@MASTERSTHESIS{ 2024:1477768820,
 	title = {Classificação automática de modulações em receptores ópticos coerentes flexíveis},
 	year = {2024},
 	url = "https://tede.ufam.edu.br/handle/tede/10228",
 	abstract = "Para acompanhar o aumento na demanda por taxas de transmissão mais altas e melhorias na conectividade de internet, as pesquisas estão se concentrando em métodos eficazes para otimizar o uso de redes ópticas. Tais estudos são fundamentais para desenvolver sistemas que possam, de forma autônoma, coletar informações necessárias para ajustar os parâmetros de transmissão. Isso inclui escolher as modulações adequadas para o meio de comunicação, decidir entre uma transmissão em mono portadora ou múltiplas portadoras, e selecionar os algoritmos mais eficientes para regenerar e corrigir os sinais. Essas abordagens permitem que as redes se ajustem automaticamente para maximizar o desempenho e a eficiência sem intervenção humana direta. Neste contexto, esta dissertação investiga como as técnicas de aprendizado de máquina podem ser aplicadas para automatizar a configuração de parâmetros em sistemas de comunicação óptica. Esse estudo visa melhorar a adaptabilidade e eficiência desses sistemas, permitindo que ajustem suas configurações de forma autônoma com base nas informações adquiridas, otimizando assim a transmissão de dados. Focando em receptores ópticos coerentes flexíveis, o estudo visa aprimorar a eficiência e adaptabilidade destes sistemas ao automatizar o processo de classificação do tipo de modulação e predição do valor de OSNR, elementos cruciais para otimização do desempenho e confiabilidade na transmissão de dados ópticos. Para isso, utiliza-se um setup back-to-back entre um transmissor e receptor simulados, gerando 76.800 sinais com modulações DP-BPSK, DP-QPSK, DP-8PSK, DP-16QAM, DP-32QAM e DP-64QAM em um total de 51 níveis diferentes de OSNR. Os algoritmos ensemble AdaBoost, Árvore de Decisão cart, Gradient Boosting, Random Forest e a rede neural Perceptron Multicamada são empregados para classificar modulações e predição do valor de OSNR. Os resultados mostram acurácias superiores a 99% para classificação de modulação e predição da OSNR com faixa de erro de ±0,5 dB/0,1 nm com o modelo Perceptron Multicamada, demonstrando a viabilidade e eficácia da abordagem proposta.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}