Predicción Espectral en Redes Inalámbricas de Radio Cognitiva

8/16/2019 Predicción Espectral en Redes Inalámbricas de Radio Cognitiva

1/11

55

PREDICCIÓN ESPECTRAL EN REDES INALÁMBRICAS DE RADIO

COGNITIVA

g

SPECTRAL PREDICTION IN COGNITIVE RADIO WIRE-LESS NETWORKS

Palabras clave: radio cognitiva, algoritmos, red neuronal, lógicadifusa, regresión lineal, etapas de la radio cognitiva.

Keywords: Cognitive radio, algorithm, neural network, fuzzy logic,linear regression, cognitive radio stages.

RESUMEN

Uno de los grandes desaíos de la radio cognitiva es establecer la for -ma adecuada para realizar predicciones en las diferentes fases quecomponen un radio cognitivo. A partir de las estimaciones se puedendeterminar el estado y características de los canales, la actividad delos usuarios primarios y secundarios, la movilidad espectral; todo ello

con el in de que los nodos no licenciados puedan aprovechar adecua-damente y de manera oportunista las bandas subutilizadas. En esteartículo se presenta una revisión de algunas de las técnicas más re -levantes que han sido aplicadas en la predicción espectral en la radiocognitiva.

ABSTRACT

One of the great challenges of cognitive radio is to establish the correctway to make future predictions in the different phases in a cognitiveradio. From estimates can determine the status and characteristics

of the channels, the activity of the primary and secondary users, thespectral mobility; all this in order that the nodes are not properly li -censed and can take advantage of underutilized bands opportunisticway. This article reviews some of the most relevant techniques thathave been used in spectral prediction in Cognitive Radio is presented.

Danilo Alfonso López Sarmiento

Magister en Ciencias de la Informa

ción y las Comunicaciones

Docente planta de la Universidad

Distrital Francisco José de Caldas

[email protected]

Bogotá, Colombia

Edwin Rivas TrujilloDoctor en Ingeniería Eléctrica, Elec

trónica y Automática

Docente planta de la Universidad Dis

trital Francisco José de Caldas

[email protected]

Bogotá, Colombia

Oscar Gualdrón Guerrero

Descripción.

[email protected]

Pamplona, Colombia

Vol. 5 │ No. 2 │ Pág. 55-65 │ Diciembre 2014 │ E-ISSN: 2248 – 762X │ Universidad Distrital Francisco José de Caldas

Tipo: Revisión de tema

Fecha de Recepción: Junio 25 de 2014

Fecha de Aceptación: Octubre 25 de 201


2/11

56

1. INTRODUCCIÓN

La tecnología de radio cognitiva (CR) posibilitaque los usuarios secundarios (SU) compartanel espectro licenciado con los nodos prima-

rios (PU) sobre la base de la no interferenciay soportado en las funciones que componenla CR (apartado 2). De acuerdo con [1] [2], sepresentan falencias que diicultan la capacidadde mejoramiento de las redes, entre las que sedestacan:

• En la detección; el sensado en espectros debanda ancha puede resultar en retardos detiempo no despreciables [1] [2], sobre todoen los sitios donde existe una alta actividad.

• En la toma de decisiones; donde sólo selec-

ciona y asigna bandas después de que seansolicitadas por el SU, variable que quebran-ta la eiciencia de la red en razón a los retra-sos introducidos.

• En la compartición espectral; los usuarioscognitivos pueden arribar a la red con di-ferentes requerimientos de calidad de ser-vicio (QoS) y ancho de banda. Asignar es-pectro a solicitudes heterogéneas puedeconducir también a considerables retrasosen el tiempo [1].

