حسگری مشارکتی طیفی در شبکه های رادیوشناختی بر اساس تکنیک های هوش مصنوعی
چکیده
با نگاهی به جدول تخصیص فرکانسی می¬توان فهمید که تقریبا تمام بخش¬های قابل استفاده از طیف فرکانسی به کاربردهای خاص اختصاص یافته و در ظاهر با نوعی کمبود پهنای باند مواجه هستیم در حالیکه اگر طیف فرکانسی مورد استفاده را مرور کنیم، متوجه می¬شویم که برخی از قسمت¬های طیف در اغلب اوقات تقریبا بدون استفاده هستند که در این شرایط استفاده فرصت¬طلبانه از باند فرکانسی خالی ضروری به نظر می¬رسد. برای استفاده بهینه از طیف فرکانسی محققان مخابرات، رادیوشناختی را معرفی کردند. سنجش طیف یکی از بخش¬های مهم رادیوشناختی می¬باشد که در این بخش و در طول زمان سنجش، یک su جهت عمل حسگری باید به¬طور موقت ارسال داده خود را متوقف کند و برای پیداکردن باندهای خالی کمک کند. واضح است که هر چه تعداد suهای شرکت کننده در سنجش طیف بیشتر باشند احتمال یافتن حفره¬های خالی بیشتر می¬¬شودو دقت حس¬گری بالا می¬رود. ولی با توجه به این که suهای انتخاب شده در طول زمان عمل حس¬گری نمی¬توانند داده خود را ارسال کنند و همچنین برای پیداکردن باندهای خالی با نرخ بالا نیازمند تعداد su بیشتر و زمان پایش طولانی می¬باشیم سرباره به شبکه تحمیل می¬شود. افزایش تعداد suها باعث افزایش احتمال خطای تداخل و کاهش آن باعث افزایش احتمال هشدار غلط می¬گردد. بنابراین انتخاب تعداد suها جهت انجام عمل حس¬گری حائز اهمیت است. در این پایان¬نامه ساختار آشکارسازی انرژی را توضیح داده و خصوصیات آن را با رسم منحنی roc مورد بررسی قرار می-دهیم. نتایج شبیه سازی نشان می دهد که استفاده از سنجش طیف مشارکتی برای استفاده بهتر از منابع طیفی کمک می¬کند ما تعداد کاربرهای بهینه را برای بهینه¬سازی احتمال آشکارسازی و کاهش سرباره برای عملکرد بهتر استفاده از منابع بدست می¬آوریم در ادامه از تکنیک الگوریتم ژنتیک برای پیداکردن سطح آستانه بهینه بهره بردیم که نشان دادیم با انتخاب یک سطح آستانه بهینه احتمال آشکارسازی افزایش می¬یابد و از آموزش شبکه عصبی برای بدست آوردن پارامتر مجهول pd یا pfa و یا snr به ازای دو ورودی معلوم دیگر با استفاده از تقریب تابع انجام گرفته است که سرعت عملکرد را بالا می¬برد.