Professional Documents
Culture Documents
DK Final
DK Final
Abstrakt—Qasja e spektrit dinamik (DSA) përfiton nga zbulimi Përparimet goritmike, mësimi i thellë premton nxjerrjen dhe funksionimin
dhe klasifikimi i burimeve të ndërhyrjes duke përfshirë përdoruesit e paraqitjeve latente të të dhënave të spektrit që algoritmet konvencionale
brenda rrjetit, përdoruesit jashtë rrjetit dhe bllokuesit që mund të
të mësimit të makinerive nuk kanë arritur t'i arrijnë. Në veçanti, mësimi i
bashkëjetojnë të gjithë në një rrjet pa tel. Ne paraqesim një zgjidhje
klasifikimi të sinjalit (modulimit) të bazuar në mësim të thellë në një thellë mund të klasifikojë në mënyrë efektive sinjalet bazuar në llojet e
mjedis realist të rrjetit pa tel, ku 1) llojet e sinjaleve mund të tyre të modulimit [1]-[7]. Manifestuar në grupet e të dhënave të
ndryshojnë me kalimin e kohës; 2) disa lloje sinjalesh mund të jenë disponueshme (p.sh., [1], [7]) për trajnimin e klasifikuesve të sinjaleve me
të panjohura për të cilat nuk ka të dhëna trajnimi; 3) sinjalet mund valë, një praktikë e zakonshme në studimet e mëparshme është të
të jenë të falsifikuara si p.sh. bllokuesit inteligjentë që rishikojnë
supozohet se llojet e sinjaleve janë të njohura, mbeten të pandryshuara
lloje të tjera sinjalesh; dhe 4) lloje të ndryshme sinjalesh mund të
mbivendosen për shkak të ndërhyrjes nga transmetimet e dhe shfaqen pa asnjë ndërhyrje dhe efekte mashtrimi. Megjithatë, këto
njëkohshme. Për rastin 1, ne aplikojmë të mësuarit e vazhdueshëm supozime janë zakonisht të pavlefshme në një rrjet realist pa tel, ku
dhe trajnojmë një rrjet nervor konvolucionist (CNN) duke përdorur
1) llojet e sinjaleve ndryshojnë me
një humbje të bazuar në konsolidimin e peshës elastike (EWC). Për
rastin 2, ne zbulojmë sinjale të panjohura nëpërmjet zbulimit të kalimin e kohës; 2) disa lloje sinjalesh nuk njihen apriori dhe për këtë
jashtëm të aplikuar në daljet e shtresave konvolucionale duke arsye nuk ka të dhëna trajnimi të disponueshme për ato
përdorur metodat e grupimit të Përcaktuesit Minimum të Kovariancës sinjale; 3) sinjalet janë potencialisht të falsifikuara, p.sh. një bllokues
(MCD) dhe k-means. Për rastin 3, ne zgjerojmë strukturën e CNN inteligjent mund të riprodhojë sinjalet e marra nga përdorues të
për të kapur ndërrime fazore për shkak të efekteve harduerike të
9tai1X
r]o:IvN
1v00811.9091 5hrc2
.ts0 as[
Fig. 1. Rastet e klasifikimit të sinjaleve RF, duke përfshirë sinjale të reja, sinjale të panjohura, sulme përsëritëse nga bllokuesit dhe sinjale të mbivendosura.
ne hartojmë një algoritëm të të mësuarit të vazhdueshëm [8] besimi i klasifikimit të tij. Nëse sinjali i marrë klasifikohet si bllokues,
për të përditësuar klasifikuesin me kosto shumë më të ulët, përdoruesi në rrjet mund të transmetojë ende duke përshtatur skemën
domethënë duke përdorur një konsolidim elastik të peshës e modulimit, e cila zakonisht korrespondon me një shpejtësi më të ulët
(EWC). Kjo qasje arrin me kalimin e kohës një nivel të të të dhënave. Supozojmë se një transmetim është i suksesshëm nëse
performancës të ngjashme me rastin ideal kur nuk ka modifikime tëraporti
reja. sinjal-ndërhyrje-dhe-zhurmë (SINR) në marrës është më i
2) Disa lloje sinjalesh si modulimet e përdorura në sinjalet bllokuese madh ose i barabartë me disa pragje të kërkuara nga një skemë
janë të panjohura (shih rastin 2 në Fig. 1) kështu që nuk ka të modulimi. Nëse zbulohen sinjale jashtë rrjetit, përdoruesi brenda rrjetit
dhëna trajnimi të disponueshme për mësimin e mbikëqyrur. Ne nuk duhet të transmetojë për të shmangur ndonjë ndërhyrje, dmth.
