Una encuesta sobre la mejora del rendimiento de las redes inalámbricas basada en el aprendizaje automático:

Capa PHY, MAC y de red

Merima Kulin a, ∗, Tarik Kazaz B, Ingrid Moerman a, Eli de Poorter a

a Universidad de Gante, Departamento de Tecnología de la Información, B-9052 Gent, Bélgica
B Universidad Tecnológica de Delft, Facultad de EEMCS, 2628 CD Delft, Países Bajos

Resumen

Este documento proporciona una encuesta sistemática y completa que revisa las últimas investigaciones e ff orts enfocados en la mejora del rendimiento de las
redes inalámbricas basada en el aprendizaje automático (ML), considerando todas las capas de la pila de protocolos (PHY, MAC y red). Primero, se discuten el
trabajo relacionado y las contribuciones en papel, seguido de proporcionar los antecedentes necesarios sobre enfoques basados en datos y aprendizaje
automático para que los expertos que no son expertos en aprendizaje automático comprendan todas las técnicas discutidas. Luego, se presenta una revisión
completa de los trabajos que emplean enfoques basados en ML para optimizar la configuración de los parámetros de comunicación inalámbrica para lograr
arXiv: 2001.04561v2 [cs.LG] 18 de enero de 2020

una mejor calidad de servicio (QoS) y calidad de experiencia (QoE) de la red. Primero clasificamos estos trabajos en: análisis de radio, análisis MAC y enfoques
de predicción de redes, seguidos de subcategorías dentro de cada uno. Finalmente, se discuten los desafíos abiertos y las perspectivas más amplias.

Palabras clave: Aprendizaje automático, ciencia de datos, aprendizaje profundo, redes de radio cognitivas, capas de protocolo, MAC, PHY, optimización del
rendimiento

1. Introducción de una manera sin precedentes. Por otro lado, el conjunto de tecnologías de
comunicación disponibles se está expandiendo (por ejemplo, el lanzamiento de los
La ciencia y la forma en que llevamos a cabo la investigación está cambiando
nuevos estándares IEEE 802.11 como IEEE 802.11ax e IEEE 802.11ay; y tecnologías
rápidamente. El aumento de la generación de datos está presente en todas las
5G), que compiten por el mismo espectro de radio finito y limitado. recursos
disciplinas científicas [1], como visión por computadora, reconocimiento de voz,
presionando la necesidad de potenciar su convivencia y más e ff utilizar
finanzas (análisis de riesgo), marketing y ventas (por ejemplo, análisis de rotación
eficazmente los escasos recursos del espectro. De manera similar, en el panorama
de clientes), farmacia (por ejemplo, descubrimiento de fármacos), salud
de los sistemas móviles, el uso de datos móviles está aumentando enormemente;
personalizada. - atención (por ejemplo, identificación de biomarcadores en la
según el último informe de movilidad de Ericssons, ahora hay
investigación del cáncer), agricultura de precisión (por ejemplo, detección de
líneas de cultivo, detección de malezas ...), política (por ejemplo, campañas
5.9 mil millones de suscripciones de banda ancha móvil a nivel mundial, que generan
electorales), etc. Hasta los últimos años, esta tendencia ha sido menos
más de 25 exabytes por mes de tráfico de datos inalámbricos ffi c [9], un crecimiento
pronunciada en el dominio de las redes inalámbricas, principalmente debido a la
cercano al 88% entre el cuarto trimestre de 2017 y el cuarto trimestre de 2018.
falta de macrodatos y "gran" capacidad de comunicación [2]. Sin embargo, con la
Entonces, ¡el Big Data hoy es una realidad!
era de los sistemas celulares de quinta generación (5G) y la Internet de las cosas
Sin embargo, las redes inalámbricas y el tráfico generado ffi Los
(IoT), la avalancha de datos masivos en el dominio de las redes inalámbricas está
patrones c son cada vez más complejos y difíciles de entender. Por
en marcha. Por ejemplo, ffi c para gestionar y controlar tra ffi c fl ujos),
ejemplo, las redes inalámbricas producen muchas indicadores de
infraestructuras inteligentes (por ejemplo, para monitorear el estado de los
desempeño ( p. ej., relación señal / ruido (SNR), tasa de éxito / colisión
ferrocarriles o puentes), agricultura de precisión [5, 6] (por ejemplo, monitorear el
de acceso al enlace, tasa de pérdida de paquetes, tasa de error de bits
estado del rendimiento, temperatura y humedad del suelo), monitoreo ambiental
(BER), latencia, indicador de calidad del enlace, rendimiento, consumo
(por ejemplo, contaminación, temperatura, detección de precipitaciones) , Redes
de energía, etc.) y Parámetros de operación en di ff capas de la pila de
de redes inteligentes de IoT [7] (por ejemplo, para monitorear las redes de
protocolos de red (por ejemplo, en la capa PHY: canal de frecuencia,
distribución o rastrear el consumo de energía para pronosticar la demanda), etc.
esquema de modulación, potencia del transmisor; en la capa MAC:
Se espera que 28.5 mil millones de dispositivos estén conectados a Internet para
selección del protocolo MAC y parámetros de protocolos MAC
2022, lo que crear una enorme red global de cosas y la demanda de recursos
específicos como CSMA: tamaño de la ventana de contención, número
inalámbricos aumentará en consecuencia
máximo de backo ff s, backo ff exponente; TSCH: secuencia de salto de
canal, etc.) que tiene un impacto significativo en el rendimiento de la
comunicación.
Ajustar estos parámetros operativos y lograr la optimización entre capas
para maximizar el rendimiento de un extremo a otro es una tarea
∗ Autor correspondiente. desafiante. Esto es especialmente complejo debido a la enorme tra ffi c
Dirección de correo electrónico: merima.kulin@ugent.be ( Merima Kulin) demandas y heterogeneidad de la tecnología inalámbrica implementada

