Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/36787| Título: | Mitigação do crosstalk e das não linearidades em modulações por troca de cores utilizando redes neurais |
| Título(s) alternativo(s): | Mitigation of crosstalk and nonlinearities in color shift keying using neural networks |
| Autor(es): | Horst, Pedro Henrique |
| Orientador(es): | Souza, Álvaro Ricieri Castro e |
| Palavras-chave: | Redes neurais (Computação) Inteligência artificial Aprendizado do computador Lâmpadas LED Neural networks (Computer science) Artificial intelligence Machine learning LED lamps |
| Data do documento: | 27-Fev-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Toledo |
| Citação: | HORST, Pedro Henrique. Mitigação do crosstalk e das não linearidades em modulações por troca de cores utilizando redes neurais. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Tecnológica Federal do Paraná, Toledo, 2025. |
| Resumo: | O aumento significativo de dispositivos conectados, sobrecarregando a infraestrutura de Wi-Fi, conhecido como Wi-Fi Spectrum Crunch, tem sido um desafio emergente. Em resposta a essa crescente demanda, uma solução para essa questão é o desenvolvimento da comunicação por luz visível. Esta alternativa utiliza o espectro visível para a transmissão eficiente de dados, especialmente por meio de lâmpadas de LED. No entanto, a tecnologia que utiliza luz visível enfrenta alguns desafios, como as não linearidades dos LEDs transmissores, interferências, ruídos, entre outros. Para mitigar esses empecilhos, podem ser utilizados diversos métodos de aprendizado de máquina, sendo um deles as redes neurais artificiais. Desta forma, este trabalho modela o canal de luz visível para esquemas de modulação por troca de cores, utilizando a matriz de informações de estado do canal que inclui interferência de crosstalk, assim como todas as componentes de ruído aditivo. Além disso, a pesquisa implementa redes neurais do tipo Feedforward e realiza o ajuste de seus parâmetros buscando um modelo mais eficiente. Essa rede pode ser treinada de maneira eficaz para mitigar problemas inerentes ao canal e à transmissão. A avaliação de desempenho, por sua vez, considerou métricas cruciais como a taxa de acurácia em diversas relações de potência entre sinal-ruído e a acurácia média dos níveis de potência entre sinal-ruído intermediários. Os resultados alcançados com os testes e ajustes demonstraram uma eficácia maior das Redes Neurais Artificiais (RNAs) em decodificar as transmissões Color Shift Keying (CSK) em comparação aos métodos tradicionais, mostrando assim que a acurácia elevada dos modelos os torna um possível caminho para o futuro da comunicação por luz visível. Portanto, este estudo contribuiu para o avanço da comunicação por luz visível, integrando a modulação por troca de cores e redes neurais artificiais para aprimorar a recepção e decodificação do sinal. Ao oferecer uma solução inovadora e eficiente para os atuais desafios na transferência de dados, a pesquisa buscou promover a eficácia das comunicações ópticas e proporcionar percepções valiosas para o desenvolvimento futuro dessa área que tem se demonstrada promissora. |
| Abstract: | The significant increase in connected devices, overloading Wi-Fi infrastructure, known as the Wi-Fi Spectrum Crunch, has become an emerging challenge. In response to this growing demand, a solution to this issue is the development of visible light communication. This alternative utilizes the visible spectrum for efficient data transmission, especially through LED lamps. However, the technology that uses visible light faces some challenges, such as the nonlinearities of the transmitting LEDs, interference, noise, among others. To mitigate these obstacles, various machine learning methods can be employed, one of which is artificial neural networks. Therefore, this work models the visible light channel for color shift keying modulation schemes, using the channel state information matrix that includes crosstalk interference, as well as all components of additive noise. Additionally, the research implements Feedforward neural networks and adjust their parameters to achieve a more efficient model. This network can be effectively trained to mitigate inherent channel and transmission problems. Performance evaluation, in turn, considers crucial metrics such as the accuracy rate at various signal-to-noise power ratios and the average accuracy of intermediate signal-to-noise power levels. The results achieved through tests and adjustments demonstrated greater efficacy of Artificial Neural Networks in decoding Color Shift Keying transmissions compared to traditional methods, thus showing that the high accuracy of the models makes them a possible path for the future of visible light communication. Therefore, this study contributed to the advancement of visible light communication by integrating color shift keying modulation and artificial neural networks to improve signal reception and decoding. By offering an innovative and efficient solution to the current challenges in data transfer, the research sought to promote the effectiveness of optical communications and provide valuable insights for the future development of this promising area. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/36787 |
| Aparece nas coleções: | TD - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| mitigacaocrosstalkmodulacoestroca.pdf | 5,28 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
