Publicación:
Applications of Deep Learning Techniques to the design of cell-free massive MIMO networks

Vista sencilla de ítem
dc.contributor.authorRiera Palou, Felip
dc.contributor.directorCuadra Troncoso, José Manuel
dc.date.accessioned2025-10-03T11:16:09Z
dc.date.available2025-10-03T11:16:09Z
dc.date.issued2025-09
dc.description.abstractEsta tesis de master estudia la aplicación de deep neural networks (DNNs) para el diseño de redes cell-free massive MIMO (CF-mMIMO), una topología novedosa destinada a revolucionar las comunicaciones móviles de sexta generación (6G). Más concretamente, el trabajo aborda el diseño de la estrategia de asignación de potencia, es decir, determinar cuánta potencia se asigna a cada usuario con el fin de optimizar una determinada métrica de rendimiento relacionada con la eficiencia espectral. A diferencia de las estrategias clásicas de asignación de potencia, que suelen basarse en métodos de optimización matemática complejos, el enfoque con DNNs establece una relación entre la información de canal a gran escala (vinculada a las posiciones entre usuarios y puntos de acceso (APs)) a los coeficientes de potencia. Es muy destacable que esta función de mapeo es computacionalmente trivial durante la operación en tiempo real de la red móvil, a costa de requerir una fase de entrenamiento costosa que, convenientemente, puede llevarse a cabo como un pre-procesado (i.e., off-line). Los resultados demuestran que la asignación de potencia basada en DNNs funciona a la par de la técnica de referencia (i.e., fractional power allocation (FPA)) para una amplia variedad de configuraciones (p. e., diferentes cargas de red, distintas técnicas de procesamiento, diferentes objetivos de eficiencia espectral). Además, también se ha propuesto una estrategia basada en aprendizaje por transferencia para generalizar la aplicabilidad de un modelo DNN entrenado para una carga de red específica a otra diferente, sin necesidad de reentrenar el modelo completo.es
dc.description.abstractThis master thesis deals with the design of CF-mMIMO networks, a novel topology set to revolutionize Sixth generation (6G) communications, using DNNs. In particular, the work addresses the design of the power allocation policy, that is, determining how much power is assigned to each user so as to optimize a certain performance metric related to the spectral efficiency. In contrast to classical power allocation strategies, which may rest upon complex mathematical optimization procedures, the DNN approach maps the large-scale channel information (related to the positions between users and access points (APs)) to power coefficients. Critically, this mapping operation is computationally trivial during real-time operation at the cost of requiring a costly training phase, which conveniently, can be conducted off-line. Results demonstrate that DNN-based power allocation performs as well as the benchmark technique (i.e., FPA) for a wide variety of configurations (e.g., different network loads, different processing techniques, distinct spectral efficiency objectives). Additionally, a strategy based on transfer learning has also been proposed to generalize the applicability of a DNN model trained for a speciffic network load to different one without having to retrain the full model.en
dc.identifier.citationRiera Palou, Felip. Trabajo Fin de Máster: "Applications of Deep Learning Techniques to the design of cell-free massive MIMO networks". Universidad Nacional de Educación a Distancia (UNED), 2025
dc.identifier.urihttps://hdl.handle.net/20.500.14468/30320
dc.language.isoes
dc.relation.centerE.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Ingeniería y Ciencia de Datos
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject1203.17 Informática
dc.subject.keywordstopología cell-freees
dc.subject.keywordsasignación de potenciaes
dc.subject.keywordsaprendizaje profundoes
dc.subject.keywordsaprendizaje por transferenciaes
dc.subject.keywordsCell-free topologyen
dc.subject.keywordspower allocationen
dc.subject.keywordsdeep learningen
dc.subject.keywordstransfer learningen
dc.titleApplications of Deep Learning Techniques to the design of cell-free massive MIMO networkses
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
RieraPalou_Felip_TFM_JORGE PEREZ MARTIN.pdf
Tamaño:
3.24 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Trabajos de fin de máster (TFM)