Inteligentna predykcja stanu zajętości widma z uwzględnieniem wpływu zaników

• Autorzy: Wasilewska Małgorzata , Bogucka Hanna

Identyfikatory

DOI

10.15199/59.2022.4.86

Warianty tytułu

EN

Intelligen prediction of spectrum occupancy that includes fading effect influence

• Konferencja: Multikonferencja Krajowego Środowiska Tele- i Radiokomunikacyjnego (7-9.09.2022 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono algorytm predykcji wolnych zasobów w sieciach radiowych 5G. Sygnał 5G nadawany przez użytkownika pierwotnego (PU) poddawany jest zanikom występującym w kanale, co uniemożliwia poprawną detekcję i tym samym właściwą ochronę transmisji PU. Zaproponowany algorytm wykorzystuje możliwości głębokiego uczenia maszynowego w celu rozpoznania zależności czasowo-częstotliwościowych występujących w odebranym sygnale, a także rozpoznania stopnia zaniku. Znając te informacje, algorytm dokonuje lepszej detekcji wolnych zasobów, przy jednoczesnej ochronie transmisji PU.

EN

In this paper, we present a 5G spectrum resources prediction algorithm. 5G signal, transmitted by the primary user (PU) is transmitted through fading channel, which makes negatively affects prediction performance and proper protection of PU’s transmission. The proposed algorithm applies deep learning for estimating fading level and recognizing time-frequency patterns in a received signal. Having this information, the algorithm can perform better signal prediction and PU’s transmission protection.

Słowa kluczowe

PL

CNN; ML; detekcja sygnałów; 5G

EN

CNN; ML; spectrum sensing; 5G

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2022
• Tom: nr 4
• Strony: 481--485
• Opis fizyczny: Bibliogr. 6 poz., rys.

Twórcy

autor

Wasilewska Małgorzata

• Instytut Radiokomunikacji, Politechnika Poznańska, Poznań

autor

Bogucka Hanna

• Instytut Radiokomunikacji, Politechnika Poznańska, Poznań

Bibliografia

• [1] Bhamare Devyani, Pooram Suryawanshi . 2018. “Review on reliable pattern recognition with machine learning techniuques" . Fuzzy lnformation and Engineering, 10 (3): 362-377.
• [2] Omotere Oluwaseyi, Fuller John, Qian Lijun Han Zhu. "Spectrum occupancy prediction in coexisting wireless systems using deep learning". 2018. IEEE 88th Vehicular Technology Conference: 1-7.
• [3] Shawel Bethelhem, Woldegebreal Dereje, Pollin Sofie. 2019 "Convolutional 1st m-based long-term spectrum prediction for dynamic spectrum access”, 27th European Signal Processing Conference (EUSIPCO): 1-5
• [4] Tian Jinnfeng, Cheng Peng, Chen Zhuo et al. 2019. "A machine learning-enabled spectrum sensing method for OFDM systems". IEEE Transactions on Vehicular Technology, 68 (11): 11374-11378.
• [5] Wasilewska Małgorzata, Bogucka Hanna, Kliks Adrian. 2020 "Spectrum Sensing and Prediction for 5G Radio". BigData Technologies and Applications, 176-194.
• [6] Wasilewska Małgorzata, Kliks Adrian, Bogucka Hanna, et al. 2021. "Artificial Intelligence for Radio Communication Context-Awareness". IEEE Access.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).