Μηχανική μάθηση σε ασύρματα δίκτυα 5G
Μηχανική μάθηση σε ασύρματα δίκτυα 5G
| datacite.rights | http://purl.org/coar/access_right/c_abf2 | el |
| dc.contributor.author | Αγγιστριώτης, Νικόλαος | |
| dc.contributor.other | Angistriotis, Nikolaos | |
| dc.date.accessioned | 2020-10-21T11:26:22Z | |
| dc.date.available | 2020-10-21T11:26:22Z | |
| dc.date.copyright | 2020-10-13 | |
| dc.degree | graduateThesis | el |
| dc.description.abstract | Είναι γνωστό πλέον ότι η εποχή που διανύουμε χαρακτηρίζεται από συνεχή τεχνολογική ανάπτυξη των ασύρματων και κινητών επικοινωνιών. Τα 5G δίκτυα που θα εγκαθιδρυθούν θα είναι υπερπυκνά και ετερογενή με πολλά σημεία πρόσβασης και θα προσφέρουν τρομερές παροχές. Μεταξύ άλλων, είναι ο βελτιωμένος ρυθμός μετάδοσης δεδομένων και η αυξημένη χωρητικότητα του δικτύου, καθώς και η δυνατότητα σύνδεσης και εξυπηρέτησης πολλών χρηστών με αυξημένες απαιτήσεις σε ταχύτητες. Παράλληλα, τα τελευταία χρόνια γίνεται χρήση της Μηχανικής Μάθησης, που με τις δυνατότητες και τις μεθόδους που προσφέρει, μπορεί να χρησιμοποιηθεί στη μελέτη για τη βελτίωση της αποδόσης των 5G δικτύων. Σκοπός αυτής της διπλωματικής εργασίας, είναι η μελέτη ενός πυκνού ετερογενούς 5G δικτύου με πολλούς χρήστες, ως προς την αποδοτική διαχείριση συχνοτικών πόρων με γνώμονα την μείωση των παρεμβολών και την αύξηση της φασματικής απόδοσης. Η μελέτη αυτή θα γίνει με πρόβλεψη της κίνησης των χρηστών στο δίκτυο και της συγκέντρωσης τους στα macrocells, με τη βοήθεια στατιστικών τεχνικών Μηχανικής Μάθησης, με σκοπό τη βελτίωση των ταχυτήτων σύνδεσης και του ποσοστού συνδεσιμότητας των χρηστών στο δίκτυο. | el |
| dc.description.translatedabstract | It is well known that the era we are going through is characterized by the enormous technological evolution of the wireless and mobile communications. The 5G networks, which will be established will be ultra-dense ane heterogeneous with many access points and will offer great services. Among others, they will provide improved data rates and increased network capacity, as well as the ability to the increasing number of users with great data rate demands to be connected to them. At the same time, the use of Machine Learning is very popular and offers many advanced techniques, which can be used for the performance improvement of 5G networks. The purpose of this thesis is to study an ultra dense heterogeneous 5G network with many users, in terms of efficient resource allocation, as far as the decrease of interference and the improvement of the spectral efficiency of the network is concerned. This study will be done by predicting the movement of the users in the network and their concentration in macrocells, by using statistical Machine Learning techniques, in order to enhance the data rates and the percentage of users connectivity to the network. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/14047 | |
| dc.language.iso | gr | el |
| dc.subject | Δίκτυα 5ης γενιάς | el |
| dc.subject | Μακροκυψέλες | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Πρόβλεψη | el |
| dc.subject.alternative | 5G networks | el |
| dc.subject.alternative | Macrocells | el |
| dc.subject.alternative | Machine learning | el |
| dc.subject.alternative | Prediction | el |
| dc.title | Μηχανική μάθηση σε ασύρματα δίκτυα 5G | el |
| dc.title.alternative | Machine learning in wireless 5G networks | el |
| oaire.licenseCondition | null | el |