Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Predykacja zajętości kanału LTE za pomocą rekurencyjnej sieci neuronowej

100%

Wasilewska M. , Bogucka H.

tom nr 7-8

269--273, CD

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.

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.

Inteligentna predykcja stanu zajętości widma z uwzględnieniem wpływu zaników

100%

Wasilewska M. , Bogucka H.

tom nr 4

481--485

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.

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.

Machine Learning-Based Small Cell Location Selection Process

100%

Wasilewska M. , Kułacz Ł.

tom nr 2

120--126

In this paper, the authors present an algorithm for determining the location of wireless network small cells in a dense urban environment. This algorithm uses machine learning, such as k-means clustering and spectral clustering, as well as a very accurate propagation channel created using the ray tracing method. The authors compared two approaches to the small cell location selection process – one based on the assumption that end terminals may be arbitrarily assigned to stations, and the other assuming that the assignment is based on the received signal power. The mean bitrate values are derived for comparing different scenarios. The results show an improvement compared with the baseline results. This paper concludes that machine learning algorithms may be useful in terms of small cell location selection and also for allocating users to small cell base stations.