Desafio Final - Ipynb - Colab

14/07/2024, 19:57 Desafio Final.
ipynb - Colab
Desafio de Programação 7: Modelagem de um Sistema de Comunicação RF com

keyboard_arrow_down Autoencoder em Pytorch
Neste desafio, serão introduzidos os conceitos iniciais sobre Autoencoder, abordando-se a modelagem de um sistema de comunicação em um
canal AWGN.
Identificação:
Nome: Debora Natalia Goncalves da Costa
Matrícula: 222008486
1. Objetivo
O objetivo deste desafio é introduzir a ideia do Autoencoder, mostrando-se uma aplicação na área de telecomunicações.
Nesta aplicação, será implementada uma rede Autoencoder para realizar a codificação de símbolos enviados em um canal com ruído branco
aditivo gaussiano (Additive White Gaussian Noise - AWGN), gerando uma constelação própria.
Ao final, os resultados obtidos utilizando-se o Autoencoder serão comparados com o desempenho do detector ótimo, com a finalidade de
equiparar a taxa de erro dos dois sistemas.
keyboard_arrow_down 2. Preparação do Ambiente

Todas as informações necessárias para resolver este desafio de programação estão neste ambiente e todas as partes do código devem ser
implementadas ao longo deste notebook.
Antes de iniciarmos, precisa-se que algumas bibliotecas já estejam disponíveis. São elas:
Numpy: (http://www.numpy.org/) para todas as operações matriciais;

Matplotlib: (https://matplotlib.org/) para a plotagem dos gráficos;
Scipy: (https://docs.scipy.org/doc/scipy/reference/) que contém funções e ferramentas de cálculo numérico e científico;
Pytorch: (https://pytorch.org/docs/stable/index.html) que disponibiliza diversas funções que simplificam a criação de um modelo de
inteligência artificial, acelerando a elaboração dos códigos.
Para configurar o ambiente, será necessário permitir o acesso ao seu Google Drive, de onde serão importados os datasets, além de outros
módulos adicionais.
A célula abaixo irá "montar" o drive dentro do Google Colaboratory, ou seja, conseguiremos acessar diretamente todos os conteúdos presentes
no Google drive, possibilitando a execução do Jupyter Notebook a partir, unicamente, da nuvem.
#allows the drive to be accessed

from google.colab import drive
drive.mount('/content/drive/')
Mounted at /content/drive/
import sys
!cat '/content/drive/MyDrive/Debora Natalia - utils_exp2.py'

sys.path.append('/content/drive/MyDrive/DP7/')
cat: '/content/drive/MyDrive/Debora Natalia - utils_exp2.py': No such file or directory
Com o acesso permitido ao drive e com o ambiente preparado, podemos iniciar a importação das bibliotecas de Python que serão utilizadas
no nosso código.
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Dense, Lambda
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.losses import MeanSquaredError
# Definições gerais
https://colab.research.google.com/drive/1L11dwGKFVhDHn60bM8LWM-SkFZcWR7Kz#scrollTo=F_4VFGJcc__M&printMode=true 1/4
14/07/2024, 19:57 Desafio Final.ipynb - Colab
np.random.seed(42)
tf.random.set_seed(42)
keyboard_arrow_down 2- Arquitetura de rede neural (Autoencoder)

def build_autoencoder(input_dim):
input_layer = Input(shape=(input_dim,))
encoder = Dense(64, activation='relu')(input_layer)
encoder = Dense(32, activation='relu')(encoder)
encoder_output = Dense(2, activation='linear')(encoder) # Normalização na saída do encoder
decoder = Dense(32, activation='relu')(encoder_output)

decoder = Dense(64, activation='relu')(decoder)
decoder_output = Dense(input_dim, activation='linear')(decoder)
autoencoder = Model(input_layer, decoder_output)

encoder_model = Model(input_layer, encoder_output)
return autoencoder, encoder_model
keyboard_arrow_down 3- Função de treinamento

def train_autoencoder(autoencoder, data, epochs=50, batch_size=256):
autoencoder.compile(optimizer=Adam(learning_rate=0.001), loss=MeanSquaredError())
history = autoencoder.fit(data, data, epochs=epochs, batch_size=batch_size, shuffle=True, validation_split=0.2)
return history
keyboard_arrow_down 4. Função de Plotagem da Evolução do Processo de Treinamento

def plot_training_history(history):
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.title('Training History')
plt.show()
keyboard_arrow_down 5. Função de Teste (SER)