paraqesim një zgjidhje të zbulimit të jashtëm për të arritur përdoruesit jashtë rrjetit trajtohen si përdorues kryesorë. Rezultatet
saktësi të lartë në klasifikimin e sinjaleve me sinjale bllokimi të tregojnë se kjo qasje arrin xhiros më të lartë për përdoruesit brenda
panjohura. Për këtë qëllim, ne aplikojmë metodat e grupimit të rrjetit dhe raport më të lartë suksesi për përdoruesit e rrjetit tonë
Përcaktuesit të Kovariancës Minimum (MCD) dhe k-means në krahasuar me skemat standarde (të centralizuara) TDMA.
daljet e shtresave konvolucionare të klasifikuesit të sinjalit. Pjesa tjetër e punimit është organizuar si më poshtë. Seksioni II
Kjo qasje klasifikon me sukses të gjitha inliers dhe shumicën e diskuton punën e lidhur. Seksioni III paraqet klasifikimin e sinjalit të
outliers, duke arritur 0.88 saktësi mesatare. bazuar në të mësuarit e thellë në mjedise të spektrit të panjohur dhe
3) Jammerët inteligjentë nisin sulme përsëritëse duke regjistruar dinamik. Seksioni IV prezanton protokollin e planifikimit të shpërndarë
sinjale nga përdoruesit e tjerë dhe duke i transmetuar ato si si një aplikim i analizës së spektrit të bazuar në të mësuarit e thellë.
sinjale bllokimi (shih rastin 3 në Fig. 1). Ne e zgjerojmë Pjesa V përfundon punimin.
strukturën e CNN për të kapur zhvendosjen e fazës për shkak
të efekteve harduerike të radios për të identifikuar sinjalet e II. PUNE E LIDHUR
mashtrimit dhe për t'i rietiketuar ato si bllokues. Kjo qasje arrin
Klasifikimi i sinjalit është një funksion i rëndësishëm për aplikacionet
saktësi 0,972 në klasifikimin e sinjaleve të mbivendosura.
e radios njohëse për të përmirësuar ndërgjegjësimin e situatës (si
4) Sinjalet me valë merren si të mbivendosura (shih rastin 4 në Fig.
identifikimi i burimeve të ndërhyrjes) dhe për të mbështetur DSA.
1) nëse transmetohen në të njëjtën kohë (në të njëjtën
Qasjet tradicionale për klasifikimin e sinjalit përfshijnë metoda të
frekuencë). Ne aplikojmë ndarjen e burimit të verbër duke
bazuara në gjasat ose analiza të bazuara në veçori në mostrat e marra
përdorur Analizën e Komponentit të Pavarur (ICA) [9] për të
I/Q [10]-[12]. Megjithatë, këto dy qasje kërkojnë dizajn ekspert ose
marrë çdo sinjal të vetëm që klasifikohet më tej nga mësimi i thellë.
njohuri të sinjalit. Ato gjithashtu i shtojnë kompleksitet një marrësi pasi
Kjo qasje arrin saktësinë mesatare 0,837.
të dhënat e papërpunuara I/Q duhet të manipulohen përpara klasifikimit.
Rezultatet e klasifikimit të sinjalit përdoren në protokollin DSA që
ne e projektojmë si një protokoll planifikimi të shpërndarë, ku një Duke mësuar nga të dhënat e spektrit, mësimi i makinerive ka gjetur
përdorues brenda rrjetit transmeton nëse sinjali i marrë klasifikohet si aplikime të pasura në komunikimet me valë [13], [14]. Në veçanti,
i papunë ose në rrjet (ndoshta i mbivendosur). Nëse sinjali i marrë mësimi i thellë është aplikuar për të mësuar mjedise komplekse të
klasifikohet si në rrjet, përdoruesi në rrjet duhet të ndajë spektrin me spektrit, duke përfshirë ndjeshmërinë e spektrit nga një CNN [15],
përdoruesit e tjerë brenda rrjetit bazuar në shtimin e të dhënave të spektrit nga kundërshtarët gjenerues
Machine Translated by Google
rrjeti (GAN) [16], [17], vlerësimi i kanalit nga një rrjet nervor feedfor-
ward (FNN) [18], dhe bllokimi/anti-bllokimi me FNN në kohë trajnimi
dhe testimi [19]–[21]. Klasifikimi i modulimit është studiuar gjerësisht
me rrjetet nervore të thella [1]–[6], ku qëllimi është të klasifikojë një Fut te
Prodhimi
dhenat
sinjal të caktuar të izoluar në një lloj modulimi të njohur. Në [7],
performanca e klasifikimit të modulimit u vlerësua me matje në ajër.
