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...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2024
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/176867 |
| Aporte de: |
| Sumario: | 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. |
|---|