Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks

Detalhes bibliográficos
Autor(a) principal: Souza, João Henrique Inacio de
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UEL
Texto Completo: https://repositorio.uel.br/handle/123456789/9998
Resumo: Resumo: As redes de comunicação sem-fio enfrentam um aumento exponencial da demanda dos usúarios, além de um rápido crescimento no número de dispositivos conectados, impulsionado principalmente pela revolução da Internet das coisas Visando atender à segunda necessidade, as redes sem-fio da quinta geração (5G) implementação o serviço masssive machine-type communications (mMTC), projetado para fornecer conectividade massiva para dispositivos que possuem atividade esporádica, são equipados com hardware simples, e são alimentados por baterias de baixa capacidade Por outro lado, as crescentes demandas por maior capacidade e taxa de dados serão assistidas por estações rádio-base equipadas com transceptores de múltiplas antenas Atender a estes cenários é uma tarefa desafiadora devido à escassez de recursos de rádio combinada com as dificuldades técnicas enumeradas a seguir Os esquemas de acesso à rede convencionais são extremamente ineficientes ao lidar com grandes números de tentativas de conexão Ao mesmo tempo, estações rádio-base equipadas com grandes números de antenas apresentam gargalos de implementação decorrentes da alta largura de banda de interconexão e da complexidade computacional Considerando os desafios mencionados, nesta Dissertação de Mestrado nós investigamos protocolos de acesso aleatório e o transceptor extra-large scale massive MIMO (XL-MIMO) para viabilizar, respectivamente, a conectividade massiva no serviço mMTC e a implementação de transceptores de múltiplas antenas Adicionalmente, examinamos técnicas de inteligência artificial para projetar protocolos de acesso aleatório livres de concessão e algoritmos de alocação de recursos Nossas contribuições são enumeradas a seguir Propomos protocolos de acesso livres de concessão baseados nas redes neurais convolucionais que atingem alta performance com baixa complexidade computational na detecção de dispositivos ativos Ao mesmo tempo, elaboramos uma análise compreensiva dos protocolos de acesso livres de concessão disponíveis na literatura Em se tratando do transceptor XL-MIMO, propomos procedimentos distribuídos e centralizados baseando-se nos algoritmos genéticos para, conjuntamente, selecionar as antenas ativas e alocar potência visando maximizar a eficiência espectral do sistema Os procedimentos propostos são adequados para implementações com número limitado de transceptores de rádio-frequência, atingindo largura de banda de interconexão e complexidade computacional reduzidas, quando comparados com os métodos de referência
id UEL_ec35486a204e33a33409ccf655e99f3e
oai_identifier_str oai:repositorio.uel.br:123456789/9998
network_acronym_str UEL
network_name_str Repositório Institucional da UEL
repository_id_str
spelling Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networksEngenharia elétricaSistemas de telecomunicaçãoInteligência artificialElectrical engineeringTelecommunications SystemsArtificial intelligenceResumo: As redes de comunicação sem-fio enfrentam um aumento exponencial da demanda dos usúarios, além de um rápido crescimento no número de dispositivos conectados, impulsionado principalmente pela revolução da Internet das coisas Visando atender à segunda necessidade, as redes sem-fio da quinta geração (5G) implementação o serviço masssive machine-type communications (mMTC), projetado para fornecer conectividade massiva para dispositivos que possuem atividade esporádica, são equipados com hardware simples, e são alimentados por baterias de baixa capacidade Por outro lado, as crescentes demandas por maior capacidade e taxa de dados serão assistidas por estações rádio-base equipadas com transceptores de múltiplas antenas Atender a estes cenários é uma tarefa desafiadora devido à escassez de recursos de rádio combinada com as dificuldades técnicas enumeradas a seguir Os esquemas de acesso à rede convencionais são extremamente ineficientes ao lidar com grandes números de tentativas de conexão Ao mesmo tempo, estações rádio-base equipadas com grandes números de antenas apresentam gargalos de implementação decorrentes da alta largura de banda de interconexão e da complexidade computacional Considerando os desafios mencionados, nesta Dissertação de Mestrado nós investigamos protocolos de acesso aleatório e o transceptor extra-large scale massive MIMO (XL-MIMO) para