مقاله کنفرانسی سال ۱۴۰۱ فارسی

تنظیم نرخ ارسال در شبکه های اینترنت اشیا مبتنی بر الگوریتم SVM

چکیده مقاله

کانال های مخابراتی بی سیم به طور معمول متغیر با زمان می باشند، بنابراین سیستم هایی که پارامترهای خود را با تغییرات کانال تطبیق نمی دهند، در معرض خطاهای بزرگ تری از نظر نرخ خطای بیت و/یا نسبت بسته های گم شده هستند زمانی که کانال دارای محوشدگی عمیق باشد، نرخ خطای بیت دارای مقداری بسیار بزرگ بوده، به گونه ای که ممکن است حتی استفاده از مدولاسیون هایی با منظومه های کوچک مانند BPSK که در شرایط یکسان دارای احتمال خطای کم تری نسبت به مدولاسیون های مرتبه بالاتر هستند، نرخ خطای بیت/بسته بالا و غیرمعقولی داشته باشد که عملا استفاده از آن را در چنین کانال هایی غیرممکن می سازد یکی از روش های غلبه براین مشکل، تغیییر مقدار توان فرستنده به نحوی است که شرایط بد کانال را جبران نموده و یا اینکه با توجه به شرایط کانال در هر حالت یکی از انواع مدولاسیون موجود را به صورت تطبیقی استفاده کند در این مقاله، انتخاب ضریب گسترش بهینه در مدولاسیون CSS بعنوان یکی از انواع لایه ی فیزیکی مورد استفاده در شبکه های اینترنت اشیا پیشنهاد شده است نتایج نشان می دهد که انتخاب ضریب گسترش بهینه مبتنی بر الگوریتم های یادگیری ماشین، بجای بکارگیری کوچکترین ضریب گسترش، باعث کاهش مصرف توان و همچنین بهبود نسبت بسته های دریافتی موفق در این نوع شبکه ها می شود شبیه سازی ها بیانگر این است که با افزایش تعداد گره های درگاه، با توجه به افزایش احتمال دریافت موفق بسته ها، عملکرد شبکه از نظر نسبت بسته های دریافتی بهبود می یابد همچنین، استفاده از الگوریتم یادگیری بردار پشتیبان SVM برای پیش بینی ضریب گسترش بهینه با هدف جلوگیری از ارسال ناموفق بسته ها نیز باعث افزایش نسبت بسته های دریافتی تا حدود ۳% می شود بعلاوه، با جلوگیری از ارسال های ناموفق و کاهش تعداد ارسال ها در شبکه، مجموع انرژی مصرفی برای ارسال توسط گره های شبکه تا حدود ۳۰۰ ژول برای حالتی که از یک یا دو درگاه استفاده شده است، کاهش می یابد

کلیدواژه‌ها

ضریب گسترش مدولاسیون CSS تطبیق لینک شبکه های گسترده ی کم توان الگوریتم بردار پشتیبان SVM

نویسندگان

تصویر علی جوادی فر،

علی جوادی فر،

دانشجوی دکترای تخصصی، مجتمع دانشگاهی برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران،

تصویر حسین خالقی بیزکی

حسین خالقی بیزکی

، استاد، مجتمع دانشگاهی برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران،

شیوه ارجاع

�وادی فر، علی و خالقی بیزکی، حسین،1401،تنظیم نرخ ارسال در شبکه های اینترنت اشیا مبتنی بر الگوریتم SVM،اولین کنفرانس بین المللی و ششمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوع�

ارائه‌شده در

پوستر مجموعه مقالات دومین کنفرانس بین المللی و هفتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی مجموعه مقالات دومین کنفرانس بین المللی و هفتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی8 اسفند 1402 · اهواز
ادامه مسیر پژوهش

مقالات مرتبط

مقاله کنفرانسی سال ۱۴۰۱ ۱,۲۴۶ مشاهده

تشخیص تومور مغزی با رویکرد یادگیری عمیق و مکانیزم توجه با استفاده از تصاویر چندوجهیMRI

شناسایی زودهنگام و موفقیت آمیز تومورهای مغزی نقش مهمی در بهبود نتایج درمان و بقای بیمار دارد در حال حاضر…

ام آر آییادگیری عمیقتومور مغزی
مقاله کنفرانسی سال ۱۴۰۲ ۹۸۴ مشاهده

مروری بر تکنیک های هوش مصنوعی در خودروهای الکتریکی خودران

سیستم های رانندگی خودکار ADS دامنه ای جدید برای صنعت خودرو باز کرده و امکانات نوینی را برای حمل ونقل آین…

LiDARسیستم های خودرانوسایل نقلیه خودران
مقاله کنفرانسی سال ۱۴۰۲ ۹۸۴ مشاهده

مقایسه عملکرد دو مدل شبکه عصبی عمیق BiLSTM و CNN در پیش بینی قیمت سهام (مطالعه موردی: بورس اوراق بهادار تهران)

شبکه های عصبی به عنوان یک پیشرفت تکنولوژیک در زمینه یادگیری عمیق به ویژه در پردازش داده هایساختار بافته…

یادگیری عمیقشبکه های عصبیپیش بینی قیمت سهام
مقاله کنفرانسی سال ۱۴۰۱ ۹۴۲ مشاهده

مروری بر سیستم های توصیه گر مبتنی بر گراف دانش

در سال های اخیر با توجه به رشد روزافزون حجم داده ها در بسترهای مختلف، استفاده از سیستم توصیه گر برای کمک…

گراف دانشفاکتورسازی ماتریسسیستم های توصیه گر
مقاله کنفرانسی سال ۱۴۰۱ ۸۰۸ مشاهده

بهبود روش LIME با نمونه برداری هوشمند و غیر قطعی

LIME یکی از محبوب ترین مدل های هوش مصنوعی توضیح پذیر XAI ، است که سعی در شفاف سازی دلایل تصیم گیری مدل ه…

ثباتوفاداریروشLIME
مقاله کنفرانسی سال ۱۴۰۱ ۷۶۵ مشاهده

سامانه توصیه گر مبتنی بر گراف دانش با استفاده از شبکه عصبی کانولوشن

استفاده از گراف دانش به عنوان اطلاعات جانبی در سامانه های توصیه گر مدرن به طور گسترده افزایش پیدا کرده ا…

گراف دانشسامانه توصیه گرشبکه عصبی کانولوشن