractais. O trabalho é dividido em duas partes: caracterização do elemento proposto e síntese da FSS multibanda. Inicialmente, a evolução da geometria e as equações de projeto são apresentadas. As estruturas intermediárias e a proposta são caracterizadas numericamente pelo programa comercial Ansoft Designer, fabricadas e caracterizadas experimentalmente, verificando-se boa concordância entre os resultados simulados e medidos. Na segunda etapa, a geometria flor de girassol é parcialmente modificada para definir variáveis de parametrização. O Ansoft Designer caracteriza numericamente cada valor de variável da nova geometria e gera as respostas em frequência sem repetição. O algoritmo árvore de decisão realiza a classificação e avaliação do conjunto de dados, e o algoritmo floresta aleatória valida e confirma os resultados. Este processo e a síntese da FSS usando o algoritmo árvore de decisão ocorrem em menos de 10 segundos, com acurácia maior que 90%, atendendo aos critérios desejáveis, sob dois cenários distintos. O algoritmo árvore de decisão aprende regras de decisão simples inferidas de dados de treinamento, com cálculos simples e fáceis de implementar, escrito na linguagem Python. A acurácia é um parâmetro usado para medir a qualidade da predição no treinamento e validação do algoritmo. Com base nestes cenários, duas FSS são fabricadas e caracterizadas experimentalmente, obtendo resultados simulados e medidos com boa concordância. As estruturas FSS projetadas e fabricadas têm bandas de operação com aspecto closely spaced. Consequentemente, observa-se que a agilidade e a precisão deste algoritmo de classificação tornam a síntese das estruturas particularmente interessante. Destacam-se implementação intuitiva, simplicidade no treinamento e validação, e modelo de análise de dados eficiente.The present work is a study on the application of supervised machine learning with the decision tree algorithm in the synthesis of frequency selective surfaces, or simply FSS. For this, the sunflower (Helianthus annuus) was used as a base element, being an original and simplified geometry, with frequency response characteristics similar to those of fractal structures. The thesis work is thus divided in two parts: the proposed element characterization and synthesis of the multiband FSS. Initially, the evolution of geometry and design equations are presented. The intermediate and the proposed structures are numerically characterized using the commercial software Ansoft Designer, manufactured, and experimentally characterized, with good agreement between the simulated and measured results. In the second step, the sunflower geometry is partially modified to define parameterization variables. The Ansoft Designer numerically characterizes the value of each variable of the new geometry, and it generates the frequency responses without repetition. The decision tree algorithm performs the dataset classification and evaluation, and the random forest algorithm validates and confirms the results. This process and the synthesis of the FSS using the decision tree algorithm occur in less than 10 seconds, with accuracy greater than 90%, meeting the desirable criteria, under two different scenarios. The decision tree algorithm learns simple decision rules inferred from training data, with simple and easy to implement calculations, written in the Python language. The accuracy is a parameter used to measure the quality of prediction in training and validation of the algorithm. Based on these scenarios, two FSS are manufactured and experimentally characterized, obtaining results with good agreement. The designed and fabricated FSS structures have closely spaced operation bands. Thus, it is observed that the agility and precision of this classification algorithm make the synthesis of the structures particularly interesting. Intuitive implementation, simplicity in training and validation, and an efficient data analysis model are highlighted.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESUniversidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilFSS bioinspiradaFSS multibandaFiltro de frequênciasSíntese de FSSAprendizado de máquinaNovo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fioinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALNovometodosintese_Fontoura_2021.pdfapplication/pdf14891335https://repositorio.ufrn.br/bitstream/123456789/44631/1/Novometodosintese_Fontoura_2021.pdf389ae1201a73ba1b5b1f957e5f41ae2bMD51123456789/446312022-05-02 12:31:56.214oai:https://repositorio.ufrn.br:123456789/44631Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-05-02T15:31:56Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pt_BR.fl_str_mv Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
title Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
spellingShingle Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
Fontoura, Leidiane Carolina Martins de Moura
FSS bioinspirada
FSS multibanda
Filtro de frequências
Síntese de FSS
Aprendizado de máquina
title_short Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
title_full Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
title_fullStr Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
title_full_unstemmed Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
title_sort Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
