DEFESA DE DISSERTAÇÃO DE MESTRADO 304

Aluno: Guilherme Carvalho Pereira

Título: “Comparação de Técnicas de Aprendizado de Máquina para Equalização em Sistemas Rádio sobre Fibra"

Orientador: Carmelo José Albanez Bastos Filho

Coorientador: Arismar Cerqueira Sodré Junior (INATEL)

Examinador Externo 1: Aldebaro Barreto da R. Klautau Júnior (UFPA)

Examinador Externo 2: Hugo Valadares Siqueira (UTFPR)

Data-hora: 29 de Julho de 2024, às 14:30.
Local: Formato Remoto.

Resumo:

"Este trabalho investiga e propõe melhorias nas técnicas de aprendizado de máquina para compensar as não-linearidades em sistemas de comunicação sem fio de quinta geração (5G) baseados em Rádio sobre Fibra (RoF). As redes RoF combinam a alta largura de banda dos sistemas ópticos com a flexibilidade das transmissões sem fio, enfrentando o desafio das distorções não-lineares no sinal modulado. Avaliamos três abordagens de aprendizado de máquina aplicadas a sistemas de Multiplexação por Divisão de Frequência Ortogonal (OFDM): vetores de suporte, árvores de regressão e redes neurais artificiais. O desempenho dessas técnicas foi avaliado usando as métricas de erro quadrático médio (MSE) e densidade espectral de potência (PSD). Os resultados indicam que o modelo de redes neurais artificiais superou as outras técnicas, alcançando uma redução significativa no MSE e demonstrando sua superior capacidade de modelar e corrigir as distorções não-lineares de maneira eficaz. Além disso, as redes neurais artificiais mantiveram a complexidade computacional baixa, tornando-as atraentes para implementações em larga escala. Este trabalho também apresenta uma técnica de treinamento híbrido que combina dados simulados e reais para treinar modelos de aprendizado de máquina destinados à linearização de sinais. Os resultados demonstram que essa abordagem híbrida supera significativamente os modelos treinados apenas com dados sintéticos e atinge um desempenho comparável aos treinados somente com dados reais. Este estudo destaca o potencial de integrar dados sintéticos e reais no treinamento de modelos de redes neurais artificiais para sistemas RoF, oferecendo uma solução prática e eficaz para a melhoria da linearização de sinais. Trabalhos futuros incluirão a otimização dessa técnica e sua aplicação em outros cenários desafiadores nos sistemas de comunicação óptica."