Τεχνικές μηχανικής μάθησης για την αντιμετώπιση των φαινομένων διάδοσης σε δίκτυα οπτικών ινών
Machine learning techniques to deal with propagation phenomena in optical fiber networks
Λέξεις-κλειδιά
Δίκτυα οπτικών ινών ; Τεχνικές μηχανικής μάθησης ; Μη γραμμικά φαινόμενα ; Σύμφωνη μετάδοση ; Συστήματα μετάδοσης ; Νευρωνικά δίκτυαΠερίληψη
Στη σημερινή εποχή τα δίκτυα τηλεπικοινωνιών αποτελούν πηγές μεγάλης
ποσότητας ετερογενών δεδομένων, όπως για παράδειγμα δεδομένα για επιλογή των
κατάλληλων μονοπατιών κίνησης στο δίκτυο, ειδοποιήσεις δικτύου, δείκτες
ποιότητας σήματος και δεδομένα συμπεριφοράς χρήστη. Για το λόγο αυτό, κρίνεται
απαραίτητο να εκπαιδεύονται και να χρησιμοποιούνται προηγμένες μαθηματικές
προσεγγίσεις που να επεξεργάζονται το σύνολο των εισαγώμενων δεδομένων με
σκοπό την εξαγωγή χρήσιμων πληροφοριών και συμπερασμάτων προκειμένου οι
αποφάσεις που θα ληφθούν να οδηγήσουν στην σωστή λειτουργία των δικτύων. Η
εφαρμογή τεχνικών μηχανικής μάθησης αποτελεί ένα σημαντικό και πολλά
υποσχόμενο εργαλείο για την καλύτερη ανάλυση δεδομένων του δικτύου.
Η τεράστια αύξηση της πολυπλοκότητας στα δίκτυα οπτικών επικοινωνιών
τα τελευταία χρόνια, έχει οδηγήσει τους διάφορους ερευνητές και επιστήμονες στην
αυξημένη υιοθέτηση τεχνικών μηχανικής μάθησης. Η συγκεκριμένη αύξηση στην
πολυπλοκότητα οφείλεται στην εισαγωγή του μεγάλου αριθμού ρυθμιζόμενων και
αλληλεξαρτώμενων παραμέτρων του συστήματος όπως για παράδειγμα ρυθμίσεων
δρομολόγησης, τρόπων διαμόρφωσης, ρυθμού συμβόλων και σχημάτων
κωδικοποίησης, τα οποία ενεργοποιούνται από τη χρήση συνεκτικών τεχνολογιών
μετάδοσης και λήψης, προηγμένης επεξεργασίας ψηφιακού σήματος και
αντιστάθμισης μη γραμμικών φαινομένων διάδοσης σε δίκτυα οπτικών ινών.
Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η διερεύνηση
σύγχρονων τεχνικών μηχανικής και βαθιάς μάθησης για την αντιμετώπιση των μη-
γραμμικών και γραμμικών φαινομένων μετάδοσης. Ο κεντρικός άξονας της εργασίας
αυτής αφορά τη βιβλιογραφική έρευνα για τις σύγχρονες τεχνικές μηχανικής
μάθησης που αξιοποιούνται σε συστήματα άμεσης και ομόδυνης φώρασης με σκοπό
να περιοριστούν ή και να εξαλειφθούν τα μη γραμμικά φαινόμενα.
Περίληψη
Nowadays, telecommunication networks are sources of a large amount of
heterogeneous data, such as for example data for the selection of appropriate
network movement paths, network alerts, signal quality indicators and user behavior
data. For this reason, it is considered necessary to train and use advanced
mathematical approaches that process all the input data in order to extract useful
information and conclusions in order for the decisions to be made to lead to the
correct operation of the networks. The application of machine learning techniques is
an important and promising tool for better network data analysis.
The enormous increase of complexity in optical communication networks in
recent years has led various researchers and scientists to the increased adoption of
machine learning techniques. This particular increase in complexity is due to the
introduction of a large number of configurable and interdependent system
parameters such as routing settings, modulation modes, symbol rates and coding
schemes, enabled by the use of coherent transmission and reception technologies,
advanced digital signal processing and compensation of non-linear propagation
effects in fiber optic networks.
The subject of this thesis is the investigation of modern engineering and deep
learning techniques to deal with non-linear and linear transmission phenomena. The
central axis of this work concerns the bibliographic research on modern machine
learning techniques that are used in direct and homogeneous feed systems in order
to limit or even eliminate non-linear effects.
Αριθμός σελίδων
118Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Πληροφορικής και ΥπολογιστώνΤίτλος Προγράμματος Μεταπτυχιακών Σπουδών
Επιστήμη και Τεχνολογία της Πληροφορικής και των ΥπολογιστώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές