Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/22068
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2018_MarianaRodriguesMakiuchi_tcc.pdf3,39 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorLamar, Marcus Vinicius-
dc.contributor.authorMakiuchi, Mariana Rodrigues-
dc.identifier.citationMAKIUCHI, Mariana Rodrigues. Desenvolvimento de rede neural artificial recorrente em FPGA para previsão online de oportunidades em transmissões oportunísticas em redes de comunicação wireless. 2018. 81 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecatrônica)—Universidade de Brasília, Brasília, 2018.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Curso de Graduação em Engenharia de Controle e Automação, 2018.pt_BR
dc.description.abstractA popularização do uso de dispositivos móveis com acesso a redes sem fio e a atual conjuntura de alocação estática do espectro eletromagnético são provavelmente as principais causas da escassez desse recurso. Para evitar o congestionamento em algumas faixas de frequência e promover o uso uniforme do espectro, vários pesquisadores e instituições estão considerando tornar o acesso dinâmico ao espectro uma realidade. Entretanto, um dos maiores desafios da mudança de política de acesso é o desenvolvimento de uma tecnologia capaz de identificar corretamente, em tempo real, oportunidades de transmissão. Neste contexto, este trabalho propõe um sistema em FPGA baseado em redes neurais recorrentes do tipo Elman para realizar o processamento de sinais eletromagnéticos capturados por um rádio definido por software e identificar oportunidades de transmissão a partir deles. Além disso, este trabalho apresenta metodologias para tornar a rede neural adaptável. Diversos experimentos foram realizados para avaliar o sistema descrito em hardware em termos de demanda por recursos computacionais, tempo de processamento e precisão de resultados. A partir desses experimentos, foi possível observar que, em relação ao mesmo sistema definido em software, o tempo de processamento do sistema descrito em hardware é cerca de 7,4 vezes mais rápido, mas seus resultados apresentaram um erro máximo de 24,4% quando comparado ao sistema em software, que, apesar de ser um valor considerável, não é suficiente para interferir na identificação de oportunidades realizada pelo sistema.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordProcessamento de sinais - técnicas digitaispt_BR
dc.titleDesenvolvimento de rede neural artificial recorrente em FPGA para previsão online de oportunidades em transmissões oportunísticas em redes de comunicação wirelesspt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2019-05-30T15:34:04Z-
dc.date.available2019-05-30T15:34:04Z-
dc.date.submitted2018-12-
dc.identifier.urihttp://bdm.unb.br/handle/10483/22068-
dc.language.isoPortuguêspt_BR
dc.description.abstract1The popularization of the usage of mobile devices with access to wireless networks and the current conjuncture of static spectrum allocation are probably the main causes of spectrum scarcity. In order to avoid the congestion in some of the frequency bands and to grant the uniformed usage of the spectrum, many researchers and institutions consider making the dynamic access to the spectrum a reality. However, one of the greatest challenges of changing the access policy is the development of a technology capable of correctly identifying, in real time, transmission opportunities. In this context, this work proposes a system in FPGA based on Elman recurrent neural networks to execute the processing of electromagnetic signals acquired by a software defined radio and to identify transmission opportunities from these signals. Moreover, this work presents methodologies to make the network adaptable. Several experiments were conducted to evaluate the system described in hardware in terms of computational resources, processing time and results’ precision. From these experiments, it was possible to prove that, compared to the same system defined in software, the processing time of the system described in hardware is about 7.4 times faster, but its results have a maximum error of 24.4% when compared to the system defined in software, which, despite being a substantial quantity, it is not enough to interfere in the opportunities identification provided by the system.pt_BR
Aparece na Coleção:Engenharia Mecatrônica



Este item está licenciado na Licença Creative Commons Creative Commons