@PHDTHESIS{ 2023:1499290611,
 	title = {Compressed Sensing and Deep Learning for Low-complexity Signal Detection in Communication Systems},
 	year = {2023},
 	url = "https://tede.inatel.br:8080/tede/handle/tede/239",
 	abstract = "Os requisitos da nova gera??o de comunica??es m?veis, aliados ? conectividade massiva de dispositivos, estabelecem cen?rios heterog?neos e complexos. Nesses cen?rios, modelos cl?ssicos se tornam limitados em sua aplicabilidade, principalmente devido ? dificuldade de tratamento dos respectivos modelos tem?ticos. Al?m disso, ainda que a solu??o ?tima esteja dispon?vel, pode ser que sua complexidade computacional seja proibitiva na pr?tica. Portanto, maneiras alternativas de abordar esses cen?rios s?o necess?rias, uma delas sendo os algoritmos de aprendizado de m?quina (machine learning, ML) e as redes neurais (neural etworks, NNs). Usar o potencial das NNs para resolver problemas gen?ricos de otimiza??o, por exemplo, possui um apelo interessante em tais cen?rios heterog?neos. Por outro lado, o sensoriamento comprimido (compressed sensing, CS) foi proposto a fim de reduzir os requisitos de armazenamento e consumo energ?tico de dispositivos, por meio da compress?o de sinais via simples transforma??es lineares. Embora sinais comprimidos possam ser perfeitamente recuperados, a complexidade do processo de reconstru??o ? alta. No entanto, existem aplica??es onde sinais comprimidos s?o processados diretamente no dom?nio comprimido, ou seja, sem o processo de reconstru??o, sendo o sensoriamento espectral um exemplo. Isso motivou a defini??o de um conceito emergente, denominado de aprendizado comprimido (compressed learning, CL), que por sua vez lan?a m?o de algoritmos ML para extrair informa??es relevantes de sinais
 comprimidos.
 As contribui??es deste trabalho se dividem em duas linhas mestras: (i) o conceito de CL ? investigado no contexto do sensoriamento espectral para r?dio cognitivos (cognitive radios, CRs), onde ? proposto um detector baseado em NNs para a identifica??o de canais vagos a partir do sinal comprimido. Foi considerado tanto o caso ideal quanto aquele em que a estima??o do canal pelo receptor e as amostras do dataset usado pela NN s?o imperfeitas. Para isso, imperfei??es na estima??o dos coeficientes do canal (channel state information, CSI), diferentes perfis de atraso e distribui??es diversas para o canal foram simulados computacionalmente; (ii) ? proposta tamb?m uma arquitetura para NNs profundas no contexto de sistemas multiple-input multiple-output (MIMO), empregando o conceito denominado de deep unfolding. Demonstra-se que o detector proposto baseado nesse conceito ? consideravelmente menos complexo, ainda que n?o apresente perdas not?veis no desempenho.  Al?m disso, ? proposto um detector MIMO aprimorado pela t?cnica de lattice reduction (LR), que apresenta ordem de diversidade similar ao do detector ?timo e, ao mesmo tempo, menor complexidade computacional.",
 	publisher = {Instituto Nacional de Telecomunica??es},
 	scholl = {Doutorado em Engenharia de Telecomunica??es},
 	note = {Instituto Nacional de Telecomunica??es}
}