تخصیص طیف کانال در شبکه رادیوی شناختی با استفاده از یادگیری تقویتی

کمبود شدید طیف و بهره برداری کم از طیف مجاز یک مشکل شبکه های بی سیم است که نیاز فوری به حل دارد. رادیوی شناختی راه حل مناسبی برای رفع این مشکل است. پیش بینی وضعیت طیف کاربران اولیه در رادیوی شناختی برای تخصیص کانال های خالی به کاربران ثانویه و دستیابی پویا به طیف به عنوان یک روش امیدبخش برای بهبود بهره برداری از طیف معرفی شده است. بنابراین به دنبال روشی برای پیش بینی وضعیت کانال در شبکه های رادیوی شناختی پرداخته شده است. تکنیک های زیادی به عنوان اعمال هوش لازم برای یادگیری برای پیش بینی حالت کانال در شبکه های بی سیم مورد مطالعه و بررسی قرار گرفته اند از جمله تئوری بازی، محاسبات تکاملی، منطق فازی، تئوری قیمت گذاری و یادگیری ماشین که از متداول ترین زیر شاخه های آن ها، استفاده از روش های یادگیری مبتنی بر شبکه های عصبی و مدل مخفی مارکوف می باشد. تمام این روش ها نشان می دهند که پیش بینی، روشی موثر برای بهبود عملکرد شبکه های رادیوی شناختی می باشد. در اینجا آتوماتای سلولی به عنوان مدلی برای بررسی رفتار سیستم های پیچیده پیشنهاد شده است. بنابراین به پیش بینی حالت و وضعیت کانال های رادیویی در شبکه ی رادیوی شناختی و اختصاص شیار های زمانی که با احتمال بالاتر از آستانه، آزاد پیش بینی شده اند، بر اساس آتوماتای سلولی پرداخته شده است. روش پیشنهادی با نام پیش بینی کننده وضعیت کانال مبتنی بر آتوماتای سلولی تصادفی در رادیوی شناختی، طراحی و شبیه سازی شده است. نتایج نشان می دهد که آتوماتای سلولی را می توان به عنوان روشی برای پیش بینی شبکه رادیویی با مدل ترافیکی مبتنی بر تابع توزیع پواسن، برگزید. با توجه به مدل ترافیکی آنلاین و تصادفی که به عنوان توزیع ترافیکی برای کاربران اولیه در نظر گرفته شده است، سیستم شبیه سازی شده با سرعت محاسباتی بالا، پاسخ های مطلوبی ارائه می دهد.