Metody uczenia maszynowego dla poprawy jakości detekcji sygnału LTE

• Autorzy: Wasilewska Małgorzata , Bogucka Hanna

Identyfikatory

DOI

10.15199/59.2019.6.31

Warianty tytułu

EN

Machine learning for LTE-signal detection quality improvement

• Konferencja: Krajowa Konferencja Radiokomunikacji, Radiofonii i Telewizji (25-27.06.2019 ; Wrocław, Polska)
• Języki publikacji: PL

Abstrakty

PL

W niniejszej pracy rozważono przyszły system radiokomunikacyjny (5G), w którym wykrywana jest obecność sygnału LTE (4G) w celu umożliwienia dynamicznego dostępu do czasowo nieużywanych przez system LTE zasobów częstotliwości. Detekcja sygnału bazuje na znanych metodach sensingu lecz wykorzystuje też metody uczenia maszynowego w celu poprawy ich jakości. Wyniki symulacji komputerowej pokazują, że rozważone metody: k najbliższych sąsiadów oraz lasu losowego poprawiają prawdopodobieństwo detekcji sygnału (sensingu) dla niskich wartości stosunku sygnału do szumu.

EN

In this paper, the future radio communication (5G) system has been considered, in which LTE (4G) signal presence is detected in order to allow for dynamic spectrum access. This detection is based on known sensing methods, however it uses machine learning for sensing quality improvement. Simulation results for considered methods: k-nearest neighbors and random forest show that this method significantly improves the detection probability.

Słowa kluczowe

PL

sensing widma; radio kognitywne; uczenie maszynowe

EN

spectrum sensing; cognitive radio; machine learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2019
• Tom: nr 6
• Strony: 274--278, CD
• Opis fizyczny: Bibliogr. 6 poz., rys.

Twórcy

autor

Wasilewska Małgorzata

• Politechnika Poznańska, Wydział Elektroniki i Telekomunikacji, Ul. Polanka 3, 61-131 Poznań

autor

Bogucka Hanna

• Politechnika Poznańska, Wydział Elektroniki i Telekomunikacji, Ul. Polanka 3, 61-131 Poznań

Bibliografia

• [1] Kim K., Xin Y., Rangarajan S., "Energy Detection Based Spectrum Sensing for Cognitive Radio: An Experimental Study," 2010 IEEE Global Telecommunications Conference GLOBECOM 2010, Miami, FL, 2010, pp. 1-5.
• [2] Song L., Shen J., „Evolved Cellular Network Planning and Optimization for UMTS and LTE”, CRC Press, 2010.
• [3] Cover T. and Hart P., „Nearest neighbor pattern classification," in IEEE Transactions on Information Theory, vol. 13, no. 1, pp. 21-27, January 1967.
• [4] Bogucka H., „Technologie radia kognitywnego”, Wydawnictwo Naukowe PWN, Warszawa, 2013.
• [5] Kam Ho T., „The random subspace method for donstructing decision forests," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, no. 8, pp. 832-844, Aug. 1998.
• [6] Shalev-Shwartz S., Ben-David S., „Understanding Machine Learning: From Theory to Algorithms”, Cambridge University Press, 2014

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).