Methodological comparison of machine learning techniques to improve adaptability and reduce the handoff rate in cognitive radios
Carregando...
Notas
Data
Autores
Orientadores
Editores
Coorientadores
Membros de banca
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Lavras
Faculdade, Instituto ou Escola
Departamento
Departamento de Ciência da Computação
Programa de Pós-Graduação
Programa de Pós-Graduação em Ciência da Computação
Agência de fomento
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos de Desenvolvimento Sustentável
Dados abertos
Resumo
Uma grande quantidade de dispositivos conectados nas bandas Industriais, Científicas e Médicas (ICMs), em grandes centros urbanos, faz com que a interferência entre eles seja inevitável. Considerando isso, a Federal Communication Commicion (FCC) montou em 2002 uma equipe para melhorar a política de gerência do espectro eletromagnético: a Spectrum Policy Task Force (SPTF). Foi então que os Rádios Cognitivos (RCs) foram propostos como uma solução, permitindo que usuários secundários se conectem em frequências reservadas para usuários primários, com baixa interferência entre eles. Uma das funções dos RCs é a seleção automática de canais do espectro eletromagnético. Muitos algoritmos foram propostos para prever qual será o próximo canal, porém poucos se preocupam com a adaptabilidade geográfica do modelo e quantidade de handoffs que o rádio faz. Neste trabalho, propomos uma comparação metodológica entre os algoritmos Conditional Random Fields (CRF) e Q-Learning, para analisar a capacidade de adaptação dessas duas técnicas em locais geográficos distintos, mantendo a precisão e uma baixa taxa de handoff. Testando nas frequências do Wi-Fi o CRF se mostrou em média mais adaptativo, por considerar uma janela temporal, com 97,6% de adaptabilidade contra 95,68% do Q-Learning. Ademais, a taxa de handoff do CRF permaneceu inferior a 0,1% em todos locais e frequências, contra uma média de 5,8% do Q-Learning.
Abstract
A large number of devices connected in the Industrial, Scientific & Medical (ISM) bands, in large urban centers, makes interference between them inevitable. Analyzing this, the Federal Communications Commission (FCC) assembled in 2002 a team to improve the policy of separation of the electromagnetic spectrum: the Spectrum Police Task Force (SPTF). Then the Cognitive Radio (CR) were proposed as a solution, allowing secondary users to connect on frequencies reserved for primary users, with low interference between them. One of the functions of CR is the automatic selection of channels in the electromagnetic spectrum. Several algorithms have been proposed to predict which will be the next channel, but few are concerned with the geographic adaptability of the model and the number of handoffs that the radio does. In this work, we propose a methodological comparison between the CRF and Q-Learning, to analyze the adaptability of these two distinct geographic local techniques, maintaining precision and a low handoff rate. Testing on Wi-Fi frequencies the CRF shows more adaptive, due its temporal windows, on average with 97.6% adaptability versus 95.68% for Q-Learning. In addition, a CRF handoff rate remained below 0.1% in all locations and frequencies, against an average of 5.8% for Q-Learning.
Descrição
Área de concentração
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
ISBN
DOI
Citação
LARA, O. N. Methodological comparison of machine learning techniques to improve adaptability and reduce the handoff rate in cognitive radios. 2021. 54 p. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Lavras, Lavras, 2021.