Las falencias citadas dependen directamente

de los modelos o metodologías que se utilicenpara realizar estimaciones futuras de compor-tamiento y repercuten de manera negativa enel óptimo funcionamiento de las redes. Por talmotivo es necesario que los paradigmas de pre-dicción espectral sean inteligentes, autónomos,ya que redundaría en una disminución signii-cativa del consumo de energía al requerir me-nor procesamiento computacional. El artículopresenta cómo en la literatura cientíica se apli-can diferentes paradigmas de programación enla selección de espectro, partiendo de la deini-ción formal de radio cognitiva, posteriormente

se presentan algunas técnicas utilizadas en lapredicción, y se inaliza las respectivas conclu-siones.

2. RADIO COGNITIVA (CR)

La CR es considerada la tecnología que podríamejorar la administración del espacio radio-

eléctrico útil en las transmisiones inalámbricasde datos, fundamentada en la asignación de fre-cuencias de forma dinámica, dependiendo de laactividad de las bandas espectrales, y lograndoque usuarios licenciados (PU) y no licenciados(SU) coexistan en la misma infraestructura dered. El marco de gestión espectral en CR plan-tea cuatro funciones: sensado, decisión, movili-dad y compartición de espectro (igura 1).

La detección consiste en la identiicación de lasoportunidades espectrales y la capacidad dedetectar en tiempo real la aparición de usua-rios autorizados en el agujero espectral. Latoma de decisiones se reiere a la capacidadde los nodos no licenciados para seleccionarla mejor banda disponible en términos de la

calidad de servicio solicitada por los SU y deacuerdo con las características existentes en labanda. Por su parte, la movilidad espectral esla habilidad de un nodo CR para desocupar elmedio de transporte cuando se detecta la pre-sencia de un PU desde la fase del sensado, y asu vez la capacidad de desplazarse a otra bandalibre haciendo un handoff reactivo o proactivo;la compartición de espectro controla el accesocoordinado al canal seleccionado por los SU [1].

Con base en la igura 1, el funcionamiento delciclo cognitivo en un nodo (que es el que inte-

gra las diferentes etapas de la radio cognitiva)parte de un barrido de frecuencia en el quefunciona el dispositivo, buscando bandas endesuso mediante monitorización; informaciónque es entregada a la etapa de decisión paraque puedan ser seleccionados y asignados alos SU. La distribución de bandas depende dela topología de la red; si es centralizada es rea-lizada por el dispositivo de acceso (estaciónbase o un dispositivo central); si es ad hoc, demanera distribuida los SU se comunican entresí sin ningún tipo de intermediario, tomandouna decisión de forma cooperativa. Debido a ladinámica propia de la CR, existe la posibilidadde que más de un SU desee acceder al espectro,segmentación que es resuelta por la comparti-ción espectral; si durante la transmisión no sealcanza a completar la transferencia porque deforma probabilística arriba un PU a utilizar labanda que se cedió o si hay una disminuciónen las prestaciones a nivel de la QoS (en razón

R e d

e s d e

I n g eni er í a

Predicción espectral en redes inalámbricas de radio cognitivaDanilo Alfonso López Sarmiento / Edwin Rivas Trujillo / Oscar Gualdrón Guerrero


3/11

57

a que el SU no está pagando por ese recurso),debe abandonar el canal y movilizarse a otro.

En este sentido hay una probabilidad de quese tenga que realizar una movilidad espectral,siendo necesario volver a realizar un sensado,para determinar a dónde debe darse el movi-miento. Teniendo en cuenta que cada una de lasetapas que componen el ciclo cognitivo en CRaumenta los tiempos de procesamiento por lascomplejas tareas que son necesarias desarro-llar y predecir (sensado, estimación futura, di-visión espectral, comportamiento aleatorio deSU y PU, entre otros), desde sus inicios la CR havenido trabajando con el concepto de predic-ción de espectro [1], problema desaiante que

implica varios subtemas, tales como la estima-ción del estado del canal, de la actividad de losPU, del comportamiento de llegada de los SU ala red, de la selección y asignación previa de loscanales, de las características para determinarcaminos de respaldo en caso de la necesidad dehacer handoff espectral.