def test_autoencoder(autoencoder, test_data):
decoded_data = autoencoder.predict(test_data)
mse = np.mean(np.square(test_data - decoded_data), axis=1)
ser = np.mean(mse > 0.1) # Ajustar o limiar conforme necessário
return ser
keyboard_arrow_down 6. Função de Resultado do Encoder

def plot_encoded_results(encoder, data):
encoded_data = encoder.predict(data)
plt.scatter(encoded_data[:, 0], encoded_data[:, 1])
plt.xlabel('Encoded Dimension 1')
plt.ylabel('Encoded Dimension 2')
plt.title('Encoded Results')
plt.show()
keyboard_arrow_down 7 - Função de Definição dos Parâmetros de Treino
def get_training_parameters(n, k):
# Definir parâmetros específicos para cada exercício
if n == 1 and k == 2:
# Exemplo de definição de parâmetros
return 1000, 50 # número de símbolos, número de epochs
# Adicionar mais condições conforme necessário
# ...
return 1000, 50 # valores padrão
keyboard_arrow_down 8. Treinamento e Avaliação dos Exercícios

# Exemplo para n=1, k=2, modulação PSK
n, k = 1, 2
num_symbols, epochs = get_training_parameters(n, k)
# Gerar dados de treinamento (exemplo simplificado)

train_data = np.random.rand(num_symbols, n * k)
# Construir, treinar e avaliar a rede

autoencoder, encoder = build_autoencoder(train_data.shape[1])
history = train_autoencoder(autoencoder, train_data, epochs=epochs)
plot_training_history(history)
ser = test_autoencoder(autoencoder, train_data)
print(f'Symbol Error Rate (SER): {ser}')
plot_encoded_results(encoder, train_data)
Epoch 1/50
4/4 [==============================] - 4s 64ms/step - loss: 0.3255 - val_loss: 0.2890
Epoch 2/50
Epoch 3/50
Epoch 4/50
Epoch 5/50
Epoch 6/50
Epoch 7/50
Epoch 8/50
Epoch 9/50
Epoch 10/50
Epoch 11/50
Epoch 12/50
Epoch 13/50
Epoch 14/50
Epoch 15/50
Epoch 16/50
Epoch 17/50
Epoch 18/50
Epoch 19/50
Epoch 20/50
Epoch 21/50
Epoch 22/50
Epoch 23/50
Epoch 24/50
Epoch 25/50
Epoch 26/50
4/4 [==============================] - 0s 11ms/step - loss: 0.0013 - val_loss: 8.7562e-04
Epoch 27/50
4/4 [==============================] - 0s 19ms/step - loss: 9.0893e-04 - val_loss: 6.0852e-04
Epoch 28/50
Epoch 29/50
Epoch 30/50
Epoch 31/50
Epoch 32/50
Epoch 33/50
Epoch 34/50
Epoch 35/50
Epoch 36/50
Epoch 37/50
Epoch 38/50
Epoch 39/50
Epoch 40/50
Epoch 41/50
Epoch 42/50
Epoch 43/50
Epoch 44/50
Epoch 45/50

Desafio Final - Ipynb - Colab

Enviado por

Direitos autorais:

Formatos disponíveis

Desafio Final - Ipynb - Colab

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Desafio Final - Ipynb - Colab

Enviado por

Direitos autorais:

Formatos disponíveis

14/07/2024, 19:57 Desafio Final.

Desafio de Programação 7: Modelagem de um Sistema de Comunicação RF com

Nome: Debora Natalia Goncalves da Costa

keyboard_arrow_down 2. Preparação do Ambiente

Numpy: (http://www.numpy.org/) para todas as operações matriciais;

#allows the drive to be accessed

!cat '/content/drive/MyDrive/Debora Natalia - utils_exp2.py'

cat: '/content/drive/MyDrive/Debora Natalia - utils_exp2.py': No such file or directory

keyboard_arrow_down 2- Arquitetura de rede neural (Autoencoder)

decoder = Dense(32, activation='relu')(encoder_output)

autoencoder = Model(input_layer, decoder_output)

return autoencoder, encoder_model

keyboard_arrow_down 3- Função de treinamento

keyboard_arrow_down 4. Função de Plotagem da Evolução do Processo de Treinamento

keyboard_arrow_down 5. Função de Teste (SER)

keyboard_arrow_down 6. Função de Resultado do Encoder

keyboard_arrow_down 7 - Função de Definição dos Parâmetros de Treino

keyboard_arrow_down 8. Treinamento e Avaliação dos Exercícios

# Gerar dados de treinamento (exemplo simplificado)

# Construir, treinar e avaliar a rede

Você também pode gostar