Por favor, use este identificador para citar o enlazar este ítem: http://dspace.espoch.edu.ec/handle/123456789/21773
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorRibadeneira Ramirez, Jefferson Alexander-
dc.contributor.authorGuamán Morocho, Blanca Elisa-
dc.date.accessioned2024-06-24T21:47:09Z-
dc.date.available2024-06-24T21:47:09Z-
dc.date.issued2024-05-06-
dc.identifier.citationGuamán Morocho, Blanca Elisa. (2024). Censado de espectro utilizando inteligencia artificial para redes móviles LTE y 5G. Escuela Superior Politécnica de Chimborazo. Riobamba.es_ES
dc.identifier.urihttp://dspace.espoch.edu.ec/handle/123456789/21773-
dc.descriptionEl proyecto se originó debido a la necesidad de tener una herramienta que aporte al monitoreo y gestión del espectro radioeléctrico. Para el desarrollo de un sistema efectivo, se llevo a cabo un estudio mediante el estado del arte de técnicas de censado de espectro utilizando inteligencia artificial. El enfoque metodológico fue eminentemente aplicativo, combinando el conocimiento teórico adquirido con la implementación práctica del sistema. Este proceso se dividió en secciones, abarcando desde la recepción de señales por frecuencias centrales, basándose en la información suministrada por la ARCOTEL sobre la asignación de espectro para redes móviles hasta la identificación de redes móviles mediante el empleo de redes neuronales convolucionales (CNN), con un enfoque específico de las tecnologías LTE y 5G. Los resultados obtenidos, analizados a través de gráficos generados mediante la ejecución de código en MATLAB, revelan la precisión del censado del espectro dependen de la potencia de las señales capturadas. Esta dependencia se vincula directamente con las limitaciones inherentes al hardware utilizado (USRP B210). Asimismo, se observa que la identificación se ve influida por la complejidad de las CNN empleadas, siendo las redes mas complejas las que logran una mayor precisión. Se constata que las CNN, si bien son una herramienta poderosa, no alcanzan una precisión del 100 %. Esto se evidencia en la confusión entre el ruido, las señales de 5G y de origen desconocido. Se destaca que las CNN entrenadas por el usuario demuestran una mayor precisión en comparación con aquellas pre-entrenadas, aunque el tiempo de entrenamiento requerido puede ser significativo, especialmente en función de la complejidad de la red y del conjunto de datos utilizados. En conclusión, la implementación del sistema de censado de espectro con inteligencia artificial representa un avance significativo, es necesario reconocer sus limitaciones y continuar investigando para mejorar la precisión y robustez.es_ES
dc.description.abstractThe project originated from the need for a tool to monitor and manage the radio spectrum. The study used state-of-the-art spectrum sensing techniques employing artificial intelligence to develop an effective system. The methodological approach was predominantly applied, combining the theoretical knowledge acquired with the practical implementation of the system. The process was divided into sections, ranging from signal reception by central frequencies based on information provided by the ARCOTEL on spectrum allocation for mobile networks to mobile identification networks using convolutional neural networks (CNNs), focusing on LTE and 5G technologies. The results obtained, analyzed through graphs generated by executing code in MATLAB, reveal that the accuracy of spectrum sensing depends on the power of the captured signals. This dependence links to the inherent limitations of the hardware used (USRP B210). Likewise, it is observed that identification is influenced by the complexity of the CNNs employed, with more complex networks achieving accuracy. It notes that CNNs, although a powerful tool, do not achieve 100 % accuracy. There is evident confusion between noise, 5G signals, and signals of unknown origin. It is highlighted that user-trained CNNs demonstrate higher accuracy comparing pre-trained ones. Although, the required training time can be significant, depending on the complexity of the network and the dataset used. In conclusion, implementing a spectrum sensing system with artificial intelligence represents a noteworthy advancement. It is necessary to recognize its limitations and continue researching to improve accuracy and robustness.es_ES
dc.language.isospaes_ES
dc.publisherEscuela Superior Politécnica de Chimborazoes_ES
dc.relation.ispartofseriesUDCTFIYE;98T00440-
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.subjectCENSADO DE ESPECTROes_ES
dc.subjectINTELIGENCIA ARTIFICIALes_ES
dc.subjectLTEes_ES
dc.subject5Ges_ES
dc.subjectRADIO COGNITIVAes_ES
dc.subjectDEEP LEARNIGes_ES
dc.titleCensado de espectro utilizando inteligencia artificial para redes móviles LTE y 5G.es_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.contributor.miembrotribunalMoreno Avilés, Paúl David-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
Aparece en las colecciones: Ingeniero en Electrónica, Telecomunicaciones y Redes; Ingeniero/a en Telecomunicaciones

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
98T00440.pdf2,02 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons