Machine learning applied to cooperative spectrum sensing in cognitive radios

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Engenharia Elétricapt_BR
dataload.filenamenourau7144.pdfpt_BR
dataload.handlemapped123456789/208pt_BR
dataload.idpergamum189706pt_BR
dataload.idvirtuanourauvtls000229654pt_BR
dataload.idvirtuapergamumvtls000229654pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000229654pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000229654pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorAbrão, Taufik [Orientador]pt_BR
dc.contributor.authorTavares, Caio Henrique Azolinipt_BR
dc.contributor.bancaProença Junior, Mario Lemespt_BR
dc.contributor.bancaMarinello Filho, José Carlospt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T15:17:26Z
dc.date.available2024-05-01T15:17:26Z
dc.date.created2019.00pt_BR
dc.date.defesa13.05.2019pt_BR
dc.description.abstractResumo: 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 máquinapt_BR
dc.description.abstractother1Abstract: In this dissertation we tackled the task of cooperative spectrum sensing on cognitive radio networks based on statistical and machine learning tools Considering the use of energy detectors on the secondary users (SU), we compared the application of diferent decision-making tools as a way to combine the energy level obtained at each SU Through statistical analysis of the estimated energy levels, the proposed Weighted Bayesian model combines the a posteriori probabilities of channel occupancy obtained at each SU weighted by their respective signal-tonoise (SNR) ratio in order to obtain a decision, which gets transmitted back to the SUs In order to suppress the need of obtaining and transmitting the SNR level on the SUs, we compared the application of three machine learning models, namely naive Bayes, feed-forward neural network and support vector machine (SVM) as a way of estimating the a posteriori probability of channel occupancy based solely on the energy level and a training dataset Numerical results have demonstrated that all three models perform close to the optimum maximum ratio combining (MRC) technique, specially the SVM technique with linear kernel Ultimately, the goal of this dissertation is to arrive at an in-depth analysis of diferente decision-making tools in a realistic cooperative spectrum sensing scenario, considering the computational complexity of training machine learning modelspt_BR
dc.description.notesDissertação (Mestrado em Engenharia Elétrica) - Universidade Estadual de Londrina, Centro de Tecnologia e Urbanismo, Programa de Pós-Graduação em Engenharia Elétricapt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/16965
dc.languagepor
dc.relation.coursedegreeMestradopt_BR
dc.relation.coursenameEngenharia Elétricapt_BR
dc.relation.departamentCentro de Tecnologia e Urbanismopt_BR
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.subjectSistemas de telecomunicaçãopt_BR
dc.subjectSensoriamento espectralpt_BR
dc.subjectRádios cognitivospt_BR
dc.subjectTelecommunication systemspt_BR
dc.subjectSpectrum sensingpt_BR
dc.subjectCognitive radiospt_BR
dc.titleMachine learning applied to cooperative spectrum sensing in cognitive radiospt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
7144.pdf
Tamanho:
1.27 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Engenharia Elétrica