Otimização convexa e heurística em detectores MIMO-OFDM e MIMO em larga escala : desempenho e complexidade

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Engenharia Elétricapt_BR
dataload.filenamenourau6905.pdfpt_BR
dataload.handlemapped123456789/208pt_BR
dataload.idpergamum189528pt_BR
dataload.idvirtuanourauvtls000229291pt_BR
dataload.idvirtuapergamumvtls000229291pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000229291pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000229291pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorAbrão, Taufik [Orientador]pt_BR
dc.contributor.authorFukuda, Rafael Masashipt_BR
dc.contributor.bancaMarinello Filho, José Carlospt_BR
dc.contributor.bancaScalassara, Paulo Rogériopt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T15:17:10Z
dc.date.available2024-05-01T15:17:10Z
dc.date.created2019.00pt_BR
dc.date.defesa29.03.2019pt_BR
dc.description.abstractResumo: A detecção é uma etapa importante durante a recuperação da informação transmitida no lado do receptor Porém, a solução ótima Maximum-Likelihood (ML) verifica todas as combinações possíveis (solução por força bruta) para encontrar o vetor solução resultando em alta complexidade computacional sendo pouco adequada para aplicações práticas Nessa Dissertação de Mestrado, duas abordagens são consideradas buscando melhorar o compromisso entre complexidade e desempenho: os algoritmos heurísticos e a otimização convexa O primeiro trabalho é focado na aplicação de duas técnicas heurísticas evolutivas chamadas Particle Swarm Optimization (PSO) e Differential Evolution (DE) na detecção em sistemas Multiple Input Multiple Output combinados com Orthogonal Frequency Dvision Multiplexing (MIMO-OFDM) em cenários com correlação espacial entre as antenas, sendo a performance dos detectores e a complexidade computacional são caracterizadas O segundo trabalho é uma extensão do primeiro e aborda a utilização de detectores híbridos que são uma combinação entre detectores lineares com os algoritmos heurísticos Com os detectores híbridos, a convergência dos algoritmos é acelerada e, consequentemente, a complexidade computacional é reduzida substancialmente, enquanto mantém performance similar aos detectores heurísticos puros utilizando o PSO e DE No terceiro trabalho, o framework de otimização convexa é considerado no contexto de sistemas Massive MIMO (MMIMO) com grande número de antenas O trabalho é dividido em duas partes principais Na primeira, foram considerados detectores formulados como Linear Programming (LP) e Quadratic Programming (QP) e Semidefinite Programming (SDP) analisados em cenários realistas considerando erro na estimativa do canal, correlação espacial, carregamento do sistema e diferentes ordens de modulação Na segunda parte, a utilização de algoritmos projetados é proposta para resolver o detector formulado como QP, a complexidade computacional dos algoritmos é caracterizada em termos de Floating Point Operations (flops), e a influência de características específicas do sistema M-MIMO, particularmente o channel hardening), na redução do número de iterações dos algoritmos projetados é ilustrada através de simulações numéricaspt_BR
dc.description.abstractother1Abstract: The detection task is a crucial and demanding step in order to correctly recover the transmitted information on the receiver side in the presence of interference from the other antennas However, the Maximum-Likelihood (ML) detector, which is the optimal solution, checks all the possible combinations (brute-force solution) in order to find the best solution vector and due to its high computational complexity, it is unsuitable for practical applications In this Dissertation, two different approaches are considered aiming to improve the performance complexity trade-off: heuristic algorithms and convex optimization The first work investigates the application of two different evolutionary heuristics namely Particle Swarm Optimization (PSO) and Differential Evolution (DE) in detection considering a Multiple Input Multiple Output Orthogonal Frequency Division Multiplexing system (MIMO-OFDM) operating under spatial correlation between antennas The performance of the algorithm and its computational complexity are characterized The second work extends the first considering hybrid detectors, which is a combination of linear and heuristic detectors aiming to reduce the number of iterations, hence reducing the computational complexity, while providing similar performance compared with PSO and DE detectors In the third work, the convex optimization framework is considered in a Massive MIMO (M-MIMO) scenario with large number of antennas The work is divided in two main parts In the first part, detectors are formulated as Linear Programming (LP), Quadratic Programming (QP) and Semidefinite Programming (SDP) are evaluated numerically in realistic scenarios considering error in the channel estimate, spatial correlation, system loading and different modulation orders In the second part, projected algorithms are considered to solve the detector formulated as a QP, the computational complexity further characterized in terms of FloatingPoint Operation (flops) and the influence of specific characteristics of the M-MIMO system, particularly the channel hardening, in the reduction of the number of iterations in the projected algorithms are illustrated through numerical simulationspt_BR
dc.description.notesDissertação (Mestrado em Engenharia Elétrica) - Universidade Estadual de Londrina, Centro de Tecnologia e Urbanismo, Programa de Pós-Graduação em Engenharia Elétricapt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/16948
dc.languagepor
dc.relation.coursedegreeMestradopt_BR
dc.relation.coursenameEngenharia Elétricapt_BR
dc.relation.departamentCentro de Tecnologia e Urbanismopt_BR
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.subjectSistemas de telecomunicaçãopt_BR
dc.subjectDetectorespt_BR
dc.subjectHeurísticapt_BR
dc.subjectSistemas em larga escalapt_BR
dc.subjectCommunication systemspt_BR
dc.subjectDetectorspt_BR
dc.subjectHeuristicpt_BR
dc.subjectLarge scale systemspt_BR
dc.titleOtimização convexa e heurística em detectores MIMO-OFDM e MIMO em larga escala : desempenho e complexidadept_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
6905.pdf
Tamanho:
3.61 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Engenharia Elétrica