عنوان
ارائه الگوريتم‌هاي جديد تشخيص طيف در شبكه‌هاي راديو شناختمند با استفاده از ساختارهاي عصبي عميق
نويسنده اصلي
الصفي، پانيذ
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
رشته تحصيلي
مهندسي برق
مقطع تحصيلي
كارشناسي ارشد
چكيده
با توسعه اينترنت، افزايش تقاضا در حوزه اينترنت اشيا جهت تبادل داده‌هاي بي‌سيم به دليل رشد بي‌سابقه دستگاه‌هاي همراه و برنامه‌هاي كاربردي مبتني بر اينترنت، در حال افزايش است. اين رشد سريع در تعداد محصولات اينترنت اشيا، نيازمند توجه جدي به بهره‌وري انرژي و مديريت طيف است. اين در حالي است كه ميزان بهره‌برداري (در زمان و مكان) از طيف‌هاي تخصيص‌يافته به كاربران داراي مجوز، بين 15 تا 85 درصد متغير است. ازطرفي دسترسي به طيف گران‌بها بوده و محدوديت‌هايي را دارد. در همين راستا، براي استفاده بهينه‌تر از باندهاي فركانسي و افزايش بهره‌وري آن و پيداكردن راه‌حلي براي مشكل بين اتلاف طيف فركانسي و محدود بودن آن، مفهوم راديوشناختمند مطرح گرديده است. فناوري شبكة راديوشناختمند استفاده مجدد و دوباره از باندهاي فركانسي تخصيص‌يافته را امكان‌پذير مي‌نمايد. در شبكه راديوشناختمند مدل‌هاي مختلفي براي دسترسي به طيف فركانسي پيشنهاد شده است كه يكي از متداول‌ترين آن‌ها مدل درون‌بافي است. در اين مدل كاربران ثانويه قبل از ارسال داده، اقدام به حس‌كردن طيف فركانسي كرده و درصورتي‌كه كانال را خالي از كاربر اوليه يافتند، ارسال خود را آغاز مي‌نمايند. در هم‌زيستي ميان شبكه اوليه و ثانويه، تداخل تحميل شده به كاربران اوليه در اثر ارسال داده كاربران ثانويه اجتناب‌ناپذير است. اين تداخل بايد در سطح خاصي نگاه‌داشته شود. تداخل مذكور، ازيك‌طرف ناشي از خطاي حس‌كردن طيف و از طرف ديگر ناشي از بازگشت كاربر اوليه به طيف در حين ارسال كاربر ثانويه است. از سوي ديگر، يادگيري ماشين و يادگيري عميق به‌عنوان زيرمجموعه‌هاي هوش مصنوعي، در تشخيص طيف و تشخيص كاربر اوليه از روشهاي سنتي بهتر عمل مي‌كنند. در الگوريتم‌هاي يادگيري ماشين و شبكه‌هاي عصبي، قدرت استخراج خودكار و دقيق اطلاعات پنهان از داده‌ها باعث بهبود چشمگير كارايي در تشخيص ويژگي‌ها و الگوها مي‌شود. اين روش‌ها، به دليل هوشمندي و انعطاف‌پذيري بيشتر، توانايي پاسخ به تنوع گسترده‌اي از كاربران را دارند و با افزايش حجم داده‌ها به‌صورت بهتري عمل مي‌كنند. اين پيشرفت‌ها، يادگيري ماشين و يادگيري عميق را به ابزارهاي كارآمد و كليدي تبديل كرده است.
اين پژوهش با بهره‌گيري از ساختارهاي عصبي عميق، پيكربندي لايه‌هاي شبكه مربوطه و انجام پردازش‌هاي مناسب، به نتايج قابل قياسي با پژوهش‌هاي قبلي دست‌يافته كه اين فرايند در سه ساختار مختلف مورد بررسي قرار گرفته است. ساختارها مبتني بر يادگيري ماشين بوده كه براي تشخيص هوشمندانه طيف جهت شبكه‌هاي راديوشناختمند استفاده مي‌شود. ساختار عصبي عميق داراي توانايي استخراج انرژي سيگنال و شباهت‌هاي پيشوند چرخشي جهت تشخيص سيگنال OFDM به طور كارآمد و بدون هيچ‌گونه دانش اوليه است تا ويژگي‌هاي مختلف قابل‌توصيف و غيرقابل‌توصيف سيگنال OFDM استخراج گردد. به‌منظور ارزيابي عملكرد سه ساختار پيشنهادي، معيارهاي مختلفي مانند ماتريس درهم‌ريختگي، مساحت زير منحني، مقدار تلفات، منحني مشخصه عملكرد گيرنده (ROC) و احتمال تشخيص براي سيگنال به نويزهاي مختلف مورد مقايسه قرار گرفته است. نتايج به‌دست‌آمده نشان ميدهد در مقايسه با روشهاي مطرح پيشين، در فاز سوم به دليل همكاري بين يادگيرنده‌هاي ضعيف و قوي، عملكرد ساختار پيشنهادي به طرز چشمگيري بهبوديافته است.
شماره ركورد
222884
گرايش رشته تحصيلي
شبكه‌هاي مخابراتي
دانشكده
مهندسي برق و كامپيوتر
دانشگاه
دانشگاه صنعتي اصفهان