Utilize este identificador para citar ou criar um atalho para este documento: http://hdl.handle.net/10923/14935
Tipo: masterThesis
Título: Beamforming with phase transmittance complex valued RBF neural network for static and dynamic systems
Autor(es): Enriconi, Mateus Prauchner
Orientador: Castro, Fernando César Comparsi de
Editora: Pontifícia Universidade Católica do Rio Grande do Sul
Programa: Programa de Pós-Graduação em Engenharia Elétrica
Data de Publicação: 2018
Palavras-chave: ANTENAS (ELETRÔNICA)
COMUNICAÇÕES SEM FIO
ENGENHARIA ELÉTRICA
Resumo: Em um mundo de crescente demanda por dados e com um espectro limitado, sistemas de comunicações sem fio operam cada vez mais em condições dinâmicas, não apenas em relação às informações de tráfego, mas também em relação às condições variáveis no canal de propagação que transmite as informações entre transmissor (TX) e o receptor (RX). Neste contexto, TX e RX precisam adaptar dinamicamente seus parâmetros operacionais em prol da máxima eficiência na transmissão de dados. Antenas inteligentes e técnicas de beamforming desempenham um papel fundamental neste ambiente operacional dinâmico. Distribuídas em arranjos e com operação alicerçada em sistemas adaptativos, tais antenas podem gerar qualquer diagrama de irradiação quando utilizados um número suficiente de irradiadores eletromagnéticos. Este trabalho propõe a implementação de uma nova técnica de beamforming baseada em uma rede neural artificial de base radial complexa com transmitância de fase (PT-RBF) entre os nós de entrada e saída da rede. A PT-RBF é capaz de ajustar de forma adaptativa o diagrama de irradiação de uma antena inteligente através de aprendizado baseado no algoritmo steepest descent. A nova técnica de beamforming proposta apresenta resultados significativamente superiores em comparação com o estado da arte, possibilitando links de comunicação em cenários estáticos em redes auto organizáveis e em cenários dinâmicos em acessos em movimento, ambos com múltiplas interferências, maximizando assim o throughput de dados e a eficiência do uso do espectro.
In a world of insatiable demand for data, in a limited spectrum environment, wireless communications are increasingly operating under dynamic conditions, not only regarding information traffic parameters but also regarding the time varying conditions on the propagation channel that conveys the information between the transmitter (TX) and the receiver (RX). In this context, TX and RX need dynamically to adapt its operational parameters in order to obtain maximum data transmission efficiency. Smart antennas and beamforming techniques have an essential role on this dynamic operational environment. Such antennas are arranged on arrays and are based on adaptive systems, making them capable of generating any radiation pattern when the array comprises a sufficient number of electromagnetic irradiators. This thesis proposes the implementation of a novel beamforming technique, based on a complex radial basis function artificial neural network which presents phase transmittance between the input nodes and the output node (PT-RBF). The PT-RBF is capable of adaptively adjusting the radiation pattern of a smart antenna through a learning process based on the steepest descent algorithm. The proposed beamforming technique presents significantly superior results when compared with state-of-the-art algorithms presented in literature, making it possible to operate communication links under static scenarios on self-organizing wireless networks, and in dynamic scenarios with access in motion, both with multiple interferences, thus maximizing the throughput and the spectrum efficiency.
URI: http://hdl.handle.net/10923/14935
Aparece nas Coleções:Dissertação e Tese

Arquivos neste item:
Arquivo Descrição TamanhoFormato 
000494055-Texto+Completo-0.pdfTexto Completo13,37 MBAdobe PDFAbrir
Exibir


Todos os itens no Repositório da PUCRS estão protegidos por copyright, com todos os direitos reservados, e estão licenciados com uma Licença Creative Commons - Atribuição-NãoComercial 4.0 Internacional. Saiba mais.