Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM

Este artículo presenta un estudio comparativo de diferentes enfoques para la detección de símbolos en sistemas de modulación 16QAM. Se implementa y evalúa un modelo teórico basado en el teorema de Bayes, estableciendo regiones de decisión para la detección de símbolos. Además, se comparan estas técn...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Eichhorn, Nicolás, Cuenya, Guillermo, De Yong, David, Durigutti, Julián
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2024
Materias:
Ciencias Informáticas
Detección de símbolos
Modulación
Comunicaciones Digitales
Teorema de Bayes
Redes neuronales
K-Nearest Neighbors (KNN)
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/176867
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-176867
record_format dspace
spelling I19-R120-10915-1768672025-02-24T20:03:46Z http://sedici.unlp.edu.ar/handle/10915/176867 Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM Eichhorn, Nicolás Cuenya, Guillermo De Yong, David Durigutti, Julián 2024-10 2024 2025-02-24T17:23:24Z es Ciencias Informáticas Detección de símbolos Modulación Comunicaciones Digitales Teorema de Bayes Redes neuronales K-Nearest Neighbors (KNN) Este artículo presenta un estudio comparativo de diferentes enfoques para la detección de símbolos en sistemas de modulación 16QAM. Se implementa y evalúa un modelo teórico basado en el teorema de Bayes, estableciendo regiones de decisión para la detección de símbolos. Además, se comparan estas técnicas tradicionales con métodos de Aprendizaje Automático, específicamente Redes Neuronales Artificiales (ANN) y el algoritmo de Vecinos más Cercano (KNN). El desempeño de cada enfoque se analiza en términos de la relación señal a ruido por bit (Eb/N0) y el retardo de procesamiento para la toma de una decisión. Los experimentos se realizan en un entorno de simulación para la obtención de señales sintéticas contaminadas con ruido aditivo blanco gaussiano (AWGN). Para la obtención de los resultados se desarrollan diferentes escenarios empleando Python como lenguaje de programación. Los resultados indican que las técnicas de Aprendizaje Automático superan a los métodos tradicionales en términos de precisión y eficiencia en la detección de símbolos, destacando una menor probabilidad de error de bit. Red de Universidades con Carreras en Informática Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 1108-1117
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Detección de símbolos
Modulación
Comunicaciones Digitales
Teorema de Bayes
Redes neuronales
K-Nearest Neighbors (KNN)
spellingShingle Ciencias Informáticas
Detección de símbolos
Modulación
Comunicaciones Digitales
Teorema de Bayes
Redes neuronales
K-Nearest Neighbors (KNN)
Eichhorn, Nicolás
Cuenya, Guillermo
De Yong, David
Durigutti, Julián
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM
topic_facet Ciencias Informáticas
Detección de símbolos
Modulación
Comunicaciones Digitales
Teorema de Bayes
Redes neuronales
K-Nearest Neighbors (KNN)
description Este artículo presenta un estudio comparativo de diferentes enfoques para la detección de símbolos en sistemas de modulación 16QAM. Se implementa y evalúa un modelo teórico basado en el teorema de Bayes, estableciendo regiones de decisión para la detección de símbolos. Además, se comparan estas técnicas tradicionales con métodos de Aprendizaje Automático, específicamente Redes Neuronales Artificiales (ANN) y el algoritmo de Vecinos más Cercano (KNN). El desempeño de cada enfoque se analiza en términos de la relación señal a ruido por bit (Eb/N0) y el retardo de procesamiento para la toma de una decisión. Los experimentos se realizan en un entorno de simulación para la obtención de señales sintéticas contaminadas con ruido aditivo blanco gaussiano (AWGN). Para la obtención de los resultados se desarrollan diferentes escenarios empleando Python como lenguaje de programación. Los resultados indican que las técnicas de Aprendizaje Automático superan a los métodos tradicionales en términos de precisión y eficiencia en la detección de símbolos, destacando una menor probabilidad de error de bit.
format Objeto de conferencia
Objeto de conferencia
author Eichhorn, Nicolás
Cuenya, Guillermo
De Yong, David
Durigutti, Julián
author_facet Eichhorn, Nicolás
Cuenya, Guillermo
De Yong, David
Durigutti, Julián
author_sort Eichhorn, Nicolás
title Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM
title_short Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM
title_full Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM
title_fullStr Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM
title_full_unstemmed Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM
title_sort implementación de técnicas de aprendizaje automático para la detección de símbolos en sistemas de modulación 16qam
publishDate 2024
url http://sedici.unlp.edu.ar/handle/10915/176867
work_keys_str_mv AT eichhornnicolas implementaciondetecnicasdeaprendizajeautomaticoparaladetecciondesimbolosensistemasdemodulacion16qam
AT cuenyaguillermo implementaciondetecnicasdeaprendizajeautomaticoparaladetecciondesimbolosensistemasdemodulacion16qam
AT deyongdavid implementaciondetecnicasdeaprendizajeautomaticoparaladetecciondesimbolosensistemasdemodulacion16qam
AT duriguttijulian implementaciondetecnicasdeaprendizajeautomaticoparaladetecciondesimbolosensistemasdemodulacion16qam
_version_ 1845116833124843520

Ejemplares similares