Examinando por Autor "Pablos Ramírez, César Mauricio"

Mostrando 1 - 2 de 2
  • Miniatura
    Publicación
    Evaluación basada en radio Definido por software de algoritmos de detección espectral
    (Universidad Autónoma de Baja California. Facultad de Ingeniería, 2017) Pablos Ramírez, César Mauricio; Andrade Reátaga, Ángel Gabriel; Galaviz Yáñez, Guillermo
  • Miniatura
    Ítem
    Sensado espectral basado en la detección inteligente de anomalías para redes móviles cognoscitivas B5G
    (Universidad Autónoma de Baja California., ) Pablos Ramírez, César Mauricio; Galaviz Yáñez, Guillermo; Andrade Reátiga, Ángel Gabriel
    El desarrollo de las comunicaciones móviles celulares ha cambiado la forma en la que nos comunicamos. Los sistemas posteriores a la quinta generación (B5G) visualizan aplicaciones tales como la conectividad vehicular, la realidad virtual y aumentada, las comunicaciones holográficas o el internet de los drones demandarán mayores tasas de transferencia de datos y espectro radioeléctrico. Sin embargo, la política de asignación estática del espectro muestra signos de llegar a sus límites. La compartición de espectro mediante la Radio Cognitiva (CR) es una alternativa para mejorar la eficiencia del uso del espectro radioeléctrico. La CR requiere de un proceso de percepción de espectro que identifique oportunamente bandas de frecuencia desocupadas. Existen diversos esquemas de detección de espectro que no siempre son capaces de resolver el problema de ocupación de espectro. De ahí que técnicas de inteligencia artificial (IA) se utilicen para modelar el problema de detección de espectro como un problema de clasificación. La teoría de detección de anomalías, rama de la IA, se utiliza para identificar valores atípicos en un conjunto de datos. Esta tesis se fundamenta en que es suficiente entrenar un modelo de detecci ́on de espectro con un solo tipo de se ̃nal (una sola clase), en este caso se utilizaron solo se ̃nales de ruido que representan un canal libre y cualquier se ̃nal modulada presente en el canal se considera como una anomal ́ıa. Se utiliz ́o el m ́etodo de reconstrucci ́on para modelar el detector de espectro, mediante un Autoencoder Convolucional (CAE) y, una memoria Larga de corto plazo (Long-Short Term Memory - LSTM) para detectar las desviaciones de los patrones de entrada. La ventaja de utilizar esta estrategia es que no se requiere recolectar una vasta cantidad de datos para entrenar el modelo, ni generar un modelo de detecci ́on de espectro complejo que requiere tiempos de entrenamiento excesivos. Los resultados de detecci ́on obtenidos con la teor ́ıa de detecci ́on anomal ́ıas superan a detectores convencionales como el detector de energ ́ıa y otros detectores basados en IA como clasificadores de se ̃nales.