[22] tregon se në performancën e sistemeve të botës reale varet Konvolucionale I dendur
MaxPooling Braktisin
nëse grupi i të dhënave të trajnimit kap plotësisht shumëllojshmërinë
e ndërhyrjeve dhe llojeve të harduerit në mjedisin real të radios.
Këto qasje nuk mund të aplikohen lehtësisht në një cilësim të rrjetit Fig. 2. Struktura e klasifikuesit CNN për klasifikimin e sinjalit RF.
pa tel, pasi ato nuk kapin tipe sinjalesh dinamike dhe të panjohura,
bllokues inteligjentë që mund të mashtrojnë llojet e sinjaleve (p.sh.,
Ne trajnojmë një klasifikues CNN që përbëhet nga disa shtresa
sinjalet mund të gjenerohen përmes GAN [23]) dhe mbivendosjen e
konvolucionale dhe shtresa plotësisht të lidhura në tre fazat e fundit.
llojeve të sinjaleve për shkak për transmetimet e njëkohshme. Në
Megjithatë, kur madhësia e filtrit në shtresat konvolucionale nuk
këtë punim, ne trajtojmë këto çështje për ta bërë klasifikimin e
është e ndashme me hapat, ajo mund të krijojë efekte shahu (shih
sinjalit të zbatueshëm për përdorim në një protokoll DSA.
[24] për më shumë detaje). Në strukturën e klasifikuesit CNN, të
paraqitur në Fig. 2, ne i kushtuam vëmendje për të shmangur efektet
III. ANALIZA E SPEKTRIT TË BAZUAR TË MËSIMIT TË THELLË e shahut dhe përdorëm shtresat
e mëposhtme: • Forma
Ne konsiderojmë skema të ndryshme modulimi të përdorura nga
hyrëse: (128, 2) • ZeroPadding 2D me
lloje të ndryshme përdoruesish që transmetojnë në një kanal të
madhësi (1, 1) • Shtresa konvolucionale me 128 filtra me
vetëm. Ne fillojmë me rastin bazë ku modulimet e përdorura nga
madhësi prej (3, 3) • Shtresa 2D MaxPolling me madhësi (2,
lloje të ndryshme përdoruesish janë të njohura dhe nuk ka
1) dhe hap (2, 1) • Pesë kaskada të mëposhtme:
mbivendosje sinjali (dmth. burimet ndërhyrëse janë tashmë të
ndara). Ne i kategorizojmë modulimet në katër lloje sinjalesh: – Zeropadding 2D me madhësi (1, 1)
– Shtresë konvolucionale me 256 filtra me madhësi prej
1) joaktive: pa sinjal (3, 3)
2) sinjalet e përdoruesit brenda rrjetit: QPSK, 8PSK, – Shtresa 2D MaxPolling me madhësi pishinë (2, 2) dhe hap
CPFSK 3) sinjalet bllokuese: QAM16, QAM64, PAM4, WBFM (2, 1)
4) sinjalet e përdoruesit jashtë rrjetit: AM-SSB, AM-DSB, GFSK
• Shtresa plotësisht e lidhur me 256 neurone dhe funksioni i
Ka përdoruesit brenda rrjetit (përpjekjet për të hyrë në kanal në aktivizimit të Njësisë Lineare Eksponenciale të Shkallëzuar
mënyrë oportuniste), përdoruesit jashtë rrjetit (me përparësi në (SELU), që është x nëse x > 0 dhe aex ÿ a nëse x ÿ 0 për
aksesin në kanal) dhe bllokuesit që të gjithë bashkëjetojnë. disa konstante a • Dropout me
Përdoruesit jashtë rrjetit trajtohen si përdorues kryesorë dhe probabilitet 0,5 • Shtresë plotësisht e lidhur me 64 neuronet dhe
komunikimet e tyre duhet të mbrohen. Pa njohuri paraprake për funksioni i
domenin, përveç të dhënave të trajnimit, një përdorues brenda aktivizimit SELU • Dropout me
rrjetit i klasifikon sinjalet e marra në punë boshe, brenda rrjetit, probabilitet 0.5 • Shtresa plotësisht e lidhur me 4 neurone dhe
bllokues ose jashtë rrjetit. Klasifikuesi llogarit një vektor rezultati funksioni i aktivizimit SELU
(p0, pin, pjam, pout) për çdo shembull, ku p0, pin, pjam dhe pout Klasifikuesi është trajnuar në TensorFlow [25]. Optimizuesi
janë rezultatet e gjasave për klasifikimin e sinjaleve si të papunë, ADAM [26] përdoret me një madhësi hapi 5 × 10ÿ5 dhe funksioni
në rrjet, bllokues dhe jashtë rrjetit, respektivisht - në mënyrë aktive. kategorik i humbjes së entropisë së kryqëzuar përdoret për stërvitje.
