فایل ورد کامل استراتژی انتخاب EWA با طرح دست به دست شدن شبکه در رادیو شناختی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل استراتژی انتخاب EWA با طرح دست به دست شدن شبکه در رادیو شناختی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

یادگیری جذب تجربه وزنی (EWA) این اجازه را به رادیو شناختی (CR) می دهد تا مشخصات آنلاین شبکه ارتباطی محیط رادیویی را یاد بگیرد. استراتژی انتخاب EWA بهبود یافته مبتنی بر مکانیزم سوئیچ شبکه در این مقاله به منظور برآورده کردن الزامات عملی کاربرد CR ارائه شده است. با جمع آوری تجربه تاریخی شبکه، می توان شبکه ارتباطی بهینه جریان را پیش بینی و انتخاب کرد و تغییر داد، دینامیک کیفیت لینک-های ارتباطی را تضمین می کند و در نهایت احتمال قطع در ارتباطات سیستم را کاهش می دهد. تائید ثبات و حساسیت با تمرکز بر روی مقایسه با الگوریتم یادگیری Q پس از ایجا فضای شبیه سازی بی سیم با توالی های اسلات (شکاف) زمانی انجام می شود که به شدت محیط های بی سیمی CR واقعی را تقلید می کند.

کلمات کلیدی: ارتباطات بی سیم | رادیو شناختی | جذب تجربی وزنی شده (EWA)

عنوان انگلیسی:

EWA Selection Strategy with Channel Handoff Scheme in Cognitive Radio

~~en~~ writers :

Yong SUN • Jian-sheng QIAN

Experience-Weighted Attraction (EWA) learning allows Cognitive Radio (CR)
to learn radio environment communication channel characteristics online. An improved
EWA selection strategy based on channel switch mechanism is proposed in this paper to
meet CR application’s practical requirement. By accumulating history channel experience,
it can predict, select and change the current optimal communication channel, dynamic
ensure the quality of communication links and finally reduce system communication
outage probability. Sensitivity and stability verification is conducted by focusing on the
comparison with Q learning algorithm after establishment of a wireless simulation space
with time slot sequences that extremely imitates real CR wireless environments.

Keywords: Wireless communications | Cognitive Radio | Experience-Weighted Attraction (EWA)

$$en!!