3. TÉCNICAS UTILIZADAS EN LA RADIOCOGNITIVA

3.1. Predicción basada en la ocupaciónhistórica del canal

En [3] se propone un algoritmo de decisión deespectro basado en predicciones a partir delanálisis y registro de la ocupación históricadel canal, que incluye la opción de establecerla probabilidad de llegada de un cliente licen-ciado antes de que el SU termine con la sesiónde envío generada desde los nodos cognitivos.

La aplicación utiliza un método de aprendizajeen línea que actualiza periódicamente los pa-

rámetros del sistema. El transmisor/receptorpuede detectar el espectro libre en un ampliorango, pero tiene la capacidad de seleccionarsolamente uno. El modelo de predicción asumeel comportamiento ON/OFF similar a [4] y uti-liza una estructura en árbol invertido (igura 2)para almacenar y mantener la información his-tórica del canal, pero establecida para que fun-cione de acuerdo a la frecuencia de aparicióny no a la probabilidad de aparición (ecuación(1)).

Figura 2. Estructura en árbol que registra y mantiene laactividad histórica registrada [3]

( ( )) ( )

, ..., ( )( ) ( )

( )

P p S K n S K

P S K n f f

f

0

0 1 00 1

0

n i i

n i

n n

n

1 1

1

= + =

= + - = =++ +

+

Donde Si(k) representa la serie binaria; f n+1(0)es la frecuencia de aparición en la rama iz-quierda del árbol en la capa (n+1); f n+1(1) es lafrecuencia en la rama derecha del árbol en lamisma capa.

R e d e s d e

I n g e n

i e r í a

(1)

Figura 1. Marco de la gestión espectral en CR [1]



4/11

58

3.2. Predicción basada en la carga de labatería de la red

En [5] se expone una predicción espectral“consciente” cuando el nivel de batería de lared cae por debajo del umbral de funciona-miento normal, incluyendo una QoS aceptable(para requisiciones de ancho de banda) y prio-ritaria para servicios de voz, video, a través demedios que requieran un consumo de potenciabaja de transmisión. La propuesta seleccionaprimero un canal que satisfaga las necesidadesde los datos con prioridad más alta; cumplidaesa tarea, entra en funcionamiento el control deadmisión a administrar el acceso de los paque-

tes de más baja prioridad que vayan a competirpor el ancho de banda disponible. La interco-nexión de los bloques que hacen parte activadel diseño se muestra en la igura 3.

El CSMU basado en la información entregadapor la unidad de control de QoS (QCU) y so-portado en la unidad de monitoreo energético(EMC) (que detecta si el radio está funcionandocon alimentación AC o con batería), estima ypredice el canal con las condiciones estableci-das desde la capa de aplicación. El canal de ra-dio frecuencia y el de monitoreo evalúan cons-tantemente e informan acerca de los cambiosque se van generando en el medio ambiente.

R e d

e s d e

I n g eni er í a


Figura 3. Diagrama de bloques de estimación bajo condición de estado crítico de disponibilidad de energía en lasbaterías [5]

3.3. Predicción basada en datos medidos

En [6] se propone una técnica para predecir elespectro con estadísticas espaciales y camposaleatorios usando datos obtenidos de medidasespectrales (igura 4). Se caracteriza el espectroestudiando su comportamiento como funciónde un campo aleatorio desconocido, que no sonmás que métodos considerados como extensio-nes de la teoría de procesos estocásticos desdeun espacio unidimensional a uno multidimen-sional. Se utilizan las estadísticas de Moran [7]y Geary [8] para tomar las medidas tendientesa caracterizar la estructura espacial estocástica

de segundo orden del espectro licenciado parasu estimación futura, midiendo el grado de co-rrelación para datos espaciales cuya estructurade covarianza es deinida por vecindades [9].