Nëse një pikë është më e madhe se tre të tjerat, shembulli klasifikohet si rasti përkatës.
Funksioni i ndër-entropisë jepet nga
A. Struktura dhe performanca e klasifikuesit L(ÿ) = ÿ ÿi log(yi), (1)
Ne përdorim grupin e të dhënave në [1]. Çdo mostër në grupin e i
të dhënave përbëhet nga 128 pika të dhënash me vlerë komplekse, ku ÿ është grupi i parametrave të rrjetit nervor dhe {ÿi} m është një
dmth, secila pikë e të dhënave ka dimensionet e (128, 2, 1) për të tregues
i=1 binar i së vërtetës së tokës, i tillë që ÿi = 1 vetëm nëse i
përfaqësuar komponentët realë dhe imagjinarë. Ne përdorim 10 është etiketa e saktë midis m klasave (etiketa). Dalja e rrjetit nervor
modulime (QPSK, 8PSK, QAM16, QAM64, CPFSK, GFSK, PAM4, y ÿ Rm është një vektor m-dimensionale, ku çdo element në yi ÿ y
WBFM, AM-SSB dhe AM-DSB) të mbledhura në një gamë të gjerë korrespondon me gjasat që ajo klasë të jetë e saktë.
SNR-sh nga -20 dB në 18 dB në rritje prej 2 dB. Këto modulime
kategorizohen në lloje sinjalesh siç u diskutua më parë. Në çdo Ne i ndajmë të dhënat në 80% për trajnim dhe 20% për testim.
SNR, ka 1000 mostra nga çdo lloj modulimi. Në vend që të përdorim Funksioni i humbjes dhe saktësia janë paraqitur në Fig. 3 si funksion
një nxjerrje konvencionale të veçorive ose arkitektura të rrjetit nervor i epokave të stërvitjes. Saktësia e testimit është 0.934.
të thellë jashtë raftit, si ResNet, ne ndërtojmë një rrjet nervor të Fig. 4 tregon matricën mesatare të konfuzionit të klasifikuesit mbi të
thellë të personalizuar që merr të dhënat I/Q si hyrje. gjitha nivelet SNR. Tabela I tregon saktësinë mesatare vs.
Machine Translated by Google
B. Mësimi i vazhdueshëm
Deri më tani, ne supozuam se të gjitha llojet e modulimit janë të
disponueshme në të dhënat e trajnimit. Tani shqyrtojmë rastin që
fillimisht pesë modulime i mësohen klasifikuesit. Me kalimin e kohës,
prezantohen tre modulime të reja. Ri-trajnimi i modelit duke përdorur
të tetë modulimet sjell disa çështje në lidhje me kujtesën, llogaritjen
dhe sigurinë si më poshtë. • Memoria: Të
dhënat e mëparshme duhet të ruhen. • Llogaritja:
Ritrajnimi duke përdorur të dhënat e plota do të zgjasë më shumë.
• Siguria:
Nëse një pajisje ose server rrezikohet, kundërshtari do të ketë të
dhënat për të trajnuar klasifikuesin e vet, pasi të dhënat e
mëparshme dhe të reja ruhen të gjitha.
