Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/42018
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2021_LucasBaiãoPires.pdf4,31 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorMenezes, Leonardo Rodrigues Araújo Xavier de-
dc.contributor.authorPires, Lucas Baião-
dc.date.accessioned2021-09-03T12:26:00Z-
dc.date.available2021-09-03T12:26:00Z-
dc.date.issued2021-09-03-
dc.date.submitted2021-06-28-
dc.identifier.citationPIRES, Lucas Baião. Deep reinforcement learning applied to power control in D2D communications. 2021. 101 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2021.pt_BR
dc.identifier.urihttps://repositorio.unb.br/handle/10482/42018-
dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2021.pt_BR
dc.description.abstractO rápido avanço da digitalização do mundo, juntamente com as novas aplicações e serviços suportados pelo 5G, trazem a necessidade de se aumentar a eficiência espectral dos sistemas de comunicações móveis. Uma das propostas para atingir este objetivo, e também habilitar diversas aplicações da Indústria 4.0, são as comunicações D2D. Neste trabalho, são apresentados estudos sobre a viabilidade e desempenho de técnicas de aprendizagem por reforço no controle de potência de dispositivos nas comunicações D2D. A fim de obter soluções mais adaptativas, e capazes de aprender com o ambiente em que atuam, optou-se por explorar técnicas de aprendizagem por reforço, que são parte da família de algoritmos de aprendizagem de máquina, e que são capazes de encontrar soluções para diversos problemas utilizando experiências adquiridas, sem a necessidade de uma base de dados anterior ao processo de treinamento. Neste trabalho, exploraram-se duas técnicas de ações discretas, que seguem diferentes paradigmas, e uma técnica de ações contínuas. Para cada uma delas, são discorridas as teorias que as compõem, bem como os processos de decisão markovianos desenvolvidos para a implementação destas. Os desempenhos das soluções são avaliados e comparados entre si, bem como a capacidade de adaptação de cada uma das soluções. Os resultados foram obtidos por meio de um simulador computacional de interferências, desenvolvido ao longo do trabalho. As principais contribuições deste trabalho são as proposições de algoritmos baseados em aprendizagem profunda por reforço para o aumento da eficiência espectral do sistema, juntamente com a satisfação dos requisitos de qualidade de serviço do usuário primário, por meio do controle de potência de transmissão na comunicação D2D no modo inband underlay. Além disso, são feitas diversas análises dos algoritmos propostos, para entendimento do comportamento dessas soluções.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).pt_BR
dc.language.isoInglêspt_BR
dc.rightsAcesso Abertopt_BR
dc.titleDeep reinforcement learning applied to power control in D2D communicationspt_BR
dc.title.alternativeAprendizagem por reforço profunda aplicada ao controle de potência nas comunicações D2Dpt_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordAprendizagem por reforçopt_BR
dc.subject.keywordComunicação D2Dpt_BR
dc.subject.keywordAprendizagem profundapt_BR
dc.subject.keyword5Gpt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.pt_BR
dc.description.abstract1The fast digitalization advancement in the world, along with the new applications and services supported by 5G, brings the need to increase the spectral efficiency for the mobile communications systems. One of the propositions for helping achieve this goal, and enabling diverse applications in Industry 4.0, is D2D communications. This work presents studies on the performance and the viability of reinforcement learning techniques applied to device power control in D2D communication. In order to achieve more adaptable solutions, and capable of learning with the environment they act upon, it was opted on exploring reinforcement learning techniques, which are members of the machine learning algorithms family, and are able to find solutions, for diverse problems, using acquired experiences, without requiring a database, prior to the training. In this work, two discrete-action techniques were explored, which are based upon different paradigms, and one continuous-action technique. For each one of them, it was presented their fundamental theories, as well as the developed markovian processes for their implementation. The solutions' performances are evaluated, along with their adaptation capacities. The results were obtained through a computational interferences simulator, developed throughout this work. The main contributions from this work are the proposed deep reinforcement learning- based algorithms for enhancing the system spectral efficiency, while satisfying the primary user QoS requirements, through the transmit power control in inband underlay D2D communication. Furthermore, this work provides in-depth analysis on the proposed algorithms, for a better understanding on the solutions' behaviours.pt_BR
dc.contributor.emaillucasbaiao@gmail.compt_BR
dc.description.unidadeFaculdade de Tecnologia (FT)pt_BR
dc.description.unidadeDepartamento de Engenharia Elétrica (FT ENE)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Engenharia Elétricapt_BR
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.