Clasificación de la ocupación espectral para la toma de decisiones en redes inalámbricas cognitivas implementando extracción de características y aprendizaje automático
Resumen: 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.
| Main Authors: | , , |
|---|---|
| Format: | Digital revista |
| Language: | Spanish / Castilian |
| Published: |
Centro de Información Tecnológica
2022
|
| Online Access: | http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-07642022000400201 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Resumen: 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. |
|---|