dc.contributor.advisor |
Θεολόγου, Μιχαήλ |
el |
dc.contributor.author |
Οικονομάκου, Μαρία Γ.
|
el |
dc.contributor.author |
Oikonomakou, Maria G.
|
en |
dc.date.accessioned |
2014-05-12T08:45:51Z |
|
dc.date.available |
2014-05-12T08:45:51Z |
|
dc.date.copyright |
2014-01-13 |
- |
dc.date.issued |
2014-05-12 |
|
dc.date.submitted |
2014-01-13 |
- |
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/38482 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.7964 |
|
dc.description |
127 σ. |
el |
dc.description.abstract |
Η χρησιμοποίηση των ασύρματων δικτύων επόμενης γενιάς, που υπόσχονται παροχή υπηρεσιών «πάντα, παντού και με κάθε τρόπο» με οπισθόφορη συμβατότητα με τα υπάρχοντα συστήματα, αναμένεται να προκαλέσει μεγάλη αύξηση στην κίνηση του δικτύου. Για την υποστήριξη αυτής της αυξημένης κίνησης και την παροχή υπηρεσιών με τη βέλτιστη ποιότητα, μπορούν να γίνουν παρεμβάσεις στο οπισθοζευκτικό δίκτυο. Σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη της βέλτιστης διαχείρισης των πόρων στο οπισθοζευκτικό δίκτυο για ένα σταθμό βάσης χρησιμοποιώντας ένα τεχνητό νευρωνικό δίκτυο για την πρόβλεψη του εύρος ζώνης κάτω ζεύξης που θα κληθεί ο σταθμός βάσης να προσφέρει. Το εργαλείο βελτιστοποίησης που χρησιμοποιήθηκε για το τεχνητό νευρωνικό δίκτυο ήταν ο μαθηματικός ευρυστικός αλγόριθμος της Differential Evolution (DE). |
el |
dc.description.abstract |
The employment of next generation wireless networks, that promise rendering of services “always, everywhere and in every possible way” along with backward compatibility to the existing infrastructure, is expected to trigger a large raise on the network traffic. In order to support this increased traffic with the best quality of service, there are options that can be followed as far as the backhaul network is concerned. The aim of the present diploma thesis is to examine the best resource management at the backhaul network for a base station by the use of an artificial neural network to forecast the downlink throughput the base station will need to offer. The optimization tool that was picked for the artificial neural network was the mathematical heuristic algorithm of Differential Evolution. |
en |
dc.description.statementofresponsibility |
Μαρία, Γ. Οικονομάκου |
el |
dc.language.iso |
el |
en |
dc.rights |
ETDRestricted-policy.xml |
en |
dc.subject |
Διαχείριση πόρων |
el |
dc.subject |
Τεχνητά νευρωνικά δίκτυα |
el |
dc.subject |
Διαφορική Εξέλιξη |
el |
dc.subject |
Οπισθοζευκτικό δίκτυο |
el |
dc.subject |
Ποιότητα υπηρεσίας |
el |
dc.subject |
4G |
en |
dc.subject |
Resource Management |
en |
dc.subject |
Artificial Neural Networks |
en |
dc.subject |
Differential Evolution |
en |
dc.subject |
Βackhaul network |
en |
dc.subject |
Quality of Service |
en |
dc.title |
Βέλτιστη διαχείριση των πόρων του σταθμού βάσης σε ασύρματα δίκτυα επόμενης γενιάς με χρήση τεχνικών πρόβλεψης. |
el |
dc.title.alternative |
Optimized resource management at the base station for next generation wireless networks, using forecasting techniques |
en |
dc.type |
bachelorThesis |
el (en) |
dc.date.accepted |
2014-01-10 |
- |
dc.date.modified |
2014-01-13 |
- |
dc.contributor.advisorcommitteemember |
Συκάς, Ευστάθιος |
el |
dc.contributor.advisorcommitteemember |
Στασινόπουλος, Γεώργιος |
el |
dc.contributor.committeemember |
Θεολόγου, Μιχαήλ |
el |
dc.contributor.committeemember |
Συκάς, Ευστάθιος |
el |
dc.contributor.committeemember |
Στασινόπουλος, Γεώργιος |
el |
dc.contributor.department |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής & Συστημάτων Πληροφορικής. Εργαστήριο Δικτύων Κινητών & Προσωπικών Επικοινωνιών |
el |
dc.date.recordmanipulation.recordcreated |
2014-05-12 |
- |
dc.date.recordmanipulation.recordmodified |
2014-05-12 |
- |