الفهرس 
Acknowledgements
1.1 Cognitive Radio in IOTOnly 14 pages are availabe for public view
 |  | from | 101 |  |  |
| | | from | 101 | | |
Abstract
الملخص العربى
تقنية إعادة التركيب للإستشعار الطيف الضاغط الإدراكي IOT
جذبت التطورات الأخيرة لإنترنت الأشياء (IOT) اهتمامًا عالميًا من كل من الأوساط الأكاديمية والصناعية مع رؤية توسيع نطاق الاتصال بالإنترنت إلى عدد كبير من ”الأشياء” في عالمنا. مع تحويل نموذج IOT إلى واقع ، من المتوقع أن تزداد كمية أجهزة IOT بأعداد كبيرة ، مما يؤدي إلى صعوبة تخصيص موارد طيفية كافية لهذه الأجهزة. لذلك ، تتمثل الرؤية في أن أجهزة إنترنت الأشياء الذكية يجب أن تتمتع بقدرات معرفية لتمكين مشاركة الطيف عبر طيف النطاق العريض. من خلال القدرات المعرفية ، يمكن التخفيف من التداخل بين أجهزة إنترنت الأشياء من خلال البحث عن القنوات الشاغرة من خلال الوصول الديناميكي إلى الطيف. تم اقتراح استشعار الطيف ، باعتباره أحد التقنيات الهامة والحيوية في الراديو الاستعرافي (CR) ، لاستكشاف الطيف غير المستغل بكفاءة. ومع ذلك ، من غير الواقعي الحصول مباشرة على إشارات النطاق العريض من خلال مخطط أخذ عينات Nyquist التقليدي ، لا سيما في أجهزة IOT المقيدة بالطاقة ، حيث يتطلب ذلك معدلات أخذ عينات عالية (ضعف أو أكثر من عرض النطاق الترددي للإشارة في مجال التردد) ، مما يؤدي إلى ارتفاع استهلاك الطاقة في المحول التناظري إلى الرقمي (ADC) أو معدلات أخذ العينات المنخفضة بطريقة متسلسلة مع إدخال زمن انتقال كبير للاستشعار. لذلك ، تم تطبيق الاستشعار الانضغاطي (CS) لتحقيق استشعار الطيف عريض النطاق دون أخذ عينات الإشارة عالية السرعة ومعالجتها. إنه يتيح الكشف السريع والدقيق عن الطيف بأخذ عينات من نوع Nyquist من خلال استغلال الطبيعة المتناثرة للطيف واسع النطاق غير المستغل بشكل كافٍ في الممارسة العملية.
نجح الاستشعار الضاغط (CS) في تقديم نفسه كطريقة مناسبة لإنترنت الأشياء المعرفي. في CS ، تعد استعادة الإشارة في الأساس مشكلة تحسين لحل نظام المعادلات غير المحدد. يعد تحسين سرب الجسيمات (PSO) أحد أكثر خوارزميات الاستعادة شيوعًا في CS ، نظرًا لبساطته في التنفيذ وقدرته على التقارب بسرعة للوصول إلى حل جيد.
تعتبر خوارزمية إعادة بناء PSO واحدة من أكثر تقنيات التحسين التطوري استخدامًا في CS. سوف يتأثر أداء وكفاءة PSO بشكل كبير بالمعلمات المختارة ، وبالتالي فإن تحكم معلمة PSO المضبوط ذاتيًا يمكن أن يحسن أداءه بشكل كبير. في هذا البحث ، نقترح عنصر تحكم معلمة PSO مضبوط ذاتيًا استنادًا إلى وظيفة السيني في إطار عمل CS. في النهج المقترح ، يتم تعديل معلمات PSO من خلال التقييم في كل تكرار.
في هذه الأطروحة ، نقترح عنصر تحكم معلمة PSO مضبوط ذاتيًا استنادًا إلى وظيفة السيني في إطار عمل CS. من خلال إلهام وظيفة التنشيط للشبكات العصبية ، استخدمنا وظيفة السيني للضبط الذاتي لمعلمات PSO. في النهج المقترح ، يتم تعديل معلمات PSO من خلال التقييم في كل تكرار. يتضمن نهج التحكم في معلمات PSO المضبوط ذاتيًا معلمتين من معلمات PSO. أولاً ، معاملات التسارع ، والتي تعتبر معاملات فعالة للغاية في تحسين أداء الخوارزمية ، وثانيًا ، وزن القصور الذاتي ، والذي يستخدم لتسريع حركة الجسيمات نحو النقطة المثلى أو إبطاء الجسيمات بحيث تتقارب إلى الحد الأمثل. على عكس PSO التقليدي ، تحكم خوارزمية التحكم في معلمات PSO المقترحة ذاتي الضبط معدل التقارب ، مما يؤدي إلى تقارب سريع مع الحل الأمثل واستعادة دقيقة للغاية للإشارة الأصلية. تتحقق دراسة المحاكاة من فعالية الطريقة المقترحة مقارنة بخوارزمية PSO التقليدية.
تظهر نتائج المحاكاة أن خوارزمية التحكم في معلمات PSO المقترحة ذات أداء عالٍ وأخطاء أقل وتقارب سريع للحل الأمثل.أخيراً تمت مناقشة النتائج التى تم الحصول عليها ومقارنتها مع خورازميات أخري.