12916

اشتراك طيف بر پايه ي بهينه سازي اطلاعات متقابل رادار و سيستم هاي مخابراتي و استفاده از روش هاي يادگيري ماشين

1401

محمد سليماني

طيف فركانس راديويي محدود است و منبع مهمي براي ارتباطات و سيستم هاي سنجش محسوب مي شود . اما همچنان كه فناوري فركانس راديويي فشرده تر ، گران تر و پر كاربرد تر مي شود به طور فزاينده اي ممانعت از تداخل رادار و اشتراك طيف مشكل تر مي شود كه شامل تشخيص فركانس راديويي و تكنيك هاي طبقه بندي براي رادار هاي هوشمند مي باشد تا اين رادار ها بتوانند از تداخل با شبكه بي سيم نسل آينده جلوگيري كنند . اشتراك طيف را مي توان به دو دسته اصلي اشتراك تعاوني و اشتراك غير تعاوني تقسيم بندي نمود. در اشتراك غير تعاوني ، رادار و سيستم ارتباطي به عنوان كاربران فردي براي به كارگيري آن طيف مشترك اقدام مي كنند. در مقابل اشتراك گذاري تعاوني نيازمند يك عمليات مشترك راداري – ارتباطي است جايي كه هر دو سيستم براي كاهش تداخل ، اطلاعات را تبادل مي كنند روش‌هاي سنتي تخصيص فركانس شناختي فرض مي‌كنند كه تكامل طيف اشتراك گذاشته شده يك مدل احتمالاتي خاص را دنبال مي‌كند و براي تخصيص فركانس ، استراتژي مبتني بر قواعد را طراحي مي‌كنند. با اين حال، طيف اشتراك گذاشته شده به صورت فزاينده‌اي پويا مي باشد و توصيف آن با يك مدل خاص سخت مي باشد. علاوه بر اين، تخمين پارامترهاي مدل احتمالاتي سختي بيشتري دارد. به همين دليل، پژوهشگران به دنبال يك رويكرد يادگيري مبتني بر داده براي حل مسئله تخصيص فركانس مي باشند. يادگيري عميق ، زير مجموعه اي از يادگيري ماشين ، اخيرا به دليل قابليت هاي قابل توجه آن در استخراج الگو ها و نمايش هاي پيچيده از داده ، توجه قابل توجهي را به سمت خود جلب كرده است . مدل هاي يادگيري عميق به ويژه شبكه هاي عصبي ، پتانسيل خود را براي متحول كردن حوزه هاي مختلف ، از جمله بينايي كامپيوتر ، پردازش زبان طبيعي و حتي ارتباطات بي سيم نشان داده اند . در اين مقاله قصد داريم بر ادغام اشتراك طيف و يادگيري عميق متمركز شويم و بررسي كنيم كه چگونه الگوريتم هاي يادگيري عميق را مي توان براي افزايش كارايي و قابليت اشتراك طيف در محيط هاي بي سيم پويا و ناهمگن به كار ببريم . الگوريتم هاي يادگيري عميق به دليل توانايي آنها در مديريت روابط پيچيده و غيرخطي در مجموعه داده هاي بزرگ ، براي اين كار مناسب هستند و آنها را به يك راه حل مناسب براي ماهيت پويا و غير قابل پيش بيني سناريو هاي اشتراك طيف تبديل مي كند . هدف اصلي اين مقاله ، توضيح روش ها و الگوريتم هاي كليدي يادگيري عميق است كه مي توانند براي برنامه هاي به اشتراك گذاري طيف استفاده شوند . در اين مقاله سعي شده است كه مفاهيم اساسي پشت شبكه هاي عصبي عميق ، مانند شبكه هاي عصبي كانولوشنال (CNN) ، شبكه هاي عصبي بازگشتي (RNN) و يادگيري تقويتي عميق (DRL) پوشش داده شود . يادگيري تقويتي روشي است كه در آن عامل هوش مصنوعي يك استراتژي عملي را در تعامل با محيط ناشناخته ياد مي‌گيرد. علاوه بر اين، با توسعه يادگيري عميق، شبكه‌هاي عصبي عميق به يادگيري تقويتي كمك مي كنند، يعني يادگيري تقويتي عميق به يادگيري تقويتي اجازه مي‌دهد تا مسائل تصميم‌گيري بسيار پيچيده‌تري را حل كند. علاوه بر آن ، به مزاياي سنجش طيف مبتني بر يادگيري عميق ، تصميم گيري و تخصيص منابع نيز پرداخته شده است . با استفاده از قدرت يادگيري عميق ، هدف ما ارائه يك درك جامع از اين است كه چگونه اين تكنيك ها مي توانند راه را براي سيستم هاي اشتراك گذاري طيف كارآمد تر ، سازگارتر و هوشمند تر هموار كنند .

11/22/2023 12:00:00 AM

81362

1402/09/29

spectrum sharing based on interference optimization between radar and communication systems and using machine learning methods