Τεχνικές μηχανικής μάθησης για την αντιμετώπιση των φαινομένων διάδοσης σε δίκτυα οπτικών ινών

Τζήκας, Δημήτριος

dc.contributor.advisor	Bogris, Adonis
dc.contributor.author	Τζήκας, Δημήτριος
dc.date.accessioned	2023-02-23T14:22:32Z
dc.date.available	2023-02-23T14:22:32Z
dc.date.issued	2023-02-10
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/3735
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-3575
dc.description.abstract	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.	el
dc.format.extent	118	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Δίκτυα οπτικών ινών	el
dc.subject	Τεχνικές μηχανικής μάθησης	el
dc.subject	Μη γραμμικά φαινόμενα	el
dc.subject	Σύμφωνη μετάδοση	el
dc.subject	Συστήματα μετάδοσης	el
dc.subject	Νευρωνικά δίκτυα	el
dc.title	Τεχνικές μηχανικής μάθησης για την αντιμετώπιση των φαινομένων διάδοσης σε δίκτυα οπτικών ινών	el
dc.title.alternative	Machine learning techniques to deal with propagation phenomena in optical fiber networks	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el
dc.contributor.committee	Mamalis, Basilis
dc.contributor.committee	Ψαρράς, Νικόλαος
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.contributor.master	Επιστήμη και Τεχνολογία της Πληροφορικής και των Υπολογιστών	el
dc.description.abstracttranslated	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.	el

Files in this item

Name:: MCSE_20016.pdf
Size:: 5.270Mb
Format:: PDF

View/Open

This item appears in the following Collection(s)

Μεταπτυχιακές διπλωματικές εργασίες - Επιστήμη και Τεχνολογία της Πληροφορικής και των Υπολογιστών
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Επιστήμη και Τεχνολογία της Πληροφορικής και των Υπολογιστών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές