Clasificación de la ocupación espectral para la toma de decisiones en redes inalámbricas cognitivas implementando extracción de características y aprendizaje automático

• Diego A. Giral-Ramírez ^[1] ; Cesar A. Hernández ^[1] ; Fredy H. Martínez ^[1]
  1. [1] Universidad Distrital Francisco José de Caldas

     Universidad Distrital Francisco José de Caldas

     Colombia

     
• Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 33, Nº. 4 (Agosto), 2022, págs. 201-210
• Idioma: español
• DOI: 10.4067/S0718-07642022000400201
• Títulos paralelos:
  • Spectral occupancy classification for decision-making in cognitive wireless networks by implementing feature extraction and machine learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este estudio analiza la clasificación de la ocupación espectral para la toma de decisiones a través de la implementación de la extracción de características y de reglas de clasificación. La radio cognitiva (CR) es una tecnología que busca maximizar el uso de los recursos de frecuencia al permitir que los usuarios sin licencia accedan a las bandas de espectro de forma oportunista. Se analiza el proceso de toma de decisiones a través de la clasificación de tres niveles de tráfico. Para evaluar el proceso, se utilizan tres métricas de costo y una de beneficio. Los resultados muestran que el clasificador que utiliza máquinas de soporte vectorial presenta el mejor desempeño, seguido por KnNC (K-nearest Neighbor Classifier) y DAC (Discriminan Analysis Classifier). El desempeño más bajo, con los indicadores de desempeño más deficiente, lo obtiene BDT (Binary Decision Tree). Se concluye que la CR ofrece un conjunto de soluciones al hacer que el espectro se use de manera dinámica.

  • English

    This study assesses spectral occupancy classification for decision-making processes by implementing feature extraction and classification rules. Cognitive radio (CR) is a technology that seeks to maximize the application of frequency resources by allowing unlicensed users to opportunistically access spectrum bands. The decision-making process is analyzed by classifying three traffic levels and by using three cost metrics and one benefit metric. The results show that the classifier using support vector machines presents the best performance, followed by KnNC (K-nearest Neighbor Classifier) and DAC (Discriminant Analysis Classifier). The worst performance, with the most deficient indicators’ performance, is obtained by using BDT (Binary Decision Tree). It is concluded that CR offers a set of solutions that allows using the spectrum dynamically.