Classifica??o autom?tica de modula??es em receptores ?pticos coerentes flex?veis

• Ano de defesa: 2024
• Autor(a) principal: Pereira, Antonio Marcos da Costa
• Outros Autores: http://lattes.cnpq.br/9941123553292966, https://orcid.org/0000-0002-9335-0696
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de P?s-gradua??o em Engenharia El?trica
• Palavras-chave em Português: .; ENGENHARIAS: ENGENHARIA ELETRICA; Automatic Modulatoin Classification; Optical Networks; Random Forest; Multilayer Perceptron; Classifica??o Autom?tica de Modula??o; Redes ?pticas
• Link de acesso: https://tede.ufam.edu.br/handle/tede/10228

Para acompanhar o aumento na demanda por taxas de transmiss?o mais altas e melhorias na conectividade de internet, as pesquisas est?o se concentrando em m?todos eficazes para otimizar o uso de redes ?pticas. Tais estudos s?o fundamentais para desenvolver sistemas que possam, de forma aut?noma, coletar informa??es necess?rias para ajustar os par?metros de transmiss?o. Isso inclui escolher as modula??es adequadas para o meio de comunica??o, decidir entre uma transmiss?o em mono portadora ou m?ltiplas portadoras, e selecionar os algoritmos mais eficientes para regenerar e corrigir os sinais. Essas abordagens permitem que as redes se ajustem automaticamente para maximizar o desempenho e a efici?ncia sem interven??o humana direta. Neste contexto, esta disserta??o investiga como as t?cnicas de aprendizado de m?quina podem ser aplicadas para automatizar a configura??o de par?metros em sistemas de comunica??o ?ptica. Esse estudo visa melhorar a adaptabilidade e efici?ncia desses sistemas, permitindo que ajustem suas configura??es de forma aut?noma com base nas informa??es adquiridas, otimizando assim a transmiss?o de dados. Focando em receptores ?pticos coerentes flex?veis, o estudo visa aprimorar a efici?ncia e adaptabilidade destes sistemas ao automatizar o processo de classifica??o do tipo de modula??o e predi??o do valor de OSNR, elementos cruciais para otimiza??o do desempenho e confiabilidade na transmiss?o de dados ?pticos. Para isso, utiliza-se um setup back-to-back entre um transmissor e receptor simulados, gerando 76.800 sinais com modula??es DP-BPSK, DP-QPSK, DP-8PSK, DP-16QAM, DP-32QAM e DP-64QAM em um total de 51 n?veis diferentes de OSNR. Os algoritmos ensemble AdaBoost, ?rvore de Decis?o cart, Gradient Boosting, Random Forest e a rede neural Perceptron Multicamada s?o empregados para classificar modula??es e predi??o do valor de OSNR. Os resultados mostram acur?cias superiores a 99% para classifica??o de modula??o e predi??o da OSNR com faixa de erro de ?0,5 dB/0,1 nm com o modelo Perceptron Multicamada, demonstrando a viabilidade e efic?cia da abordagem proposta.