Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM
- Autores
- Eichhorn, Nicolás; Cuenya, Guillermo; De Yong, David; Durigutti, Julián
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Este artículo presenta un estudio comparativo de diferentes enfoques para la detección de símbolos en sistemas de modulación 16QAM. Se implementa y evalúa un modelo teórico basado en el teorema de Bayes, estableciendo regiones de decisión para la detección de símbolos. Además, se comparan estas técnicas tradicionales con métodos de Aprendizaje Automático, específicamente Redes Neuronales Artificiales (ANN) y el algoritmo de Vecinos más Cercano (KNN). El desempeño de cada enfoque se analiza en términos de la relación señal a ruido por bit (Eb/N0) y el retardo de procesamiento para la toma de una decisión. Los experimentos se realizan en un entorno de simulación para la obtención de señales sintéticas contaminadas con ruido aditivo blanco gaussiano (AWGN). Para la obtención de los resultados se desarrollan diferentes escenarios empleando Python como lenguaje de programación. Los resultados indican que las técnicas de Aprendizaje Automático superan a los métodos tradicionales en términos de precisión y eficiencia en la detección de símbolos, destacando una menor probabilidad de error de bit.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
Detección de símbolos
Modulación
Comunicaciones Digitales
Teorema de Bayes
Redes neuronales
K-Nearest Neighbors (KNN) - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/176867
Ver los metadatos del registro completo
id |
SEDICI_a3b3f5b27044b2bad2b0dcf1cf55911c |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/176867 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAMEichhorn, NicolásCuenya, GuillermoDe Yong, DavidDurigutti, JuliánCiencias InformáticasDetección de símbolosModulaciónComunicaciones DigitalesTeorema de BayesRedes neuronalesK-Nearest Neighbors (KNN)Este artículo presenta un estudio comparativo de diferentes enfoques para la detección de símbolos en sistemas de modulación 16QAM. Se implementa y evalúa un modelo teórico basado en el teorema de Bayes, estableciendo regiones de decisión para la detección de símbolos. Además, se comparan estas técnicas tradicionales con métodos de Aprendizaje Automático, específicamente Redes Neuronales Artificiales (ANN) y el algoritmo de Vecinos más Cercano (KNN). El desempeño de cada enfoque se analiza en términos de la relación señal a ruido por bit (Eb/N0) y el retardo de procesamiento para la toma de una decisión. Los experimentos se realizan en un entorno de simulación para la obtención de señales sintéticas contaminadas con ruido aditivo blanco gaussiano (AWGN). Para la obtención de los resultados se desarrollan diferentes escenarios empleando Python como lenguaje de programación. Los resultados indican que las técnicas de Aprendizaje Automático superan a los métodos tradicionales en términos de precisión y eficiencia en la detección de símbolos, destacando una menor probabilidad de error de bit.Red de Universidades con Carreras en Informática2024-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1108-1117http://sedici.unlp.edu.ar/handle/10915/176867spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-2428-5info:eu-repo/semantics/reference/hdl/10915/172755info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:47:29Zoai:sedici.unlp.edu.ar:10915/176867Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:47:29.673SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM |
title |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM |
spellingShingle |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM Eichhorn, Nicolás Ciencias Informáticas Detección de símbolos Modulación Comunicaciones Digitales Teorema de Bayes Redes neuronales K-Nearest Neighbors (KNN) |
title_short |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM |
title_full |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM |
title_fullStr |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM |
title_full_unstemmed |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM |
title_sort |
Implementación de Técnicas de Aprendizaje Automático para la Detección de Símbolos en Sistemas de Modulación 16QAM |
dc.creator.none.fl_str_mv |
Eichhorn, Nicolás Cuenya, Guillermo De Yong, David Durigutti, Julián |
author |
Eichhorn, Nicolás |
author_facet |
Eichhorn, Nicolás Cuenya, Guillermo De Yong, David Durigutti, Julián |
author_role |
author |
author2 |
Cuenya, Guillermo De Yong, David Durigutti, Julián |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Detección de símbolos Modulación Comunicaciones Digitales Teorema de Bayes Redes neuronales K-Nearest Neighbors (KNN) |
topic |
Ciencias Informáticas Detección de símbolos Modulación Comunicaciones Digitales Teorema de Bayes Redes neuronales K-Nearest Neighbors (KNN) |
dc.description.none.fl_txt_mv |
Este artículo presenta un estudio comparativo de diferentes enfoques para la detección de símbolos en sistemas de modulación 16QAM. Se implementa y evalúa un modelo teórico basado en el teorema de Bayes, estableciendo regiones de decisión para la detección de símbolos. Además, se comparan estas técnicas tradicionales con métodos de Aprendizaje Automático, específicamente Redes Neuronales Artificiales (ANN) y el algoritmo de Vecinos más Cercano (KNN). El desempeño de cada enfoque se analiza en términos de la relación señal a ruido por bit (Eb/N0) y el retardo de procesamiento para la toma de una decisión. Los experimentos se realizan en un entorno de simulación para la obtención de señales sintéticas contaminadas con ruido aditivo blanco gaussiano (AWGN). Para la obtención de los resultados se desarrollan diferentes escenarios empleando Python como lenguaje de programación. Los resultados indican que las técnicas de Aprendizaje Automático superan a los métodos tradicionales en términos de precisión y eficiencia en la detección de símbolos, destacando una menor probabilidad de error de bit. Red de Universidades con Carreras en Informática |
description |
Este artículo presenta un estudio comparativo de diferentes enfoques para la detección de símbolos en sistemas de modulación 16QAM. Se implementa y evalúa un modelo teórico basado en el teorema de Bayes, estableciendo regiones de decisión para la detección de símbolos. Además, se comparan estas técnicas tradicionales con métodos de Aprendizaje Automático, específicamente Redes Neuronales Artificiales (ANN) y el algoritmo de Vecinos más Cercano (KNN). El desempeño de cada enfoque se analiza en términos de la relación señal a ruido por bit (Eb/N0) y el retardo de procesamiento para la toma de una decisión. Los experimentos se realizan en un entorno de simulación para la obtención de señales sintéticas contaminadas con ruido aditivo blanco gaussiano (AWGN). Para la obtención de los resultados se desarrollan diferentes escenarios empleando Python como lenguaje de programación. Los resultados indican que las técnicas de Aprendizaje Automático superan a los métodos tradicionales en términos de precisión y eficiencia en la detección de símbolos, destacando una menor probabilidad de error de bit. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-10 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/176867 |
url |
http://sedici.unlp.edu.ar/handle/10915/176867 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-950-34-2428-5 info:eu-repo/semantics/reference/hdl/10915/172755 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 1108-1117 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616338591449088 |
score |
13.070432 |