Los modelos estadísticos de Moran y Geary fue-ron probados en medidas de ocupación distri-buida de espectro de bandas de frecuencia paraservicios inalámbricos de Wi-Fi, TV y redes ce-lulares. No obstante, se concluyó que Geary re-quiere una cantidad de datos suicientes paraasegurar que patrones similares no sean des-cartados cuando las bandas son raramente mo-nitorizadas.


5/11

59

3.4. Esquema basado en predicción decorrelación

Un modelo de predicción del espectro es pro-puesto en [11] y pronostica el estado futuro delcanal usando el histórico de detección obtenido

de los resultados de decisión locales. El propó-sito de la correlación fundamentada en esque-mas de predicción beneicia la correlación a lolargo del estado histórico de la ventana de es-pectro. En primera instancia, el coeiciente decorrelación de Pearson [12] se mide entre lasmuestras históricas. Luego, si este coeicienteestá por encima de un umbral, la predicción dela ventana se llena con la última muestra delhistórico de la ventana. Si no se encuentra unacorrelación suiciente, el procedimiento llenala ventana con el resultado común. El pronósti-co intuitivo sobre el estado futuro del espectrose calcula si existe una alta correlación entrelas muestras del histórico; para las próximasranuras el comportamiento del espectro muyprobablemente será igual al último estado.

Este procedimiento se plantea en el diagramade lujo de la igura 5, con base en el algoritmopresentado en [11], donde es el histórico dela ventana (W H =[H 1 ,H 2 ,...,H |W H | ]), x el índice delvector (1,2,...,|W H |), δc el umbral de correlación,el tamaño de la ventana. Como se puede dedu-

cir del dia grama de lujo, el programa visualizala capacidad de estimación o no del estado fu-turo de un rango de frecuencias. Para ello ob-tiene los valores de W H y δc, a partir de allí secarga el valor de los elementos históricos W H ,luego se divide cada elemento del vector W H en-tre el valor más grande de un método conocidocomo de las mayorías. Si el resultado de esta di-visión es mayor al umbral de correlación que seda, el algoritmo es capaz de predecir el estadofuturo del canal llenando los demás elementosdel vector W H con ese resultado, asignándolo alSU que lo requiera; si no se supera ese umbral,no es posible predecirlo y se llenan los demáselementos del vector W H con el resultado pro-medio de las divisiones.

R e d e s d e

I n g e n

i e r í a

Figura 4. Modelo del sistema de predicción [9] [10]



6/11

60

3.5. Método de predicción basado enregresión lineal

En [11] se establece que el coeiciente de corre-lación de Pearson es un índice estadístico que

mide la relación lineal entre dos variables cuan-titativas y su cálculo se obtiene relacionando lacovarianza con el producto de las desviacionesestándar. Por lo tanto, el coeiciente de Pearsonda una idea acerca de la relación lineal entre elestado del sensado espectral y el vector índice(dado por X=[1,2,...,|W H |]); donde es la posiciónde memoria que almacena el histórico de lasdecisiones espectrales). Si esta relación supe-ra un umbral, puede ser usada en la predicciónespectral, para obtener la estimación. La igu-ra 6 presenta el proceso seguido por [11] pararealizar la predicción del canal fundamentado

en la correlación y regresión lineal, donde seobserva que el funcionamiento del algoritmoinicia por establecer el valor del vector históri-co de la ventana W H y por conocer el valor delumbral δc.

Su funcionamiento inicia por cargar el valor delos elementos históricos de la ventana W H , des-pués relaciona cada elemento del vector entreel valor más grande del método de las mayo-rías; si el resultado de esta división es mayoral umbral (que es variable y en este instanteigual a 0,5), el vector W H se llena con binariosy se dice que el algoritmo es capaz de predecirel estado futuro del canal, de lo contrario no sepuede predecir el estado y se llena W H con elelemento mayor de las divisiones.

