@phdthesis{01JR0279JHTR1EWCVAR4YX711N,
  abstract     = {{In onze steeds meer verbonden wereld zijn draadloze communicatiesystemen onmisbaar, bijvoorbeeld voor mobiele netwerken, slimme apparaten (IoT) en noodcommunicatie. Toch ondervinden deze systemen in de praktijk veel storingen, zoals signaalvervorming, storende signalen en hardwareproblemen. Deze dissertatie onderzoekt hoe moderne machine learning (ML), en met name deep learning, kan helpen om deze uitdagingen aan te pakken.

Het onderzoek richt zich op drie hoofdgebieden: het nauwkeurig bepalen van de richting van inkomende signalen (AoA), het wegfilteren van storende signalen op hetzelfde kanaal (CCI), en het slim comprimeren van beelden voor draadloze verzending. Door slimme leeralgoritmen te combineren met bestaande technieken, worden oplossingen ontwikkeld die niet alleen nauwkeuriger zijn, maar ook snel en geschikt voor apparaten met beperkte rekenkracht.

Een belangrijk resultaat is dat deze nieuwe methoden betrouwbaarder werken in echte, veranderlijke omstandigheden. Zo dragen ze bij aan snellere, robuustere en energiezuinigere draadloze netwerken. Deze dissertatie laat zien hoe kunstmatige intelligentie de weg kan banen voor de draadloze communicatie van de toekomst.}},
  author       = {{Naseri, Mostafa}},
  isbn         = {{9789463559737}},
  language     = {{eng}},
  pages        = {{XXVIII, 161}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Towards data-driven communication signal processing in realistic conditions}},
  year         = {{2025}},
}