Una mirada a la sincronización de la radio cognitiva

Contenido principal del artículo

Danilo Alfonso López Sarmiento
Leydy Johana Hernández Viveros

Resumen

Objetivo. Proponer el uso de herramientas de inteligencia artificial como modelo para la sincronización de las etapas de decisión y compartición espectral de la radio cognitiva. Metodología. La metodología que se utilizó fue exploratorio-descriptiva, recopilando información cronológicamente organizada en el tiempo y evaluando diferentes elementos que componen la radio cognitiva en cuanto a la sincronización entre sus etapas. De acuerdo a lo indagado y con el fin de llevar a cabo la investigación, se analizó cada una de las etapas que compone la radio cognitiva para una conexión y sincronización total, identificando en la etapa de decisión y compartición lo avanzado en el aspecto de integralidad entre las mismas. Originalidad. De los estudios investigados basados en la radio cognitiva, no se explora en ningún caso la sincronización entre sus etapas para evidenciar una funcionalidad integral del sistema. Limitaciones. Los diferentes estudios realizados a las etapas de la radio cognitiva deja ver que ninguno de estas por separado coindice, identificando que para el desarrollo de la propuesta se debe realizar el modelado para ambas etapas. Resultados. Los resultados en la revisión literaria encontrados dan señas que esta sincronización no ha sido abordada dando espacio a un vacío de conocimiento que se pretende atacar. Conclusión. La radio cognitiva es una metodología que propone el manejo dinámico del espectro radioeléctrico, integrando las etapas de detección, toma de decisiones, compartición y movilidad espectral. La fase de toma de decisiones espectrales se encarga de decidir cuál es el mejor canal disponible para transmitir los datos de los usuarios secundarios (SU) de manera oportunista, y su éxito depende de cuán eficiente sea el modelo de caracterización del usuario primario (PU) y la fase de compartición del espectro se encargará de esta manera de coordinar el acceso a el canal con otros usuarios, se busca la integralidad entre estas etapas.

