Machine learning applied to cooperative spectrum sensing in cognitive radios

• Ano de defesa: 2024
• Autor(a) principal: Tavares, Caio Henrique Azolini
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sistemas de telecomunicação; Sensoriamento espectral; Rádios cognitivos; Telecommunication systems; Spectrum sensing; Cognitive radios
• Link de acesso: https://repositorio.uel.br/handle/123456789/16965

Resumo: Nesta Dissertação discute-se a tarefa de sensoriamento espectral cooperativo em rádios cognitivos baseada em ferramentas estatísticas e de aprendizado de máquina Considerando o uso de detectores de energia nos usuários secundários (SU), compara-se a aplicação de diferentes ferramentas de tomada de decisão como forma de combinar o nível de energia obtido em cada SU Através de análise estatística do nível de energia, o modelo proposto Weighted Bayesian combina as probabilidades a posteriori de ocupação de canal obtidas em cada SU, ponderadas pela respectiva taxa de sinal-ruído (SNR), de forma a obter uma decisão que, por sua vez, é transmitida de volta aos usuários secundários Com o objetivo de suprimir a necessidade de obter e transmitir o nível de SNR nos SUs, compara-se a aplicação de três modelos de aprendizado de máquina, a saber naive Bayes, rede neural feed-forward e máquina de vetor de suporte (SVM), como forma de estimar a probabilidade a posteriori de ocupação do canal baseada somente no nível de energia e um conjunto de treinamento Resultados numéricos mostraram que todos os três modelos obtiveram uma performance próxima da ótima definida pela técnica maximum ratio combining, especialmente a técnica SVM com kernel linear Por fim, o objetivo desta Dissertação é prover uma análise abrangente de diferentes técnicas de tomada de decisão em cenários realistas de sensoriamento espectral cooperativo, considerando a complexidade computacional de se treinar modelos de aprendizado de máquina