viabilizar, respectivamente, a conectividade massiva no serviço mMTC e a implementação de transceptores de múltiplas antenas Adicionalmente, examinamos técnicas de inteligência artificial para projetar protocolos de acesso aleatório livres de concessão e algoritmos de alocação de recursos Nossas contribuições são enumeradas a seguir Propomos protocolos de acesso livres de concessão baseados nas redes neurais convolucionais que atingem alta performance com baixa complexidade computational na detecção de dispositivos ativos Ao mesmo tempo, elaboramos uma análise compreensiva dos protocolos de acesso livres de concessão disponíveis na literatura Em se tratando do transceptor XL-MIMO, propomos procedimentos distribuídos e centralizados baseando-se nos algoritmos genéticos para, conjuntamente, selecionar as antenas ativas e alocar potência visando maximizar a eficiência espectral do sistema Os procedimentos propostos são adequados para implementações com número limitado de transceptores de rádio-frequência, atingindo largura de banda de interconexão e complexidade computacional reduzidas, quando comparados com os métodos de referênciaDissertação (Mestrado em Engenharia Elétrica) - Universidade Estadual de Londrina, Centro de Tecnologia e Urbanismo, Programa de Pós-Graduação em Engenharia ElétricaAbstract: The wireless communication networks face an exponential increase in users’ demand, as well as a rapid growth in the number of connected devices, driven principally by the revolution of the Internet of things (IoT) Motivated by the second need, the wireless networks of the fifth generation (5G) will implement the massive machine-type communications (mMTC) service, designed to provide massive connectivity for devices with sporadic activity, with simple hardware, and powered by low-capacity batteries On the other hand, the increasing demands for higher capacity and data rates will be fulfilled by multi-antenna base-station (BS) transceivers Serving these scenarios is challenging due to the scarcity of radio resources along with the technical difficulties in the following The conventional network access schemes are extremely inefficient for handling massive numbers of connection attempts In addition, BSs equipped with a massive number of antennas present the bottlenecks of high interconnection bandwidth and computational complexity Considering the mentioned challenges, in this Master’s Dissertation we investigate random access protocols and the extra-large scale massive MIMO (XL-MIMO) transceiver to enable, respectively, massive connectivity on the mMTC service and the deployment of massive multi-antenna transceivers We examine artificial intelligence techniques to design grant-free random access protocols and resource allocation algorithms Our contributions are as follows We propose grant-free access protocols based on the convolutional neural network with high performance and low complexity in detecting the set of active devices At the same time, we conceive a comprehensive analysis of the grant-free access protocols in the literature On the matter of the XL-MIMO transceiver, we propose distributed and centralized procedures based on the genetic algorithms for joint antenna selection and power allocation to maximize the spectral efficiency of the system The proposed procedures are suitable for array implementations with limited number of radio-frequency transceivers, while attaining low interconnection bandwidth and complexity, when compared with the reference methodsAbrão, Taufik [Orientador]Marinello Filho, José CarlosBarbon Junior, SylvioSouza, Richard DemoSouza, João Henrique Inacio de2024-05-01T12:13:15Z2024-05-01T12:13:15Z2021.0025.06.2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.uel.br/handle/123456789/9998porMestradoEngenharia ElétricaCentro de Tecnologia e UrbanismoPrograma de Pós-Graduação em Engenharia ElétricaLondrinareponame:Repositório Institucional da UELinstname:Universidade Estadual de Londrina (UEL)instacron:UELinfo:eu-repo/semantics/openAccess2024-07-12T04:19:54Zoai:repositorio.uel.br:123456789/9998Biblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2024-07-12T04:19:54Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)false
dc.title.none.fl_str_mv Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks
title Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks
spellingShingle Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks
Souza, João Henrique Inacio de
Engenharia elétrica
Sistemas de telecomunicação
Inteligência artificial
Electrical engineering