Citas

-Arulkumaran, K., Deisenroth, M., Brundage, M., & Bharath, A. (2017). Deep reinforcement learning: A brief survey, Vol. 34 , no. 6,. IEEE Signal Processing Magazine, Vol. 34 (N° 6), 26-38.
-Cao, G., Lu, Z., Wen, X., Lei, T., & Hu, Z. (2018). AIF: An artificial intelligence framework for smart wireless network management. IEEE Communications Letters, Vol. 22(N° 2), 400-403.
-Caur, R., Buttar, A., & Anand, J. (2018). Spectrum sharing schemes in cognitive radio network: A survey. Proceeding of the 2nd International Conference on Electronics Communications and Aerospace Technology, 1279-1284.
-Caur, R., Buttar, A., & Anand, J. (2018). Spectrum sharing schemes in cognitive radio network: A survey. Proceeding of the 2nd International Conference on ElectronicsCommunications and Aerospace Technology, 1279-1284.
-Chin, W., Kao, C., Chen, H., & Liao, T. (2014). Iterative SynchronizationAssisted Detection of OFDM Signals in Cognitive Radio Systems. Vehicular Technology, IEEE Transactions, 63(4), 1633-1644.
-Federal Communications Commission. (2003). Notice of proposed rulemaking and order. Mexico D.F: Report ET Docket No: 03-332.
-Fortuna, C., & Mohorcic, M. (2009). Trends in the development of communication networks: Cognitive networks. Journal Computer Networks.,, 53(N° 9), 1354-1376. doi: https://doi.org/10.1016/j.comnet.2009.01.002.
-Gao, Z., Wen, B., Huang, L., Chen, C., & Su, Z. (2017). Q-Learning-based power control for LTE enterprise femtocell networks. IEEE Systems Journal, Vol. 11(No. 4), 2699-2707.
-Gopakumar, V., Tiwari, S., & Rahman, I. (2018). A deep learning based data driven soft sensor for bioprocesses. Journal Biochemical Engineering, 28-39.
-Hernández Sampieri, R., Collado, C. F., & Lucio, M. d. (2010). Metodología de la investigación. México D.F: McGraw Hill.
-Khalid, L., & Anpalagan, A. (2010). Emerging cognitive radio technology: Principles, challenges and opportunities. Elsevier, Computers and Electrical Engineering, 38(2), 358-366. doi: https://doi.org/10.1016/j. compeleceng.2009.03.004.
-Khomh, F., Adams, B., Cheng, J., & Fokaefs, M. (2018). Software Engineering for Machine-learning applications: The road ahead. IEEE Software, Vol. 35(No. 5), 81-84.
-López, D. (29 de Septiembre de 2017). Tesis doctoral: Implementación de un modelo predictor para la toma de decisiones en redes inalámbricas de radio cognitiva. Obtenido de Facultad de Ingenierías, Universidad Distrital Francisco José de Caldas: https://doctoradoingenieria.udistrital.edu.co/index.php/ es/inicio/documentos/repositorio-de-tesis-doctoral/item/488-implementacion-de-un-modelo-predictor-para-la-toma-de-decisiones-en-redes-inalambricas-de-radio-cognitiva
-López, D., Anzola, C., Zapata, D., & Rivas, E. (2018). Designing a MAC algorithm for equitable spectrum allocation in cognitive radio wireless networks. Journal Wireless Personal Communications, Vol. 98(N° 1), 135-145.
-López, D., Trujillo, E., & Gualdron, O. (2015). Elementos fundamentales que componen la radio cognitiva y asignación de bandas espectrales. Información tecnológica, 26(1), 23-40. doi: http://doi.org/10.4067/ S0718-07642015000100004.
-Maglogiannis, V., Naudts, D., Shahid, A., & Moerman, A. (2018). Q-Learning scheme for fair coexistence between LTE and Wi-Fi in unlicensed spectrum. IEEE Access, Vol. 6, 27278-27293.
-Mitola, J. (1999). Software radios - survey, critical evaluation and future directions. Proceedings of the National Telesystems Conference (NTC 1992, 13-23.
-Mohammadi, M., AlFuqaha, A., & Guizani, M. (2018). Semisupervised deep reinforcement learning in support of IoT and smart city servicesl, vol. 5 , no. 2,. IEEE Internet of Things Journal, Vol. 5(No. 2), 624635.
-Mohd, F., & Mohd, S. (2012). SVD Detection for Cognitive Radio Network based on Average of MaximumMinimum of the ICDF. International Journal of Advanced Computer Research (IJACR), 5. -Pedraza, L. (16 de 08 de 2016). Tesis doctoral: Modelo de propagación para un entorno urbano que identifica las oportunidades espectrales para redes móviles de radio cognitiva. Obtenido de Facultad de Ingeniería, Universidad Nacional de Colombia: http://bdigital.unal.edu.co/view/subjects/34.html.
-Peysakhovich, A., & Naecker, J. (2017). Using methods from machine learning to evaluate behavioral models of choice under risk and ambiguity. Journal of Economic Behavior and Organization, 373-384.
-Shared Spectrum Company. (2018). Spectrum reports: Spectrum occupancy measurement. General survey of radio frequency bands (30 MHz to 3 GHz). Vienna, Virginia: Shared Spectrum Company. Obtenido de http://www.sharedspectrum.com/wp-content/uploads/2010_0923-General-Band-Survey-30MHzto-3GHz.pdf.
-Shaw, S., Ghamri-Doudane, Y., Santos, A., & Nogueira, M. (2012). A reliable and distributed time synchronization for Cognitive Radio Networks. Global Information Infrastructure and Networking Symposium (GIIS), 1-19.
-Stergios, S., & Arumugam, N. (2011). Enhancing the Capacity of Spectrum Sharing Cognitive Radio Networks. IEEE Transactions on Vehicular Technology, 1-10.

Artículos más leídos del mismo autor/a