Implementación y uso de clasificadores de ML para MFI en fibras ópticas.
| dc.contributor.advisor | Saavedra Mondaca, Gabriel Alejandro | es |
| dc.contributor.author | Alberto Andrés, Herrera Saldías | es |
| dc.date.accessioned | 2026-01-27T19:09:01Z | |
| dc.date.available | 2026-01-27T19:09:01Z | |
| dc.date.issued | 2025 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil en Telecomunicaciones. | es |
| dc.description.abstract | El creciente tráfico de datos y las limitaciones físicas y teóricas en la capacidad de transmisión de las fibras ópticas han motivado el desarrollo de técnicas avanzadas para mejorar la eficiencia de las redes ópticas. En este contexto, la identificación de formatos de modulación (MFI, por sus siglas en inglés) en conjunto con las nuevas técnicas de Machine Learning (ML) desempeña un papel crucial para habilitar redes ópticas autónomas, flexibles y de alta capacidad. Este trabajo presenta la implementación y evaluación de tres modelos de redes neuronales profundas para la clasificación multiclase de señales ópticas: una red neuronal convolucional (CNN) personalizada, MobileNetV2 y ResNet50. La base de datos utilizada incluye 1768 imágenes generadas a partir de diagramas de constelación de señales QAM y GS-QAM. Los modelos fueron entrenados utilizando técnicas de aprendizaje profundo en Google Colab, y evaluados con métricas como precisión, pérdida, matriz de confusión y F1-score. Los resultados muestran que la CNN personalizada obtuvo el mejor desempeño, alcanzando una precisión del 93% y una pérdida de 0.30, lo que destaca la eficacia de un diseño adaptado específicamente al conjunto de datos. MobileNetV2 logró un desempeño competitivo, con la misma precisión, pero una pérdida ligeramente mayor (0.32), posicionándose como una alternativa eficiente en términos de transferencia de aprendizaje y computación. Por otro lado, ResNet50 presentó el rendimiento más bajo, con una precisión del 84% y una pérdida de 0.67, lo que sugiere limitaciones en su configuración para este problema. El análisis identificó dificultades en la clasificación de clases QAM similares, atribuidas a las características visuales similares de las señales y a la sensibilidad al ruido. Este estudio demuestra que las redes neuronales personalizadas son una solución robusta para problemas específicos, mientras que los modelos preentrenados requieren ajustes más profundos para optimizar su desempeño. Los hallazgos ofrecen una base para futuras investigaciones orientadas al desarrollo de clasificadores más precisos y eficientes en sistemas de comunicación óptica. | es |
| dc.description.abstract | The growing data traffic and the physical and theoretical limitations in the transmission capacity of optical fibers have driven the development of advanced techniques to improve the efficiency of optical networks. In this context, the identification of modulation formats (MFI, for its acronym in English) along with new Machine Learning (ML) techniques plays a crucial role in enabling autonomous, flexible, and high-capacity optical networks. This study presents the implementation and evaluation of three deep neural network models for multiclass classification of optical signals: a custom convolutional neural network (CNN), MobileNetV2, and ResNet50. The database used includes 1,768 images generated from constellation diagrams of QAM and GS QAM signals. The models were trained using deep learning techniques on Google Colab and evaluated using metrics such as accuracy, loss, confusion matrix, and F1-score. The results show that the custom CNN achieved the best performance, with an accuracy of 93% and a loss of 0.30, highlighting the effectiveness of a design specifically adapted to the dataset. MobileNetV2 achieved competitive performance with the same accuracy but a slightly higher loss (0.32), positioning itself as an efficient alternative in terms of transfer learning and computation. In contrast, ResNet50 showed the lowest performance, with an accuracy of 84% and a loss of 0.67, suggesting limitations in its configuration for this problem. The analysis identified challenges in classifying similar QAM classes, attributed to the visual similarities of the signals and sensitivity to noise. This study demonstrates that custom neural networks are a robust solution for specific problems, while pre-trained models require further adjustments to optimize their performance. The findings provide a foundation for future research aimed at developing more accurate and efficient classifiers for optical communication systems. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/13671 | |
| 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.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Fibras ópticas | es |
| dc.subject | Aprendizaje de máquina | es |
| dc.subject | Comunicación óptica | es |
| dc.title | Implementación y uso de clasificadores de ML para MFI en fibras ópticas. | es |
| dc.type | Thesis | en |