دانلود ترجمه مقاله چارچوب انتخاب کانال بر اساس مدل مخفی مارکوف برای CRN (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

چارچوب انتخاب کانال بر اساس مدل مخفی مارکوف برای CRN

Hidden Markov Model based channel selection framework for cognitive radio network

چکیده

۱- مقدمه

۲- کارهای مرتبط

۳- چارچوب انتخاب کانال مبتنی بر HMM

۳-۱- تشکیل شبکه

۳-۲- تخصیص کانال

۳-۳- برآورد کانال

۳-۴- مکانیزم مسیریابی

۴- تجزیه و تحلیل عملکرد

۴-۱- مقایسه زمان اجرا

۴-۲- توان عملیاتی انتها به انتها در برابر اندازه شبکه

۴-۳- مصرف انرژی در هر بیت ترافیک در مقابل اندازه شبکه

۴-۴- محصول قدرت – پهنای باند

۴-۵- میانگین تاخیر انتها به انتها

۵- نتیجه گیری و کارهای آتی

چکیده

با توجه به میزان استفاده موثر از طیف فرکانس رادیویی، شبکه رادیویی شناختی (CRN) محبوبیت بیشتری را در زمینه پژوهش حاضر به دست آورده است. تکنیک های حسگری طیف حضور کانال بلااستفاده (idle) را تشخیص داده و مجدداً آن را به به کاربران ثانویه (SU) اختصاص می دهد. با این حال، رویکردهای حسگری طیف و برآورد کانال موجود در حین جستجو برای کانال های جدید موجب تاخیر می گردند. برای کاهش تاخیر و دستیابی به انتخاب بهینه کانال در CRN، مقاله حاضر یک چارچوب انتخاب کانال مبتنی بر مدل مخفی مارکوف (HMM) را پیشنهاد می کند. مکانیسم مسیریابی بهینه مبتنی بر بازه زمانی برای به حداقل رساندن تاخیر رخ داده در خلال جستجوی کانال و بهینه سازی گستره باند طیف معرفی شده است. بنابراین، گستره پهنای باند گره برآورد شده، و کانال به SU اختصاص می یابد. چارچوب پیشنهادی توان عملیاتی انتها به انتها، محصول قدرت – پهنای باند بهتر و زمان اجرا و مصرف انرژی کمتر، و تاخیر انتها به انتهای متوسطی را در مقایسه با طرح های موجود به نمایش می گذارد.

۵- نتیجه گیری و کارهای آتی

در کار پیشنهادی، ما یک الگوریتم مسیریابی بهینه سازی شده و کارآمد را در CRN پیاده سازی نمودیم. این فرآیند انتخاب کانال را با استفاده از رویکرد مبتنی بر HMM برآورد می کند. با نتیجه بهینه‌سازی، حداکثر احتمال استفاده از کانال بر مبنای پارامترهای کانال و ویژگی های آن حاص شد. با توجه به حداکثر احتمال استفاده از کانال، کانال PU و SU بر مبنای برنامه ریزی کانال و فرآیند مسیریابی برآورد می گردند. در خلال فرآیند مسیریابی، حداکثر احتمال کانال به عنوان PU در نظر گرفته می شود. شاخص مربوط به احتمال منطبق با استفاده از کانال به عنوان SU در نظر گرفته می شود. سپس، با توجه به حالت کانال اختصاص به کاربران صورت می پذیرد. در کار پیشنهادی ما، بهترین کانال در میان کانال های بلااستفاده (idle) بر مبنای روش برآورد کانال مبتنی بر HMM انتخاب گردید. کانال انتخابی به کاربر اختصاص می یابد. هم چنین، روش ما دارای حداقل اتلاف بسته و اتلاف پهنای باند نسبت به الگوریتم های موجود است. روش پیشنهادی به کاهش معنی داری در اتلاف داده ها و افزایش سرعت انتقال، با کسب بهترین کانال انطباقی برای کاربر نائل می آید. در آینده، ما تکنیک بهینه سازی قدرت را از طریق تشکیل خوشه با برنامه ریزی انتقال قالب و پارامترهای حسگری کانال پیاده سازی می نماییم. این تکنیک بهینه سازی پیچیدگی کار حاضر را کاهش داده و به عملکرد بهتری از نظر پارامترهایی همانند: نرخ تاخیر، زمان انتقال و برنامه ریزی تخصیص زمان نائل می گردد.

Abstract

Due to the effective utilization rate of the radio frequency spectrum, Cognitive Radio Network (CRN) has gained more popularity in the current research field. The spectrum sensing techniques detect the presence of the idle channel and reallocate to the Secondary Users (SUs). However, the existing spectrum sensing and channel estimation approaches incurs delay while searching for the new channels. To reduce the delay and achieve optimal selection of the channel in CRN, this paper proposes a Hidden Markov Model (HMM)-based channel selection framework. The Time-Slot based optimal routing mechanism is introduced to minimize the delay occurred during the channel search and optimize the range of the spectrum band. Therefore, the bandwidth range of the node is estimated, and the channel is allocated to the SU. The proposed framework exhibit better end-to-end throughput, bandwidth-power product and lower running time, energy consumption, and average end-to-end delay when compared to the existing schemes.

۵- Conclusion and future work

In the proposed work, we implement an optimized and efficient routing algorithm in CRN. This process estimates the channel selection by using HMM-based approach. From the optimization result, maximum probability of the channel usage is obtained based on the channel parameters and its features. According to the maximum probability of the channel usage, the PU and SU channels are estimated based on the channel scheduling and routing process. During the routing process, the maximum probability of the channel is considered as PU. The index related to the probability matched to its channel usage is considered as the SU. Then, it is allocated to the users according to the channel state. In our proposed work, the best channel is chosen among the idle channels based on the HMM-based channel estimation method. The selected channel is allocated to the user. Also, it has minimum packet loss and bandwidth loss than the existing algorithms. The proposed approach achieves signification reduction in the data loss and increase in the transmission speed, by obtaining the best matched channel for the user. In future, we implement power optimization technique through the cluster formation with scheduling of the frame transmission and channel sensing parameters. This optimization technique will reduce the complexity of the present work and achieve better performance in terms of parameters such as delay rate, transmission time, and scheduling time allocation.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

چارچوب انتخاب کانال بر اساس مدل مخفی مارکوف برای CRN

Hidden Markov Model based channel selection framework for cognitive radio network