@PHDTHESIS{ 2023:1427050600,
 	title = {Machine Learning Applied to 5G and Towards 6G Fiber/Wireless Systems Linearization},
 	year = {2023},
 	url = "https://tede.inatel.br:8080/tede/handle/tede/250",
 	abstract = "O objetivo deste trabalho e propor e avaliar o desempenho de esquemas de lineariza??o baseados em aprendizado de m?quina (ML - machine learning), aplicados a sistemas anal?gicos r?dio sobre fibra (A-RoF - analog radio over fiber) para o transporte
 de sinais da quinta gera??o de comunica??es m?veis (5G - fifth generation of mobile communications) e das futuras redes de comunica??es m?veis de sexta gera??o (6G - sixth generation of mobile communications). As an?lises de desempenho das t?cnicas de lineariza??o baseiam-se na utiliza??o de modelos polinomiais para modelar as n?o-linearidades do sistema A-RoF e utilizar redes neurais para realizar a pre-e/ou pos-distor??o do sinal transmitido. Considerou-se os principais componentes do sistemas A-RoF que apresentam comportamento nao-linear. Inicialmente, prop?e-se um esquema de lineariza??o para o modulador eletro-?ptico de Mach-Zehnder (MZM - Mach-Zehnder modulator). Nesta abordagem, emprega-se uma rede neural perceptron com multiplas camadas (MLP - multi-layer perceptron) para realizar a pr?- e/ou p?s-distor??o do sinal transmitido. Avalia-se tamb?m os efeitos n?o-lineares do amplificador de pot?ncia el?trico (PA - power amplifier), comumente utilizado em sistemas A-RoF para amplificar o sinal de radio-frequencia (RF - radio frequency) antes da radia??o. Neste caso, utiliza-se a rede neural recorrente (RNN - recurrent neural network), que e capaz de lidar com o efeito mem?ria do amplificador. A RNN possui uma estrutura de mem?ria interna, que pode ser devidamente dimensionada para compensar as degrada??es n?o-lineares sem mem?ria do MZM e com mem?ria do PA. Finalmente, a dispers?o crom?tica da fibra ?ptica tamb?m foi considerada, uma vez que o enlace ?ptico de transporte precisa ser estendido visando fornecer cobertura em ?reas remotas. Para tal, utiliza-se a rede neural de atraso de tempo real aumentada (ARVTDNN - augmented real-valued time delay neural network), pois esta arquitetura permite compensar os efeitos acima
 mencionados. Todos os resultados destas an?lises foram obtidos usando simula??es em Python. Este trabalho tamb?m apresenta a aplica??o da t?cnica ARVTDNN em um sistema fibra/r?dio (FiWi - fiber/wireless). Em linhas gerais, os resultados obtidos nessa tese demonstram que o uso de esquemas de lineariza??o baseados em ML s?o potenciais para maximizar o desempenho de sistemas A-RoF em redes de transporte 5G e 6G.",
 	publisher = {Instituto Nacional de Telecomunica??es},
 	scholl = {Mestrado em Engenharia de Telecomunica??es},
 	note = {Instituto Nacional de Telecomunica??es}
}