R e d

e s d e

I n g eni er í a


Figura 5. Diagrama de lujo con base en el método de predicción de correlación (elaboración de los autores a partir delalgoritmo [11])


7/11

61

3.6. Método predictivo con lógica difusa

En [13] se utiliza la lógica fuzzy para resolverlos problemas en el manejo del espectro rela-cionados con la ubicación de canales especíi-cos y decisión de uso, dentro del espectro haciael usuario secundario. El sistema difuso jerár-quico consiste en dos controladores difusos[14] [15], planteados como aparece en [16] y

[11] e implementados de acuerdo con lo mos-trado en el diagrama de lujo de la igura 7. ElFLS1 (Fuzzy Logic Systems)recibe tres entra-das, la eiciencia espectral, distancia y movili-dad, y entrega al FLS2 la probabilidad de uti-lización del canal. FLS2 funciona dependiendode la información de la utilización del canal, latasa de habilitación del canal, y la tasa de nodisponibilidad del canal, y deine la posibilidadde asignar un canal para el acceso del usuariosecundario al espectro. En el FLS1 se estima lautilización del canal primario y se decide si éstepuede ser usado por un secundario, resultado

que es entregado al FLS2 junto con las varia-bles previamente mencionadas para estimar la

probabilidad de asignar el canal. Después de laselección del canal, la tasa de error de bit (esti-mado) (BER) se obtiene de la ecuación (2).

BERC C

BER C BER C U estimado

S P

S S P P estimada$ $ $

=+

+

Donde el BERS , es la tasa de error de bit del ca-nal secundario, BERP la tasa de error de bit delcanal primario, C S la capacidad máxima del ca-nal para el canal secundario, y C P la capacidadmáxima del canal para el canal primario y laU estimada está dada por la ecuación (3).

U T T

estimada

off

on=

Donde T on es el periodo durante el cual el canalno está llevando tráico (disponible) y T off es elperíodo durante el cual el canal está llevandotráico (no disponible). El ciclo inal del algo-ritmo establece si se puede cumplir con la QoSsolicitada por el SU.

R e d e s d e

I n g e n

i e r í a

Figura 6. Diagrama de lujo usando regresión lineal (elaboración de los autores a partir del algoritmo [11])

(2)

(3)



8/11

62

R e d

e s d e

I n g eni er í a


3.7. Método de predicción con perceptronmulticapa

Una red MLP es una estructura multicapa nolineal consistente de una o más entradas, unasalida y varias capas ocultas (igura 8). Exclu-yendo la capa de entrada, cada nodo restantecontiene un cierto número de unidades com-

putacionales (neuronas) que calculan la sumaponderada de la entrada y transforma ésta através de una función de activación no linealΓ. De acuerdo con la igura 8, las variables deorden son ni

l 1- (en la que l-1 hace referencia ala capa anterior e i corresponde al número delnodo de esa capa), n jl (donde l es la capa entran-te y j el número del nodo de esa capa), W ijl 1- (enla que W es el peso de la salida entre el nodo i yel nodo j ), yil 1- (que es la variable que hace re-ferencia a la salida del nodo anterior), y jl (es lasalida del nodo de la capa oculta, y es quien dala suma ponderada de la entrada Γ)[1].

A partir de la deinición conceptual de multica-pa, en [18] se diseña un predictor de espectroMLP que no requiere un conocimiento a prio-ri de las características del PU. En su enfoque,cada usuario CR predice los futuros estados delcanal mediante el uso de un predictor basado

Figura 7. Diagrama de lujo para la estrategia de predicción y asignación de canal basada en lógica difusa [13]

en MLP y detecta solamente aquellos canalesque están inactivos (lo que reduce el consumode energía de los usuarios RC). La transfor-mación no lineal del diseño del predictor fuegenerada a partir de una función tangente hi-perbólica, donde las neuronas pertenecientes adiferentes capas están conectadas a través depesos adaptativos. La salida de la neurona j en

la capa l th denotada por y jl

se representa por laecuación (4).

