امین آذری؛ محسن نیک نژاد؛ محمود عباسی
چکیده
در راستای تحقق یک جامعۀ هوشمند، برقراری ارتباط برای تمام اشیای هوشمند با هزینه و انرژی مصرفی کم یک نیاز اساسی است. شبکه‌های بی‌سیم کنونی برای برقراری بهینة ارتباطات، به مدیریت متمرکز شبکه و منابع نیاز ...
بیشتر
در راستای تحقق یک جامعۀ هوشمند، برقراری ارتباط برای تمام اشیای هوشمند با هزینه و انرژی مصرفی کم یک نیاز اساسی است. شبکه‌های بی‌سیم کنونی برای برقراری بهینة ارتباطات، به مدیریت متمرکز شبکه و منابع نیاز دارند و عواملی مانند انرژی مصرفی در ارسال - دریافت سیگنال‌های کنترلی و تعداد زیاد دستگاههای اینترنت اشیاء، امکان استفاده از چنین رویکردهای متمرکزی را در آینده غیرممکن خواهند کرد. برای حل این مشکل، در این مقاله امکان استفاده از راه‌حل‌های مبتنی بر یادگیری ماشینی برای شبکه‌های اینترنت اشیاء بررسی شده است. در گام نخست برای دستیابی به این هدف، روش‌های یادگیری با پیچیدگی کم بررسی شده‌اند که مناسب پیاده‌سازی در اشیاءاند. در ادامه، یک روش یادگیری برای تطبیق پارامترهای مخابراتی در اشیاء با محیط پیرامون آنها ارائه شده است. در این روش پیشنهادی، تابع ارزش هر تصمیم براساس سابقۀ انرژی مصرفی و میزان موفقیت در اتخاذ آن تصمیم طراحی می‌شود. این طراحی، دستگاه را قادر می‌کند بهترین مصالحه را بین انرژی مصرفی و قابلیت اطمینان ارتباطات به دست آورد. در گام بعدی، مقایسة عملکرد روش پیشنهادی مقاله با رویکرد سیستم‌های متمرکز، با بهره‌گیری از ابزار هندسة تصادفی ارائه شده است. سپس، ارتباط بین پارامترهای الگوریتم یادگیری ماشینی و عملکرد سیستم مخابراتی، مانند انرژی مصرفی و قابلیت اطمینان، تجزیه‌وتحلیل شده است. نتایج شبیه‌سازی نشان می‌دهند در مقایسه با جدیدترین روش‌های پیشنهادشده در ادبیات این موضوع، هردو معیار بهره‌وری انرژی و سطح اطمینان با استفاده از روش یادگیری مندرج در این مقاله به‌صورت چشمگیری بهبود می‌یابند.
