Aplicações de Inteligência Artificial em Rádios Cognitivos

Aplicações IA em Rádios Cognitivos

Estudo Dirigido

Aluno: Ramon Mayor MartinsProfessor: Dr. Carlos Alberto Ynoguti

• Algoritmos de Metaheurística• CBS – Busca Baseada em Caso• Teoria dos Jogos• Lógica Fuzzy

• RNA – Redes Neurais Artificiais

Técnicas de IATécnicas de IA

[3]

CE – Cognitive EngineCE – Cognitive Engine

[2]

CE – Cognitive EngineCE – Cognitive Engine

• Algoritmos de Metaheurística• CBS – Busca Baseada em Caso• Lógica Fuzzy

• Teoria dos Jogos • RNA – Redes Neurais Artificiais

Algoritmos de MetaheurísticaAlgoritmos de Metaheurística

O que é:

Metaheurística é a estratégia de guiar processos de busca

Tipos de Algoritmos de Metaheurística:

• Ant Colony Optimization (ACO)

• Evolutionary Computation (EC) Genetic Algorithms (GA)

• Iterated Local Search (ILS)

• Simulated Annealing (SA)

• Tabu Search (TS)


Algumas Aplicações AG para RC

•Resolução de problemas de otimização [18]

•Adaptar os parâmetros do RC (configurar dinamicamente) em resposta as mudanças do ambiente. [18]

•Melhorar o esquema de alocação espectral célula por célula baseado em AG para conseguir melhor eficiência espectral. [18]


Algoritmo Genético

• Potência, Largura de Banda, Freqüência, Modulação, etc são parâmetros considerados os genes do Radio Cognitivo.

• Estes genes, constroem o cromossomo do Radio Cognitivo.

• A partir da bio-operação (crossover, reprodução, seleção, mutação) é otimizado os parâmetros de Radio Cognitivo.



CBS – Busca Baseada em CasoCBS – Busca Baseada em Caso

O que é:

• É uma área de IA que se concentra no uso de experiências ou casos anteriores (memória) para orientar o processo de resolução de problemas e obter uma solução.

•Após novas soluções obtidas de adaptação de caso, o banco de dados de caso é atualizado com o novo caso.

•As características da CBS incluem a capacidade de resolver problemas em domínios parcialmente entendida, a capacidade para fornecer uma explicação única, e a estreita semelhança ao processo de raciocínio humano real.

CBS – Busca Baseada em CasoCBS – Busca Baseada em Caso

Algumas Aplicações CBS - RC

• Raciocínio CBS: Dado o ambiente observado atualmente e os objetivos de rádio, um CR pode usar um CBS para determinar uma solução aceitável (ação) para o ambiente atual com base no caso existente em um banco de dados de caso. Como um banco de dados caso não pode incluir todas as situações possíveis, um CR precisa aprender novos casos quandose deparar com situações novas, gerar novas ações para o novosituações, e atualizar o banco de dados caso dos novos casos.

• Ex: Obter parâmetros de radio para aplicações em ambiente WRAN [16]

• Ex: CBS com Lógica Fuzzy para determinar o tipo de canal (flat fading x frequency-selective fading, fast fading x slow fading) para WiMAX [17]



Lógica FuzzyLógica Fuzzy

Aplicações Lógica Fuzzy - RC

• É proposto o uso da Lógica Fuzzy no esquema de ajuste dinâmico de controle de potência, observando a distância entre o usuário primário e secundário (relativo a interferência). [14] [15]

• Abordagem fuzzy-base capaz de fazer decisões sobre o handoff de espectro (quando o secundário começa a interferir sobre o primario, é necessário realizar um handoff eficaz). [14] [15]

• Melhorar as tomadas de decisões.

• Anular os efeitos de usuários maliciosos que transmitem dados falsos, ou se passam por primário (Nível de confiança fuzzy). [14] [15]



Teoria dos JogosTeoria dos Jogos

O que é:

A Teoria dos Jogos é uma ferramenta matemática para ser utilizada na representação e análise de situações de conflito entre dois ou mais jogadores. Normalmente, o conflito entre os jogadores surge pela disputa por um recurso compartilhado e insuficiente, por exemplo o espectro de transmissão. [13]

Aplicação:

•Tomando os RC como dispositivos inteligentes que possuem interesses conflitantes, o problema de compartilhamento de espectro entre redes cognitivas pode ser resolvido com Teoria dos Jogos. [13]

•A teoria dos jogos ajuda a entender como os jogadores vão se comportar, ou seja, quais estratégias eles vão escolher. [13]



RNA – Redes Neurais ArtificiaisRNA – Redes Neurais Artificiais

Algumas Aplicações:

•Reconhecimento de Modulação (Presença do Primário) [7]

•Handoff de Espectro [8]

•Desempenho de Sinais 802.11 [4]

•Classificação de Modulação [5]

•Adaptação do parâmetro de Radio [9]

•Aprendizagem do Comportamento do Espectro [6]


Algumas Aplicações:

•Antenas Reconfiguráveis [1]

•Classificação de Sinais 802.11 (CCK e OFDM) [10]

•Aprendizado e Adaptação / Exploração de Comunicações Possíveis [11]

•Classificação de Padrões em transmissões de Radio Cognitivo [12]


• Reconhecimento de Modulação (Presença do Primário)

• Cada entrada é uma chave.• A partir de equações matemáticas é possível distinguir os esquemas de modulação.• Prevê-se que a identificação correta das sinais modulados é suficiente para confirmar a presença / ausência do principal proprietário do espectro


• Handoff de Espectro

• O objetivo é minimizar o número de chaveamento de canais e a quantidade de interferências causadas às operações licenciadas.

