چکیده پایان نامه

چکیده پایان نامه اينترنت اشيا باند باريك (NB-IoT) يك فناوري راديويي است كه در نسخه‌ي ۱۳ توسط ۳GGP به منظور ارائه‌ي اينترنت اشياء گسترده و كم‌مصرف(LPWA) معرفي شده است. ويژگي‌هاي اساسي NB-IoT مانند پوشش گسترده، تأخير كم و طول عمر مناسب باتري در مقايسه با ساير فناوري‌هاي سلولي است. اين ويژگي‌هاي NB-IoT، به IoT اجازه مي‌دهد تا در حوزه‌هاي وسيعي مانند بهداشت، شهرهاي هوشمند، مجموعه‌هاي صنعتي و كشاورزي و ... به كار گرفته شود. همچنين NB-IoT به عنوان يك رويكرد اميدوار كننده براي ۵G-IoT و ۶G-IoT معرفي مي‌شود؛ بنابراين با توجه به تعدادگره‌هاي زياد، ضرورت مصرف بهينه و نرخ داده‌ي مناسب احساس مي‌شود. افزايش بازدهي انرژي هدفي تركيبي است كه بين دو هدف افزايش نرخ انتقال و كاهش مصرف انرژي، مصالحه برقرار مي‌كند. يكي از راهكارهاي مناسب جهت افزايش بازدهي انرژي، وفقي‌سازي لينك است. مسئله‌ي وفقي‌سازي لينك يك مسئله‌ي طبقه‌يندي است كه به دنبال بهترين تنظيمات براي پارامترهاي مختلف يك لينك مخابراتي است. يكي از ابزارهاي وفقي‌سازي لينك، يادگيري ماشين است كه به طور گسترده در ساير استانداردهاي مخابراتي مورد استفاده قرار گرفته است. شبكه‌هاي عصبي كه در مجموعه‌ي ابزارهاي يادگيري عميق قرار مي‌گيرد، نتايج بسيار خوبي را در زمينه‌ي وفقي‌سازي لينك، از خود نشان داده است. در اين پژوهش به بررسي و مقايسه‌ي ۴ شبكه‌ي عصبي مبتني بر CNN، LSTM، CNN-LSTM و ترنسفورمر، براي وفقي‌سازي پارامترهاي MCS و تعداد RU در NB-IoT پرداخته مي‌شود. شبكه‌ي CNN-LSTM با دقت ۷۵/۳۵ % در ميان ساير شبكه‌ها، بيشترين دقت طبقه بندي را نشان مي‌دهد. روش پيشنهادي با روش NBLA مقايسه مي‌شود. نتايج شبيه‌سازي نشان مي‌دهد كه روش پيشنهادي از نظر بازدهي انرژي و مقدار BLER از روش NBLA بهتر عمل مي‌كند.