Prédiction du spectre à base des réseaux de neurones artificiels pour la bande GSM dans les réseaux radio cognitifs

Abstract

L'allocation statique réelle des ressources spectrales avec la prolifération du nombre de systèmes de communication sans fil et d'utilisateurs pose un problème de rareté du spectre. Ainsi, les systèmes intelligents Cognitive Radio sont livrés avec ses mécanismes pour optimiser l'utilisation du spectre de manière efficace. La prédiction du spectre est la fonction la plus importante d'un réseau CR pour surmonter les retards de détection, de traitement et de prise de décision du spectre. De cette manière, la prédiction du spectre peut garantir un accès sûr et efficace pour les SU. Le but de cette étude est de la prédiction du spectre état futurs des canaux sur la base d'informations historiques antérieures, Où nous utiliser Le réseau de neurones artificiel (ANN). Nous avons appliqué le réseau neuronal à la bande des GSM 900, Il a été conçu et formé à l'aide d’un code MATLAB, en utilisant base de données d’entrées réelles. En outre, on a basé sur deux critères d’évaluation pour mesurer la performance de nôtres modèles proposés qui sont le Mean Square Error (MSE) et la régression.

The actual static allocation of spectral resources with the proliferation of the number of wireless communication systems and users poses a problem of spectrum scarcity. Thus, the intelligent Cognitive Radio systems come with its mechanisms to optimize the use of the spectrum efficiently. Spectrum prediction is the most important function of a CR network to overcome spectrum detection, processing and decision making delays. In this way, spectrum prediction can ensure safe and efficient access for SUs. The aim of this study is to predict the future state spectrum of channels based on past historical information, where we use the artificial neural network (ANN). We applied the neural network to the GSM 900 band. It was designed and trained using MATLAB code, using actual input database.IV In addition, we have based on two evaluation criteria to measure the performance of our proposed models which are the Mean Square Error (MSE) and the regression.