• O usuário secundário busca as melhores bandas do espectro para retomar a suacomunicação, dado que a faixa atual se torna indisponível ou não atende os requisitos da sua aplicação.


• Handoff de Espectro

• O primeiro refere-se ao mecanismo de sensoriamento de espectro, que busca capturar as informações do ambiente de rádio, formando os dados de sensoriamento C1, C2, C3,..., Cn, que serão utilizados como conjunto de entrada para a estrutura de previsão

•O segundo módulo refere-se à estrutura de previsão. Este módulo, baseado nos dados de sensoriamento obtidos, realiza a estimativa do comportamento dos canais licenciados para instantes futuros

•O terceiro módulo é a estrutura de decisão


• Desempenho de Sinais 802.11Entrada:

•ReceivedFrames, isto é, o número de quadros de dados detectadosno canal (independentemente do seu destino), que são recebido corretamente;

• ErroneousFrames, isto é, o número de quadros para a qual um soma de verificação não indicaram uma recepção incorreta;

• idleTime, isto é, a fração de tempo em que o canal foi ocioso;


• Classificação de Modulação

Saida:

Cada resultado esperado é um vetor com 9 colunas. Apenas um elemento deo vetor é igual a 1, correspondendo a uma modulação de único tipo, e todos os outros iguais a 0. Por exemplo, a saída do vetor da rede neural [1 0 0 0 0 0 0 0 0] corresponde ao tipo de modulação de AM, [0 1 0 0 0 0 0 0 0] indica o DSB, etc.

Referências BibliográficasReferências Bibliográficas

[1] J. Costantine1, Y. Tawk2, E. Al Zuraiqi2, S. E. Barbin3, and C. G. Christodoulou2 Applying Graph Models and Neural Networks on Reconfigurable Antennas for Cognitive Radio Applications

[2] Sponsored by: Army Research Office Joseph Gaeddert, Kyouwoong Kim, Rekha Menon, Lizdabel Morales,Youping Zhao, Dr. Kyung K. Bae, Dr. Jeffrey H. Reed Applying Artificial Intelligence to the Development of a Cognitive Radio Engine

[3] Youping Zhao Enabling Cognitive Radios through Radio Environment Maps

[4] Nicola Baldo and Michele Zorzi Learning and Adaptation in Cognitive Radios using Neural Networks

[5] Lanjun Qian Canyan Zhu Modulation Classification Based on Cyclic Spectral Features and Neural Network


[6] LiangYin, SiXing YinWeijun Hong, ShuFang Li,Spectrum Behavior Learning in Cognitive Radio Based on Artificial Neural Network

[7] Popoola,J e Olst Application of neural network for sensing primary radio signals in a cognitive radio environment,

[8] Andson,Handoff de Espectro em Redes Baseadas em Rádio Cognitivo Utilizando Redes Neurais Artificiais,

[9] J. H. Reed et al., “Development of a Cognitive Engine and Analysis of WRAN Cognitive Radio Algorithms—Phase I,” Wireless @ Virginia Tech, Virginia Polytech. Inst. State Univ., Blacksburg, VA, Dec. 2005.

[10] A. F. Cattoni, M. Ottonello, M. Raffetto, and C. S. Regazzoni,“Neural networks mode classification based on frequency distribution features”


[12] B. Ustundag and O. Orcay, “Pattern based encoding for cognitive communication,”

[13] Avaliação do Compartilhamento Espectral em Redes Cognitivas utilizando Jogos Evolucionários

[14] A Two Step Secure Spectrum Sensing Algorithm Using Fuzzy Logic for Cognitive Radio Networks

[15] Fuzzy-based Spectrum Handoff in Cognitive Radio Networks

[16] A. He, J. Gaeddert, K. Bae, T. R. Newman, J. H. Reed, L. Morales, and C. Park, “Development of a case-based reasoning cognitive engine for IEEE 802.22 WRAN applications,” ACM Mobile Comput. Commun. Rev., vol. 13, no. 2, pp. 37–48, Apr. 2009.

[17] M. Khedr and H. Shatila, “Cogmax—A cognitive radio approach for WiMAX systems,” in Proc. IEEE AICCSA, Rabat, Morocco, May 10–13, 2009, pp. 550–554.

[18] A Survey of Artificial Intelligence for Cognitive Radios

Engineering

Aplicações de Inteligência Artificial em Rádios Cognitivos