Metodyka predykacji zajętości pasma w kanale radiowym w oparciu o głębokie sieci neuronowe

• Autorzy: Walczyna Tomasz , Piotrowski Zbigniew

Identyfikatory

DOI

10.15199/59.2024.4.9

Warianty tytułu

EN

Method for prediction of band occupation in a radio channel based on deep neural networks

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

W artykule zaprezentowano nową metodę predykcji zajętości pasma w kanale radiowym stosującą głębokie sieci neuronowe. Metoda ta wykorzystuje strukturę autoenkodera do wieleopozoiomowej kompresji spektrogramów sygnału radiowego, co pozwala na efektywne kodowanie i dekodowanie sygnału radiowego. Implementacja prostych warstaw liniowych umożliwia szybką generację sygnału przewidywanego (predykcję spektrogramu), co jest istotne dla dynamicznie zmieniających się warunków w kanale radiowym. Dzięki zastosowaniu opisanej w artykule metodzie możliwe jest precyzyjne przewidywanie zakresów zajętości pasma radiowego dla ustalonych okresów predykcji.

EN

The article presents a new prediction of band-width occupancy in radio channels, which are integrated into a neural network. This method utilizes the structure of an autoencoder for multilevel compression of the radio signal's spectrogram, allowing for efficient encoding and decoding of the radio signal. The implementation of simple linear layers enables fast generation of the predicted signal (spectrogram prediction), which is crucial for dynamically changing conditions in radio channels. Thanks to the application of the method described in the article, it is possible to predict the ranges of radio bandwidth occupancy.

Słowa kluczowe

PL

predykcja pasma; sieci neuronowe; sztuczna inteligencja; pasmo radiowe; band prediction; neural networks; artificial intelligence; radio band

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 65--68
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Walczyna Tomasz

• Wojskowa Akademia Techniczna, Wydział Elekroniki, Warszawa

autor

Piotrowski Zbigniew

• Wojskowa Akademia Techniczna, Wydział Elekroniki, Warszawa

Bibliografia

• [1] Akbar IA, Tranter WH (2007) Dynamic spectrum allocation in cognitive radio using hidden Markov models: Poisson distributed case. In: Proceedings 2007 IEEE SoutheastCon. pp 196–201
• [2] Bank D, Koenigstein N, Giryes R (2021) Autoencoders
• [3] Li Y, Dong Y, Zhang H, Zhao H, Shi H, Zhao X (2010) Spectrum Usage Prediction Based on High- order Markov Model for Cognitive Radio Net- works. In: 2010 10th IEEE International Conference on Computer and Information Technology. pp 2784–2788
• [4] Lin Z, Jiang X, Huang L, Yao Y (2009) A Energy Prediction Based Spectrum Sensing Approach for Cognitive Radio Networks. In: 2009 5th International Conference on Wireless Communications, Networking and Mobile Computing. pp 1–4
• [5] Sherstinsky A (2020) Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network. Phys Nonlinear Phenom 404:132306. doi: 10.1016/j.physd.2019.132306
• [6] Tumuluru VK, Wang P, Niyato D (2010) A Neural Network Based Spectrum Prediction Scheme for Cognitive Radio. In: 2010 IEEE International Conference on Communications. pp 1–5
• [7] Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser L, Polosukhin I (2017) Attention Is All You Need
• [8] Wang L, Hu J, Jiang R, Chen Z (2024) A Deep Long-Term Joint Temporal–Spectral Network for Spectrum Prediction. Sensors 24:1498. doi: 10.3390/s24051498
• [9] Wicht J, Wetzker U, Jain V (2022) Spectrogram Data Set for Deep-Learning-Based RF Frame Detection. Data 7:168. doi: 10.3390/data7120168
• [10] Yarkan S, Arslan H (2007) Binary Time Series Approach to Spectrum Prediction for Cognitive Radio. In: 2007 IEEE 66th Vehicular Technology Conference. pp 1563–1567.