author Fontoura, Leidiane Carolina Martins de Moura
author_facet Fontoura, Leidiane Carolina Martins de Moura
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/6260601474854896
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/4159638862269940
dc.contributor.referees1.none.fl_str_mv D'Assunção Júnior, Adaildo Gomes
dc.contributor.referees1Lattes.pt_BR.fl_str_mv http://lattes.cnpq.br/7359899329008024
dc.contributor.referees2.none.fl_str_mv Gomes Neto, Alfredo
dc.contributor.referees2Lattes.pt_BR.fl_str_mv http://lattes.cnpq.br/1403715441701958
dc.contributor.referees3.none.fl_str_mv Peixeiro, Custódio José Oliveira
dc.contributor.referees4.none.fl_str_mv Lins, Hertz Wilton de Castro
dc.contributor.referees4Lattes.pt_BR.fl_str_mv http://lattes.cnpq.br/7712686175574736
dc.contributor.referees5.none.fl_str_mv Mendonça, Laercio Martins de
dc.contributor.referees5Lattes.pt_BR.fl_str_mv http://lattes.cnpq.br/1853488415531363
dc.contributor.referees6.none.fl_str_mv Silva Neto, Valdemir Praxedes da
dc.contributor.referees6Lattes.pt_BR.fl_str_mv http://lattes.cnpq.br/4160231554601828
dc.contributor.author.fl_str_mv Fontoura, Leidiane Carolina Martins de Moura
dc.contributor.advisor-co1.fl_str_mv D'Assunção, Adaildo Gomes
dc.contributor.advisor-co1ID.fl_str_mv 04401565487
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/4159638862269940
dc.contributor.advisor1.fl_str_mv D'Assunção, Adaildo Gomes
contributor_str_mv D'Assunção, Adaildo Gomes
D'Assunção, Adaildo Gomes
dc.subject.por.fl_str_mv FSS bioinspirada
FSS multibanda
Filtro de frequências
Síntese de FSS
Aprendizado de máquina
topic FSS bioinspirada
FSS multibanda
Filtro de frequências
Síntese de FSS
Aprendizado de máquina
description Este trabalho realiza um estudo sobre a aplicação do aprendizado de máquina supervisionado, com o algoritmo árvore de decisão, na síntese de superfícies seletivas de frequência, ou simplesmente FSS. Para isso, utilizou-se a flor de girassol (Helianthus annuus) como elemento base, tratando-se de uma geometria original e simplificada, com características de resposta em frequência semelhantes às de estruturas fractais. O trabalho é dividido em duas partes: caracterização do elemento proposto e síntese da FSS multibanda. Inicialmente, a evolução da geometria e as equações de projeto são apresentadas. As estruturas intermediárias e a proposta são caracterizadas numericamente pelo programa comercial Ansoft Designer, fabricadas e caracterizadas experimentalmente, verificando-se boa concordância entre os resultados simulados e medidos. Na segunda etapa, a geometria flor de girassol é parcialmente modificada para definir variáveis de parametrização. O Ansoft Designer caracteriza numericamente cada valor de variável da nova geometria e gera as respostas em frequência sem repetição. O algoritmo árvore de decisão realiza a classificação e avaliação do conjunto de dados, e o algoritmo floresta aleatória valida e confirma os resultados. Este processo e a síntese da FSS usando o algoritmo árvore de decisão ocorrem em menos de 10 segundos, com acurácia maior que 90%, atendendo aos critérios desejáveis, sob dois cenários distintos. O algoritmo árvore de decisão aprende regras de decisão simples inferidas de dados de treinamento, com cálculos simples e fáceis de implementar, escrito na linguagem Python. A acurácia é um parâmetro usado para medir a qualidade da predição no treinamento e validação do algoritmo. Com base nestes cenários, duas FSS são fabricadas e caracterizadas experimentalmente, obtendo resultados simulados e medidos com boa concordância. As estruturas FSS projetadas e fabricadas têm bandas de operação com aspecto closely spaced. Consequentemente, observa-se que a agilidade e a precisão deste algoritmo de classificação tornam a síntese das estruturas particularmente interessante. Destacam-se implementação intuitiva, simplicidade no treinamento e validação, e modelo de análise de dados eficiente.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-10-18T22:43:50Z
dc.date.available.fl_str_mv 2021-10-18T22:43:50Z
dc.date.issued.fl_str_mv 2021-07-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv FONTOURA, Leidiane Carolina Martins de Moura. Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio. 2021. 153f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/44631
identifier_str_mv FONTOURA, Leidiane Carolina Martins de Moura. Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio. 2021. 153f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021.
url https://repositorio.ufrn.br/handle/123456789/44631
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.publisher.program.fl_str_mv PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
dc.publisher.initials.fl_str_mv UFRN
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRN
instname:Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
instname_str Universidade Federal do Rio Grande do Norte (UFRN)
instacron_str UFRN
institution UFRN
reponame_str Repositório Institucional da UFRN
collection Repositório Institucional da UFRN
bitstream.url.fl_str_mv https://repositorio.ufrn.br/bitstream/123456789/44631/1/Novometodosintese_Fontoura_2021.pdf
bitstream.checksum.fl_str_mv 389ae1201a73ba1b5b1f957e5f41ae2b
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)
repository.mail.fl_str_mv
_version_ 1813891219732824064