Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio
Autor(a) principal: | |
---|---|
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 |