Nga ana tjetër, nëse një model ritrajnohet duke përdorur tre modulimet
e reja me Zbritje të Gradientit Stochastic (SGD), performanca në pesë
modulimet e mëparshme bie ndjeshëm (shih Fig. 6). Kjo quhet harresa
katastrofike [27], [28]. Në figurën 6, detyra A është klasifikimi i pesë
modulimeve të para dhe detyra B është klasifikimi i tre modulimeve të
reja të ardhshme.
Fig. 3. Performanca e klasifikuesit CNN.
SGD vuan nga harresa katastrofike dhe saktësia e saj në detyrën A
bie në 0.37 kur ritrajnohet me detyrën B.
Ne aplikojmë EWC për të adresuar këtë problem. EWC ngadalëson
të mësuarit në peshat e zgjedhura të rrjetit nervor për të kujtuar detyrat
e mësuara më parë (modulimet) [28]. EWC rrit funksionin e humbjes
duke përdorur Matricën e Informacionit Fisher që kap ngjashmërinë e
detyrave të reja dhe përdor funksionin e shtuar të humbjes L(ÿ) të
dhënë nga
ÿ 2
L(ÿ) = LB(ÿ) + Fi(ÿi ÿ ÿ ÿ A,i) , (2)
2
i
MD(x) = (x ÿ µx) T (Sx)ÿ1(x ÿ µx) , (3) performanca e algoritmit MCD mund të përmirësohet më tej. Kështu, kjo
qasje paraqet skenarin më të keq për zbulimin e jashtëzakonshëm.
ku µx dhe Sx janë mesatarja dhe kovarianca e të dhënave x, përkatësisht.
Ne provuam dy qasje: i) të aplikojmë drejtpërdrejt zbulimin e jashtzakonshëm
duke përdorur MCD dhe ii) të nxjerrim veçoritë dhe të zbatojmë zbulimin e Saktësia e klasifikimit për elementët e brendshëm dhe të jashtëm si
jashtzakonshëm MCD në këto veçori.
funksion i faktorit të kontaminimit në MCD është paraqitur në Fig. 7.
Cilësimet e vlerësimit janë si më poshtë: • Sinjalet e Faktori më i mirë i ndotjes është 0.15, i cili maksimizon saktësinë minimale
tjera: QPSK, 8PSK, CPFSK, AM-SSB, AM- për inliers dhe outliers.
DSB, GFSK Tabela II tregon saktësinë në funksion të SNR dhe Fig. 8 tregon matricat
• Sinjalet e jashtme: QAM16, QAM64, PAM4, WBFM e konfuzionit në nivelet SNR 0dB, 10dB dhe 18dB.
Machine Translated by Google
Fig. 8. Matricat e konfuzionit të zbulimit të jashtëm të bazuar në MCD në vlera të ndryshme SNR.
A. Struktura e superkornizës
Fig. 12. Matricat e konfuzionit për sinjalet e mbivendosura në vlera të ndryshme SNR.
Spektri Klasifikimi i sinjalit Orari i shpërndarë përdorni atë për klasifikimin e sinjaleve. Ne përcaktojmë profilin e trafikut të
Slotet kohore të
Duke ndjerë Parashikoni kanalin Shkëmbim paketat
përdoruesit
transmetimit të të dhënave 1,2, …, T jashtë rrjetit (i papunë kundrejt i zënë) si një model Markov me dy gjendje.
Mblidhni të dhëna I/Q statusi e kontrollit
Kjo do të thotë, nëse nuk ka transmetim të përdoruesit jashtë rrjetit, ai
është në gjendjen 0, përndryshe është në gjendjen 1. Probabiliteti i kalimit
Fig. 13. Struktura e superkornizës.
nga gjendja i në j është pij . Çdo përdorues në rrjet ndërton vlerësimin e
Algoritmi 1 Planifikimi i bazuar në rezultatet e klasifikimit. tij mbi këtë model Markov duke mësuar në internet si më poshtë.
1: Çdo marrës dërgon statusin e kanalit (lloji, rezultati) te transmetuesi i tij nëse 1) Inicializoni numrin e ndryshimeve të gjendjes si
lloji nuk është jashtë rrjetit. Nëse statusi i kanalit është jashtë rrjetit, nuk n00 = 1, n01 = 1, n10 = 1, n11 = 1. (4)
duhet të ketë transmetim për të mbrojtur transmetimet e përdoruesve jashtë
2) Përditësoni këta numra bazuar në gjendjen e kaluar i dhe gjendjen
rrjetit.
