Um olhar sobre o timing do rádio cognitivo
Barra lateral de artigos
Como Citar
Detalhes do artigo

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Conteúdo do artigo principal
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
-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)
- Leydy Johana Hernández Viveros, Jaime Yecid Romero González, John Alexander Tiria Vásquez, Danilo Alfonso López Sarmiento, Estrategia de la mejora continua de la logística de transporte, una evaluación del diseño de una red de conexión continental multimodal de transporte, caso: Ruta Panamericana , Inclusión y Desarrollo: v. 7 n. 1 (2020): Enero-Junio