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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/176867

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