L'apprentissage profond pour la détection des signaux d'interférence radio fréquentiels

Ghanney, Yosr (2019). « L'apprentissage profond pour la détection des signaux d'interférence radio fréquentiels » Mémoire. Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (1MB)

Résumé

L'élimination d'interférence radio-fréquentielle (RF) est nécessaire puisque cette interférence pénalise la performance des systèmes de communication sans fil. Pour cette raison, le projet AVI0-601 cherche à éliminer l'interférence RF en suivant un processus qui se décompose en plusieurs étapes. Dans le cadre du projet AVI0-601, ce travail propose une nouvelle approche permettant une détection des interférences RF dans les systèmes de communication sans fil qui est à la fois robuste et en temps réel. L'approche proposée est basée sur un algorithme d'apprentissage profond. L'utilisation de l'apprentissage profond est justifiée puisqu'il a montré des excellents résultats pour la détection des objets en plusieurs domaines d'application. L'approche proposée réussit à obtenir un bon compromis entre la performance en termes de taux de détection des interférences et la complexité algorithmique. Ce travail examine l'efficacité de l'approche proposée pour satisfaire nos exigences en utilisant des indicateurs de performance des algorithmes de détection des objets. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : interférence RF, apprentissage profond, algorithme de détection des objets

Type:	Mémoire accepté
Informations complémentaires:	Le mémoire a été numérisé tel que transmis par l'auteur.
Directeur de thèse:	Ajib, Wessam
Mots-clés ou Sujets:	Brouillage radioélectrique / Radiofréquences / Détection des anomalies / Apprentissage profond / Transmission sans fil
Unité d'appartenance:	Faculté des sciences > Département d'informatique
Déposé par:	Service des bibliothèques
Date de dépôt:	26 nov. 2020 14:39
Dernière modification:	29 nov. 2023 16:01
Adresse URL :	http://archipel.uqam.ca/id/eprint/13618

Modifier les métadonnées (propriétaire du document)

Statistiques