Uso de IA para estimación de calidad de transmisión en señales ópticas.
| dc.contributor.advisor | Saavedra Mondaca, Gabriel | es |
| dc.contributor.author | Aravena Escobar, Jorge Javier | es |
| dc.date.accessioned | 2024-11-07T15:46:22Z | |
| dc.date.available | 2024-11-07T15:46:22Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al título profesional de Ingeniero Civil en Telecomunicaciones | es |
| dc.description.abstract | Las fibras ópticas y las redes ópticas son fundamentales para las comunicaciones globales. Hoy en día, su funcionamiento se logra mediante transmisores y detectores coherentes que utilizan algoritmos de procesamiento digital. Estos algoritmos, implementados en dispositivos como los Digital Signal Processors (DSP), permiten compensar las atenuaciones en las fibras ópticas. Estos detectores permiten el uso de los Optical Performance Monitoring (OPM), que proporcionan un monitoreo continuo de los parámetros claves que afectan la calidad de una señal óptica. Dentro de los OPM se encuentran los Modulation Format Identification (MFI) los que logran una adaptabilidad dinámica en las redes ópticas. El MFI es la base del desarrollo de esta memoria de título, que se enfoca principalmente en el desarrollo de algoritmos basados en inteligencia artificial, específicamente redes Convolutional Neural Network (CNN), los que clasifican información que estiman la calidad de señales ópticas. Para realizar esto se genera una base de datos de 217.800 imágenes que consisten en diagramas de constelación de señales ópticas producidos con el programa Matlab. Con la plataforma Google Colab se construyeron 9 códigos de redes CNN para diferentes tipos de clasificaciones. Se creo una red CNN binaria para la clasificación de 2 tipos de modulación diferentes, pase-shift keying (PSK) y Quadrature amplitude modulation (QAM). También se crearon 2 algoritmos CNN multiclase para diferentes formatos de modulación, es decir, en un tipo de modulación, por ejemplo, QAM, clasificar por orden de modulación ya sea 16, 64 y 256 QAM. Finalmente se crearon 6 algoritmos de CNN multiclase para clasificar por SNR la calidad de cada tipo de señal modulada por medio de sus clases. Se consiguieron precisiones generales por red de 100% para la CNN binaria, 92% para CNN 16/64/256-QAM, 91% para CNN 16/64/256-PSK, 73% para CNN 16-QAM, 88% para CNN 64 QAM, 58% para 256-QAM, 85% para CNN 16-PSK, 96% para CNN 64-PSK y 99% para CNN 256 PSK. Resultados que considerando las condiciones en las que se realizaron no son soluciones ni lineales ni esperadas para todos los casos, pero son óptimas de manera global. Esta investigación propone un acercamiento practico/real a una mejor identificación, clasificación y toma de decisiones de formatos de modulación, teóricamente aplicables a dispositivos pertenecientes a los receptores coherentes de una comunicación óptica como los Digital Signal Processors. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.description.sponsorship | Proyecto Fondecyt Regular 1231826 | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/6747 | es |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.subject | Inteligencia artificial | es |
| dc.subject | Interconexiones ópticas | es |
| dc.subject | Telecomunicaciones | es |
| dc.title | Uso de IA para estimación de calidad de transmisión en señales ópticas. | es |
| dc.type | Thesis | es |