2: Nëse një transmetues merr statusin e kanalit nga marrësi i tij dhe nuk zbulon aktuale të parashikuar j, dmth, nij = nij + 1.
3) Probabiliteti i tranzicionit të gjendjes llogaritet si pij = nij/(ni0 + ni1).
një përdorues jashtë rrjetit, ai transmeton një kërkesë (lloji, përparësitë).
Prioritetet janë numrat T të gjeneruar bazuar në rezultatin e marrë dhe
Pas mësimit të profilit të trafikut të përdoruesve jashtë rrjetit, rezultatet
përdoren për të konkurruar me transmetuesit e tjerë për slotet kohore T.
e klasifikimit të sinjaleve bazuar në mësimin e thellë përditësohen si më
3: Një marrës gjeneron dhe transmeton një përgjigje si: 4: nëse poshtë. Supozoni se statusi i fundit është stÿ1, ku stÿ1 është ose 0 ose 1.
lloji i kërkesës nga transmetuesi i tij është më i vogël se lloji i kërkesës Pastaj bazuar në pij , ne mund të klasifikojmë statusin aktual
T T me besim c
nga të gjithë transmetuesit e tjerë, atëherë si s t t. Për shembull, nëse stÿ1 = 0 dhe = p00.
T T = 0 dhe c
5: transmetuesi i tij do të transmetojë në të gjitha slotet kohore T. p00 > p01, pastaj s t t Supozoni me besim
D
6: fundi Klasifikimi aktual sipas mësimit të thellë është s
D
ct, ku s ështëDose 0 ose 1 dhe c D t
nëse 7: nëse lloji i kërkesës nga transmetuesi i tij është i njëjtë me llojin t t është në [0.5, 1].
e kërkesës nga disa transmetues të tjerë, atëherë Klasifikimi i papunësisë, në rrjet dhe bllokues korrespondon me gjendjen
8: transmetuesi i tij do të transmetojë në një slot kohor t nëse prioriteti i 0 në këtë studim. Kemi tre rastet e mëposhtme.
T D
tij në këtë slot kohor është më i madhi ndër prioritetet e këtyre •st =st.= Nuk ka nevojë të ndryshohet klasifikimi.
T D
•st 0 dhe s t T = 1. Pastaj bazuar në profilin e trafikut, = 0
besimi i s t besimi T
është c ndërsa
transmetuesve. 9: fund nëse bazuar në të mësuarit e thellë,
is D t = 1 është 1 ÿ c Dt . Ne përdorim një
10: Një transmetues do të transmetojë në slot kohore t nëse përgjigja nga marrësi t
parametër peshë w ÿ [0, 1] për të kombinuar këto dy konfidenca si
i tij e aprovon që ai të jetë aktiv në hapësirën kohore t dhe përgjigjet nga
wcT ). Nëse D
+ (1kyÿ besim
t w) (1 ÿi ckombinuar është më i vogël se 0.5, ne
t
marrës të tjerë nuk specifikojnë një transmetues tjetër në këtë slot kohor.
pretendojmë se gjendja aktuale është 1, përndryshe gjendja aktuale
është 0.
T = 1 dhe s D
•st t = 0. Pastaj bazuar në profilin e trafikut, ndërsa
T besimi i s T = 0 është 1 - c në bazë të thellë
Ky protokoll shpërndahet dhe kërkon vetëm që përdoruesit në rrjet të t t
D = 0 është c D
shkëmbejnë informacion me fqinjët e tyre. duke mësuar, besimi i këtyre dy t t . Bashkojmë Nëse
T D
besimeve si w(1 ÿ c besimi i kombinuar t ) + (1 ÿ w)c t . kjo
C. Profili i trafikut në klasifikimin e sinjaleve është më i vogël se 0,5, ne pretendojmë se gjendja aktuale është 1,
Profilet e trafikut mund të përdoren për të përmirësuar klasifikimin e përndryshe gjendja aktuale është 0.
sinjaleve pasi sinjalet e marra mund të lidhen me kalimin e kohës. Në vijim Vini re se gjendja 0 duhet të klasifikohet si joaktive, brenda rrjetit ose
ju paraqesim se si të mësoni profilin e trafikut të përdoruesve jashtë rrjetit dhe bllokues bazuar në mësimin e thellë. Kjo qasje përdor të dyja
Machine Translated by Google
parashikimi nga profili i trafikut dhe klasifikimi i sinjaleve nga mësimi i thellë, dhe do TABELA IV
të ofronte një klasifikim më të mirë për statusin e kanalit. PERFORMANCA E SISTEMIT ME Klasifikues të ndryshëm.
