Predykacja zajętości kanału LTE za pomocą rekurencyjnej sieci neuronowej

• Autorzy: Wasilewska Małgorzata , Bogucka Hanna

Identyfikatory

DOI

10.15199/59.2020.7-8.30

Warianty tytułu

EN

Recourrent neural network for LTE spectrum occupation prediction

• Konferencja: Krajowa Konferencja Radiokomunikacji, Radiofonii i Telewizji (17-18.09.2020 ; Łódź, Polska)
• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono metody detekcji i przewidywania obecności transmisji sygnału LTE. Zastosowano algorytmy uczenia maszynowego, takie jak algorytm k najbliższych sąsiadów, drzewo decyzyjne, sieć neuronową oraz rekurencyjną sieć neuronową. Za pomocą eksperymentów wykazano, że wymienione algorytmy, a w szczególności sieć rekurencyjna osiągają wysokie wartości prawdopodobieństwa poprawnej detekcji zarówno dla detekcji w czasie rzeczywistym, jak i dla przewidywania obecności sygnałów w przyszłości.

EN

In the paper, the methods of LTE spectrum detection and future state predictions have been presented. Machine learning algorithms have been implemented for spectrum sensing, namely k-nearest neighbors, decision tree, neural network and recurrent neural network. Conducted experiment has shown that these algorithms reach high values of probability of correct detection for current moment as well as for future prediction.

Słowa kluczowe

PL

5G; detekcja sygnałów; LTE; przewidywanie zajętości widma; rekurencyjna sieć neuronowa; uczenie maszynowe

EN

5G; LTE; machine learning; recurrent neural network; spectrum sensing; spectrum state prediction

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2020
• Tom: nr 7-8
• Strony: 269--273, CD
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Wasilewska Małgorzata

• Politechnika Poznańska, Wydział Informatyki i Telekomunikacji, Instytut Radiokomunikacji, Ul. Polanka 3, 61-131 Poznań

autor

Bogucka Hanna

• Politechnika Poznańska, Wydział Informatyki i Telekomunikacji, Instytut Radiokomunikacji, Ul. Polanka 3, 61-131 Poznań

Bibliografia

• [1] Kim Kyungtae, Xin Yan, Rangarajan Sampath. 2010. „Energy detection based spectrum sensing for cognitive radio: An experimental study." 2010 IEEE Global Telecommunications Conference GLOBECOM 2010.
• [2] Enserink Scott, Cochran Douglas. 1994. "A cyclostationary feature detector." Proceedings of 1994 28th asilomar conference on signals, systems and computers. Vol. 2. IEEE.
• [3] Kapoor Shipra, Rao S. V. R. K., Singh Ghanshyam. "Opportunistic spectrum sensing by employing matched filter in cognitive radio network." 2011 International Conference on Communication Systems and Network Technologies. IEEE, 2011.
• [4] Wasilewska Małgorzata, Bogucka Hanna. 2019. "Metody uczenia maszynowego dla poprawy jakości detekcji sygnału LTE." Przegląd Telekomunikacyjny+Wiadomości Telekomunikacyjne.
• [5] Cover Thomas, Hart Peter. 1967. "Nearest neighbor pattern classification," IEEE Transactions on Information Theory, vol. 13, no. 1, pp. 21-27
• [6] Ho Tin Kam. 1998. "The random subspace method for constructing decision forests," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, no. 8, pp. 832-844.
• [7] Lippmann Richard. 1987. "An introduction to computing with neural nets," IEEE ASSP Magazine, vol. 4, no. 2, pp. 4-22.
• [8] Goodfellow Ian, Bengio Yoshua, Courville Aaron. 2016. “Deep Learning”.
• [9] Géron Aurélien. 2019 “Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow”, pp 514-517
• [10] Song Lingyang, Shen Jia. 2010. “Evolved Cellular Network Planning and Optimization for UMTS and LTE”, pp. 56–58.
• [11] Kingma Diederik, Ba Jimmy. 2014. "Adam: A method for stochastic optimization." arXiv preprint arXiv:1412.6980.

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).