Telecommunications Systems
Artificial intelligence
title_short Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks
title_full Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks
title_fullStr Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks
title_full_unstemmed Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks
title_sort Artificial intelligence techniques to enable massive connectivity and XL-MIMO in the future wireless communication networks
author Souza, João Henrique Inacio de
author_facet Souza, João Henrique Inacio de
author_role author
dc.contributor.none.fl_str_mv Abrão, Taufik [Orientador]
Marinello Filho, José Carlos
Barbon Junior, Sylvio
Souza, Richard Demo
dc.contributor.author.fl_str_mv Souza, João Henrique Inacio de
dc.subject.por.fl_str_mv Engenharia elétrica
Sistemas de telecomunicação
Inteligência artificial
Electrical engineering
Telecommunications Systems
Artificial intelligence
topic Engenharia elétrica
Sistemas de telecomunicação
Inteligência artificial
Electrical engineering
Telecommunications Systems
Artificial intelligence
description Resumo: As redes de comunicação sem-fio enfrentam um aumento exponencial da demanda dos usúarios, além de um rápido crescimento no número de dispositivos conectados, impulsionado principalmente pela revolução da Internet das coisas Visando atender à segunda necessidade, as redes sem-fio da quinta geração (5G) implementação o serviço masssive machine-type communications (mMTC), projetado para fornecer conectividade massiva para dispositivos que possuem atividade esporádica, são equipados com hardware simples, e são alimentados por baterias de baixa capacidade Por outro lado, as crescentes demandas por maior capacidade e taxa de dados serão assistidas por estações rádio-base equipadas com transceptores de múltiplas antenas Atender a estes cenários é uma tarefa desafiadora devido à escassez de recursos de rádio combinada com as dificuldades técnicas enumeradas a seguir Os esquemas de acesso à rede convencionais são extremamente ineficientes ao lidar com grandes números de tentativas de conexão Ao mesmo tempo, estações rádio-base equipadas com grandes números de antenas apresentam gargalos de implementação decorrentes da alta largura de banda de interconexão e da complexidade computacional Considerando os desafios mencionados, nesta Dissertação de Mestrado nós investigamos protocolos de acesso aleatório e o transceptor extra-large scale massive MIMO (XL-MIMO) para viabilizar, respectivamente, a conectividade massiva no serviço mMTC e a implementação de transceptores de múltiplas antenas Adicionalmente, examinamos técnicas de inteligência artificial para projetar protocolos de acesso aleatório livres de concessão e algoritmos de alocação de recursos Nossas contribuições são enumeradas a seguir Propomos protocolos de acesso livres de concessão baseados nas redes neurais convolucionais que atingem alta performance com baixa complexidade computational na detecção de dispositivos ativos Ao mesmo tempo, elaboramos uma análise compreensiva dos protocolos de acesso livres de concessão disponíveis na literatura Em se tratando do transceptor XL-MIMO, propomos procedimentos distribuídos e centralizados baseando-se nos algoritmos genéticos para, conjuntamente, selecionar as antenas ativas e alocar potência visando maximizar a eficiência espectral do sistema Os procedimentos propostos são adequados para implementações com número limitado de transceptores de rádio-frequência, atingindo largura de banda de interconexão e complexidade computacional reduzidas, quando comparados com os métodos de referência
publishDate 2024
dc.date.none.fl_str_mv 2021.00
2024-05-01T12:13:15Z
2024-05-01T12:13:15Z
25.06.2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.uel.br/handle/123456789/9998
url https://repositorio.uel.br/handle/123456789/9998
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Mestrado
Engenharia Elétrica
Centro de Tecnologia e Urbanismo
Programa de Pós-Graduação em Engenharia Elétrica
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv Londrina
dc.source.none.fl_str_mv reponame:Repositório Institucional da UEL
instname:Universidade Estadual de Londrina (UEL)
instacron:UEL
instname_str Universidade Estadual de Londrina (UEL)
instacron_str UEL
institution UEL
reponame_str Repositório Institucional da UEL
collection Repositório Institucional da UEL
repository.name.fl_str_mv Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)
repository.mail.fl_str_mv bcuel@uel.br||
_version_ 1809823264602587136

Registros relacionados