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
نویسندگان
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
مجموعه مقالات دومین کنفرانس بین المللی و هفتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی8 اسفند 1402 · اهواز