Resumo
Considerando a escassez de dados na área de comunicações ópticas no espaço livre para a análise de multiparâmetros, este estudo teve como objetivo utilizar uma metodologia de Inteligência Artificial (IA), visando esboçar este modelo de transmissão de dados. Dois cenários de simulação foram concebidos, o primeiro cenário com quatro parâmetros de entrada: distância, atenuação do canal no espaço livre óptico, ou Free Space Optics (FSO), ganho dos amplificadores no transmissor e receptor, e o segundo cenário com seis entradas, onde foram acrescentados o diâmetro de abertura do receptor e divergência do feixe. Com esta base de dados coletada, realizou-se a modelagem dos dados através de algoritmos de IA. Com o intuito de prever um valor numérico específico, algoritmos regressores foram utilizados e a efetividade do modelo treinado foi medida com base na estatística, coeficiente de determinação ($\text{R}^2$) e Mean Absolute Error (MAE). O parâmetro de saída analisado foi o máximo fator Q. Com base nos resultados foi constatado que, para o primeiro cenário, os modelos Boosted Decision Tree Regression (BDTR) e AdaBoost + Decision Tree Regression (ADTR) apresentaram uma estimativa excelente para o fator Q, com $\text{R}^2$ em torno de 99,995%, e, para o segundo cenário, os algoritmos Gradient Boosting Regressor (GBR) e Histogram Gradient Boosting Regression (HGBR) apresentaram ótima predição, um pouco pior que o primeiro cenário, porém com $\text{R}^2$ em torno de 99,8%. O conjunto de dados gerados por simulação foi comparado com os valores preditos nos Machine Learning Algorithms (MLAs) graficamente, confirmando a eficácia da predição do valor alvo. Destaca-se no segundo cenário o estudo de um link FSO em condições climáticas adversas com a melhoria de desempenho através da regulagem dos parâmetros internos do FSO, utilizando as técnicas de ML para otimizar o desempenho da rede FSO e minimizar os custos na implementação destas redes. Esta experiência não foi encontrada na pesquisa realizada na literatura.