1 ( )

1 ( )

exp

exp y

v

v jl

jl

jl

=+ -

- -

Donde v y w jl

jl

i ji

l1=

-/ es la suma de los pesos(de las entradas) provenientes de la salida delas neuronas en la capa (l-1)th usando los pe-sos adaptativos w ji

l conectando la neurona j en

la capa l th y neurona i en la capa (l-1)th. El nú-mero de capas ocultas y de neuronas en cadacapa dependen de la aplicación. En este caso enparticular, se concluyó [18] que dos capas ocul-tas eran suicientes para el predictor MLP (laprimera de ellas formada por 15 neuronas y lasegunda, por 20). La capa de salida solamenteestaba integrada por una neurona, lo que esta-blecía el orden del predictor MLP en 4.

(4)


9/11

63

R e d e s d e

I n g e n

i e r í a

El proceso de entrenamiento de la red se mues-tra en la igura 9, donde los parámetros del pre-dictor se actualizan utilizando el algortimo deaprendizaje supervisado (BP) [19], para ajus-tar el nivel de error a la salida del sistema alvalor más pequeño. Los patrones de entrena-miento se obtienen ordenando la totalidad delas series binarias xT 1 dentro del vector de en-

Figura 8. Perceptrón multicapa en redes neuronales: a) ejemplo de un modelo de red neuronal, b) proceso decomputación de una neurona n j

l [1]

Figura 9. Entrenamiento del predictor MLP [19]

trada , , ..., x x x x 1t t

t t t 1 1=x x - + - - +" , de longitud τy el correspondiente valor deseado xt 1+ .

Para cada vector de entrada a la MLP, el resulta-do entregado por las neuronas ( xt 1+t ) se calcula(desde la primera capa oculta hasta la última)usando la ecuación (4). La diferencia entre elvalor deseado xt 1+ y el estimado ( ) x et t 1+t está



10/11

64

dada por la ecuación (5).

e x x

e x y

t t t

t t

1 1

1 1

0

= -

= -

+ +

+

t

El entrenamiento del algoritmo tiene como ob-jetivo minimizar el valor et , lo que redundará asu vez en una predicción acertada.

4. CONCLUSIONES

El presente artículo revisa las técnicas aplicadasa la estimación espectral, entre las que se des-taca el paradigma MLP (en la fase de sensado),el cual es una metodología de entrenamiento yautoaprendizaje que tendría la posibilidad de

aprender de los errores del pasado, corregirlosy aplicarlos al tomar decisiones futuras.

La estimación eiciente es una de las temáti-cas de investigación relevantes en las redes deradio cognitiva porque de ellas depende granparte del funcionamiento óptimo del sistema.No obstante, a partir de la literatura existentese hace necesario el desarrollo de esquemas deestimación más acertadas, incluyendo nuevasmetodologías como aprendizajes de máquina(ML), máquinas de soporte vectorial (SVM) yprocesos jerárquicos analíticos con lógica di-fusa (FAHP), sobre todo en las etapas de deci-sión y compartición de espectro que aún siguensiendo críticas por la escasez de propuestas.

R e d

e s d e

I n g eni er í a

[1] X. Xiaoshuang, J. Tao, C. Wei, H. Yan,and C. Xiuzhen. “Spectrum prediction incognitive radio networks”, IEEE WirelessCommunications, vol. 20, no. 2, pp. 90-96, 2013.

[2] Z. Lin, X. Jiang, L. Huang, and Y. Yao “Aenergy prediction based spectrum sensingapproach for cognitive radio networks”,

International Conference on WirelessCommunications, Networking and MobileComputing (WiCom), Beijing, September,2009.

[3] L. Yang, D. Yuning, Z. Hui, Z. Haitao,S. Haixian, and Z. Xingxing, “QoS provisioning spectrum decision algorithm based on predictions in cognitive radionetworks”, Wireless Communications Networking and Mobile Computing(WiCOM), 6th International Conferenceon IEEE, p.p. 1–4, Chengdu, Sept. 2010.

