Sensado espectral basado en la detección inteligente de anomalías para redes móviles cognoscitivas B5G
Cargando...
Archivos
Entrevistado
Entrevistador
Fecha de la entrevista
Fecha
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Autónoma de Baja California.
Descripción
Abstract
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.
Palabras clave
Redes de radio cognitivas||Tesis y disertaciones académicas||