Planning and deployment of wireless networks: a data-driven machine learning and optimization framework based on urban mesh and 5G networks

dc.contributor.advisorNascimento, Mariá Cristina Vasconcelos
dc.contributor.advisor-coAloise, Daniel
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/5093210888872414
dc.contributor.advisorLatteshttp://lattes.cnpq.br/1010810293243435
dc.contributor.authorJeske, Marlon [UNIFESP]
dc.contributor.authorLatteshttp://lattes.cnpq.br/4181573616012641
dc.coverage.spatialSão José dos Campos, SP
dc.date.accessioned2024-12-06T11:35:54Z
dc.date.available2024-12-06T11:35:54Z
dc.date.issued2024-10-31
dc.description.abstractWireless networks play a fundamental role in the modern world, providing essential infrastructure for applications ranging from industrial automation to smart city development. Different wireless network architectures, such as mobile networks, wireless sensor networks, and wireless mesh networks, are used for different purposes and address specific requirements. Despite their distinct characteristics, these networks share common challenges in planning and deployment, particularly in complex urban environments where factors such as signal propagation, connectivity, and energy consumption must be carefully managed. This thesis addresses these challenges by proposing data-driven approaches based on machine learning and optimization techniques. It aims to fill critical gaps in the literature, particularly regarding accurate signal strength prediction and the optimal placement of relay devices. To achieve these objectives, three interrelated studies are presented in this thesis. In the first study, a machine learn
dc.description.abstractAs redes sem fio desempenham um papel fundamental no mundo moderno, fornecendo infraestrutura essencial para aplicações que vão desde automação industrial até o desenvolvimento de cidades inteligentes. Diferentes arquiteturas de redes sem fio, como redes móveis, redes de sensores e redes mesh, são utilizadas para diferentes propósitos e atendem a requisitos específicos. Apesar de suas características distintas, essas redes compartilham desafios comuns no planejamento e implantação, especialmente em ambientes urbanos complexos, onde fatores como propagação de sinal, conectividade e consumo de energia precisam ser cuidadosamente gerenciados. Esta tese aborda esses desafios propondo abordagens baseadas em dados, utilizando técnicas de aprendizado de máquina e otimização. Nesta tese, busca-se preencher lacunas críticas na literatura, particularmente no que diz respeito à predição da força do sinal de forma precisa e à alocação ideal de dispositivos repetidores. Para alcançar esses objetivos, três estudos inter-re
dc.description.sponsorshipConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
dc.emailadvisor.custommariah@ita.br
dc.format.extent150 f.
dc.identifier.citationJESKE, Marlon. Planning and deployment of wireless networks: a data-driven machine learning and optimization framework based on urban mesh and 5G networks. 2024. Tese – Universidade Federal de São Paulo, São José dos Campos, 2024
dc.identifier.urihttps://hdl.handle.net/11600/72579
dc.languageeng
dc.publisherUniversidade Federal de São Paulo
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectwireless network planning
dc.subjectreceived signal strength prediction
dc.subjectmachine learning
dc.titlePlanning and deployment of wireless networks: a data-driven machine learning and optimization framework based on urban mesh and 5G networks
dc.typeinfo:eu-repo/semantics/doctoralThesis
unifesp.campusInstituto de Ciência e Tecnologia (ICT)
unifesp.graduateProgramPesquisa Operacional
unifesp.knowledgeAreaEngenharia de Produção
unifesp.researchAreaCiência de Dados
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Tese_Final_MarlonJeske.pdf
Tamanho:
5.06 MB
Formato:
Adobe Portable Document Format
Descrição:
Licença do Pacote
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
6.3 KB
Formato:
Item-specific license agreed upon to submission
Descrição: