Otimização convexa e heurística em detectores MIMO-OFDM e MIMO em larga escala : desempenho e complexidade

• Ano de defesa: 2024
• Autor(a) principal: Fukuda, Rafael Masashi
• Orientador(a): Abrão, Taufik [Orientador]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sistemas de telecomunicação; Detectores; Heurística; Sistemas em larga escala; Communication systems; Detectors; Heuristic; Large scale systems
• Link de acesso: https://repositorio.uel.br/handle/123456789/16948

Resumo: A detecção é uma etapa importante durante a recuperação da informação transmitida no lado do receptor Porém, a solução ótima Maximum-Likelihood (ML) verifica todas as combinações possíveis (solução por força bruta) para encontrar o vetor solução resultando em alta complexidade computacional sendo pouco adequada para aplicações práticas Nessa Dissertação de Mestrado, duas abordagens são consideradas buscando melhorar o compromisso entre complexidade e desempenho: os algoritmos heurísticos e a otimização convexa O primeiro trabalho é focado na aplicação de duas técnicas heurísticas evolutivas chamadas Particle Swarm Optimization (PSO) e Differential Evolution (DE) na detecção em sistemas Multiple Input Multiple Output combinados com Orthogonal Frequency Dvision Multiplexing (MIMO-OFDM) em cenários com correlação espacial entre as antenas, sendo a performance dos detectores e a complexidade computacional são caracterizadas O segundo trabalho é uma extensão do primeiro e aborda a utilização de detectores híbridos que são uma combinação entre detectores lineares com os algoritmos heurísticos Com os detectores híbridos, a convergência dos algoritmos é acelerada e, consequentemente, a complexidade computacional é reduzida substancialmente, enquanto mantém performance similar aos detectores heurísticos puros utilizando o PSO e DE No terceiro trabalho, o framework de otimização convexa é considerado no contexto de sistemas Massive MIMO (MMIMO) com grande número de antenas O trabalho é dividido em duas partes principais Na primeira, foram considerados detectores formulados como Linear Programming (LP) e Quadratic Programming (QP) e Semidefinite Programming (SDP) analisados em cenários realistas considerando erro na estimativa do canal, correlação espacial, carregamento do sistema e diferentes ordens de modulação Na segunda parte, a utilização de algoritmos projetados é proposta para resolver o detector formulado como QP, a complexidade computacional dos algoritmos é caracterizada em termos de Floating Point Operations (flops), e a influência de características específicas do sistema M-MIMO, particularmente o channel hardening), na redução do número de iterações dos algoritmos projetados é ilustrada através de simulações numéricas