Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
OLIVEIRA, Ailton Pinto de
 |
| Orientador(a): |
KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha
|
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Pará
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
| Departamento: |
Instituto de Tecnologia
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufpa.br/jspui/handle/2011/16772
|
Resumo: |
ste trabalho explora a aplicação de aprendizado de máquina para aprimorar o rastreamento de feixes em comunicações 6G MIMO Vehicle-to-Infrastructure (V2I). O rastreamento de feixes, essencial para sustentar conexões mmWave confiáveis, continua desafiador devido à alta mobilidade dos ambientes veiculares e à sobrecarga significativa associada à formação de feixes MIMO de ondas milimétricas. Embora a seleção de feixes tenha sido amplamente estudada, o rastreamento de feixes baseado em ML é relativamente pouco explorado, em grande parte devido à escassez de conjuntos de dados abrangentes. Para preencher essa lacuna, este estudo apresenta um novo conjunto de dados multimodais públicos, projetado de acordo com os requisitos do 3GPP, que combina dados de canal sem fio com informações de sensores multimodais. Este conjunto de dados oferece suporte à avaliação de algoritmos avançados de fusão de dados especificamente adaptados para cenários V2I. Além disso, uma arquitetura de rede neural recorrente (RNN) personalizada é proposta como uma solução robusta para rastreamento de feixes eficaz, aproveitando dados temporais e multimodais para abordar os desafios das comunicações veiculares dinâmicas. |