[4] T. Samer and W. Li-Chun, “Load-

balancing spectrum decision forcognitive radio networks with unequal-width channels”, Vehicular TechnologyConference (VTC Fall), IEEE, pp. 1–5,Quebec City, Sept. 2012.

[5] M. Vishram, C. Lau, Ch. Syin, and K.Ashish, “Energy aware spectrum decision

framework for cognitive radio networks”, Electronic System Design (ISED),International Symposium on IEEE, p.p.309–313, Kolkata, Dec. 2012.

[6] J. Riihijarvi, P. Mahonene, M. Wellens,and M. Gordziel, “Characterization andmodelling of spectrum for dynamicspectrum access with spatial statistics and

random elds”, IEEE 19th Int. Symposiumon Personal, Indoor and Mobile RadioCommunications, Cannes, Sep. 2008.

[7] P. Moran, “Notes on continuous stochastic phenomena”, Biometrika, vol. 37, no. 1, pp. 17–23, 1950.

[8] R. Geary, “The contiguity ratio andstatistical mapping”, The IncorporatedStatistician, vol. 5, no. 3, pp. 115–145, Nov. 1954.

[9] M. Masonta, M. Mzyece, and N. Ntlatlapa, “Spectrum decision incognitive radio networks: A survey”,

I EEE Communications Society,Communications Surveys & Tutorials,vol. 15, no, 3, pp. 1088–1107, July 2013.

[10] M. Hoyhtya, S. Pollin, and A. Mammela,“Improving the performance of cognitiveradios through classication, learning, and predictive channel selection”, Advances

Referencias

(5)



11/11

65

Controllers [En línea], consultado enmayo 25 del 2014. Disponible en http://faculty.petra.ac.id/resmana/private/fuzzy/design.pdf

[16] L. Ming-Ling, H. Chung, and Y. Fang-Ming “Modeling of hierarchical fuzzysystems”, Elsevier Fuzzy Sets andSystems, vol. 138, no. 2, pp. 343-361,Sept. 2003.

[17] L. XinWang “Analysis and design ofhierarchical Fuzzy Systems”, IEEETransactions On Fuzzy Systems, vol. 7,no. 5, pp. 617-624, Oct. 1999.

[18] V. Tumuluru, P. Wang, and D. Niyato,“A Neural Network Based SpectrumPrediction Scheme for Cognitive Radio”, IEEE International Conference on

Communications (ICC), Cape Town, May2010.[19] S. Haykin, Neural Networks: A

comprehensive foundation, 2nd ed. UpperSaddle River, NJ USA: Prentice Hall,1999.

R e d e s d e

I n g e n

i e r í a

in Electronics and Telecommunications,vol. 4, no. 2, pp. 28–38, Dec. 2011.

[11] G. Uyanik and B. Canberk, “Predictivespectrum decision mechanisms inCognitive Radio Networks”, I EEEGlobecom Workshops (GC Wkshps), pp.943-947, Anaheim, Dec. 3–7, 2012.

[12] B. Canberk, I. Akyildiz, and S. Oktug,“Primary user activity modeling usingrst-difference lter clustering andcorrelation in cognitive radio network”, IEEE/ACM Transaction Networking , vol.19, no. 1, pp. 170–183, Feb. 2011.

[13] M. Lindberg, “QoS Provisioning inChannel Allocation Strategy in CognitiveRadio Using Fuzzy Logic”, American Journal of Electrical Systems, vol. 2, no.

1, pp. 11-22, 2012.[14] G. Klir and B. Yuan, Fuzzy sets and fuzzylogic: theory and applications. UpperSaddle River, NJ, USA: Prentice-HallPTR, 1995.

[15] J. Jantzen (1998, Aug.) Design of Fuzzy


Predicción Espectral en Redes Inalámbricas de Radio Cognitiva

Documents

Transcript of Predicción Espectral en Redes Inalámbricas de Radio Cognitiva