Методи керування інтелектуальних телекомунікаційних мереж

Abstract

UA: В дисертаційній роботі було розроблено метод вибору каналів когнітивного радіо при множинному доступі первинних та вторинних користувачів з використанням технології «ENERGY HARVESTING» під керуванням нейронної мережі, що дозволяє зменшити ймовірність помилок при виявленні вільних каналів та при передачі інформації вторинними користувачами. В роботі удосконалено метод керування середовищем когнітивної радіосистеми з використанням нейронної мережі, який дозволяє забезпечити адаптацію до змін навколишнього середовища і збільшення швидкості передачі даних. Також було розроблено метод множинного виявлення мобільних користувачів на основі оптимізації рою частинок в когнітивній радіомережі, що дозволяє підвищити ефективність виявлення мобільних користувачів інтелектуальних телекомунікаційних мереж. Розроблено алгоритм управління середовищем з використанням нейронної мережі. Алгоритм має таку особливість, що нейромережеві системи управління більш гнучко налаштовуються на реальні умови, утворюючи моделі повністю адекватні когнітивним системам. В ході досліджень було розроблено архітектуру множинного виявлення, яка відрізняється від відомих тим, що кожна локація розділена на підзони. В результаті, мобільні користувачі можуть в різних підзонах отримувати різні результати вимірювань в одному і тому ж каналі.

EN: ligent telecommunication networks in order to increase the efficiency of their functioning. In the dissertation the researches of the level of access control to the environment, methods of management and control of the systems of cognitive radio showed that the known methods have significant disadvantages of fault tolerance, accumulation of the made decisions, mechanisms of realization of dynamic change of the environment, not fully using the spectrum, which leads to deterioration to reduce the number of customer service. Improved cognitive radio environment management method using neural network. The proposed method has the feature that the neural network is located in each base station (BS) and interacts with other WRANs in accordance with IEEE 802.22. A network environment may consist of other WRANs with which it may interact. These interactions may include data sharing and resource allocation coordination. This ensures adaptation to environmental changes and an increase in performance of 1.67 times. This established fact can be explained by the fact that such architecture more than meets the parameters set by the standard IEE802.22, in comparison with other existing methods. Neuronetic control systems are also more adaptable to real-world conditions, creating models that are completely adequate to cognitive systems. In addition, the management of the environment using the neural network is implemented on the basis of a special case of radial basis networks - probabilistic neural network. This reduces the Bayesian error probability and increases network performance. This established fact can be explained by the fact that the hybrid form of control is used. For the first time, a method for multiple detection of mobile users based on particle swarm optimization in a cognitive radio network is proposed. The proposed method differs from the known ones in that it is more correctly tuned to the real conditions inherent in the architecture of cognitive systems. This method uses particle swarm optimization under the control of a convolutional neural network. This provides rigorous access to spectrum analysis based on the energy component of mobile users.