• Supozohet modeli i kanalit Gaussian. • Nëse një • Skema e standardit 2: Produkti brenda rrjetit është 4196.
Suksesi i përdoruesit jashtë rrjetit është 47,57%.
transmetim është i suksesshëm, xhiroja e arritur në një slot të caktuar kohor është
Performanca e planifikimit të shpërndarë me klasifikues të ndryshëm është
1 (paketë/slot).
paraqitur në Tabelën V.
Masat e performancës janë xhiroja e përdoruesit brenda rrjetit (paketë/slot) dhe
3) Profili i trafikut i integruar me klasifikimin e sinjalit: Ne krahasojmë rezultatet me
raporti i suksesit të përdoruesit jashtë rrjetit (%). Qëllimi është përmirësimi i të dyja
dhe pa marrë parasysh profilin e trafikut dhe standardet. Ne gjenerojmë një shembull
masave.
tjetër me p00 = p11 = 0,8 dhe p01 = p10 = 0,2. Pesha (w) për të kombinuar rezultatet
1) Skemat e standardeve: Për qëllime krahasimi, ne konsiderojmë dy skema të
e mësimit të thellë dhe rezultatet e profilit të trafikut është vendosur si 0,2. Ne kemi
centralizuara të standardeve duke ndarë një superkornizë në një numër të
performancën e mëposhtme të standardit.
mjaftueshëm slotash kohore dhe duke i caktuar ato transmetuesve për të shmangur
përplasjen.
• Skema e standardit 1: Shfrytëzimi i përdoruesit brenda rrjetit është 829.
• Skema e standardeve 1. Një slot i veçantë kohor i caktohet çdo përdoruesi në
Suksesi i përdoruesve jashtë rrjetit është 16%.
rrjet për të transmetuar të dhënat e tij. Kjo skemë ka nevojë për 100 lojëra
• Skema e standardit 2: Rrjedha e përdoruesit brenda rrjetit është
kohore pasi ka 100 përdorues në rrjet. • Skema e standardeve 2. Ne caktojmë
4145. Suksesi i përdoruesve jashtë rrjetit është 16%.
në mënyrë optimale lojëra elektronike kohore për të gjitha nyjet për të minimizuar
numrin e lojërave kohore. Ne mund të ndërtojmë një grafik interferencash, ku Performanca me dhe pa profilin e trafikut të përfshirë
e vlerësuar në klasifikimin e sinjalit është paraqitur në tabelën VI.
çdo nyje përfaqëson një lidhje dhe çdo skaj midis dy nyjeve përfaqëson
4) Klasifikimi me shenjat e jashtme dhe sinjalet e mbivendosura: Ne krahasojmë
ndërhyrjen midis dy lidhjeve nëse ato aktivizohen në të njëjtën kohë. Nëse
rezultatet e standardeve me marrjen në konsideratë të pikave të jashtme dhe
shkalla maksimale e këtij grafiku të interferencës është D, numri minimal i
mbivendosjes së sinjalit. Performanca e standardit është e njëjtë si më parë, pasi
hapësirave kohore për të shmangur të gjitha ndërhyrjet është D + 1.
nuk varet nga klasifikimi: • Skema e standardit 1: Shfrytëzimi i përdoruesit brenda
IV, ku klasifikuesi i rastësishëm klasifikon në mënyrë të rastësishme kanalin me Ne studiuam klasifikimin e sinjalit të bazuar në mësim të thellë për rrjetet pa tel në
probabilitet 25%. prani të përdoruesve jashtë rrjetit dhe bllokuesve. Përveç modulimeve fikse dhe të
Ne morëm parasysh efektin e mungesës së bllokimit dhe përftuam performancën njohura për çdo lloj sinjali, trajtuam edhe rastet praktike ku 1) modulimet ndryshojnë
e standardit: • Skema e standardit me kalimin e kohës; 2) disa modulime janë të panjohura për të cilat nuk ka të dhëna
1: Produkti brenda rrjetit është 881. Jashtë- trajnimi; 3) sinjalet janë
suksesi i përdoruesve të rrjetit është 47,57%.
Machine Translated by Google