Um olhar sobre o timing do rádio cognitivo

Conteúdo do artigo principal

Danilo Alfonso López Sarmiento
Leydy Johana Hernández Viveros

Resumo

Objetivo. Propor o uso de ferramentas de inteligência artificial como modelo para a sincronização das etapas de decisão e compartilhamento espectral do rádio cognitivo. Metodologia. A metodologia utilizada foi de caráter exploratório-descritivo, coletando informações cronologicamente organizadas ao longo do tempo e avaliando diferentes elementos que compõem o rádio cognitivo em termos de sincronização entre suas etapas. De acordo com o que foi investigado e para realizar a pesquisa, cada uma das etapas que compõem o rádio cognitivo foi analisada para uma conexão e sincronização total, identificando na etapa de decisão e compartilhamento o que há de avançado no aspecto da abrangência. entre eles. Originalidade. Dos estudos investigados com base no rádio cognitivo, a sincronização entre seus estágios não é explorada em nenhum caso para demonstrar uma funcionalidade integral do sistema. Limitações. Os diferentes estudos realizados nas etapas do rádio cognitivo mostram que nenhum desses co-índices separadamente, identificando que, para o desenvolvimento da proposta, a modelagem deve ser realizada nas duas etapas.


Resultados. Os resultados da revisão literária encontrada mostram que essa sincronização não foi resolvida, dando espaço a uma lacuna de conhecimento que se pretende que seja atacada.


Conclusão. O rádio cognitivo é uma metodologia que propõe o gerenciamento dinâmico do espectro de rádio, integrando as etapas de detecção, tomada de decisão, compartilhamento e mobilidade espectral. A fase de tomada de decisão espectral é responsável por decidir qual é o melhor canal disponível para transmitir oportunisticamente os dados do usuário secundário (SU), e seu sucesso depende da eficiência do modelo de caracterização do usuário primário (PU). e a fase de compartilhamento do espectro será responsável por coordenar o acesso ao canal com outros usuários dessa maneira, buscando a abrangência entre esses estágios.

Referências

-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.

Artigos mais lidos pelo mesmo(s) autor(es)