Preimpresión 22 de enero de 2020

 Capa de cognición
Almacenamiento de datos
Capa de transmisión
observar
Capa de recopilación de datos
BSC / RNC
Estación base
Red celular / WiFi
Figura 1: Arquitectura para el análisis de big data inalámbrico
nologías. Para abordar estos desafíos, el aprendizaje automático (ML) se
utiliza cada vez más para desarrollar enfoques avanzados que puedan
extraer de forma autónoma patrones y predecir tendencias (por ejemplo, en
la capa PHY: reconocimiento de interferencia, en la capa MAC: predicción de
la calidad del enlace, en la capa de red: tra ffi c estimación de la demanda)
basada en mediciones ambientales e indicadores de desempeño como
insumo. Estos patrones se pueden utilizar para optimizar la configuración de
los parámetros en di ff diferentes capas de protocolo, por ejemplo, PHY, MAC
o capa de red.
Por ejemplo, considere la Figura 1, que ilustra una arquitectura con
tecnologías heterogéneas de acceso inalámbrico, capaz de coleccionando
grandes cantidades de observaciones de los dispositivos inalámbricos, Procesando
y alimentar a los algoritmos de ML que generan patrones que pueden
ayudar a tomar mejores decisiones para optimizar los parámetros
operativos y mejorar la calidad de servicio (QoS) de la red y la QoE de la
calidad de la experiencia.
Obviamente, existe una necesidad urgente de desarrollar nuevas soluciones
inteligentes para mejorar el rendimiento de la red inalámbrica. Esto ha motivado este
artículo y su objetivo principal es crear conciencia sobre el área de investigación
interdisciplinaria emergente (que abarca redes y comunicaciones inalámbricas,
aprendizaje automático, estadísticas, investigación impulsada por experimentos y otras
disciplinas de investigación) y mostrar el estado de la cuestión. Arte sobre cómo aplicar
ML para mejorar el rendimiento de las redes inalámbricas para resolver los desafíos que
enfrenta la comunidad inalámbrica.
Decisión
Minería y procesamiento de datos inalámbricos
control
Análisis de borde
Puerta
Espectro
Tráfico
vigilancia
Módem wifi
Ciudad inteligente
Calidad del aire Agricultura
Localización Red inteligente
Red de sensores inalámbricos
actualmente enfrenta.
Aunque existen varios artículos de encuesta, la mayoría de ellos se
enfocan en ML en un dominio específico o capa de red. A nuestro leal saber
y entender, esta es la primera encuesta que revisa exhaustivamente las
últimas investigaciones e ff Orts se centraron en mejoras de rendimiento
basadas en ML de redes inalámbricas considerando todas las capas de la
pila de protocolos (PHY, MAC y red), al tiempo que brindan el tutorial
necesario para que los expertos que no son de aprendizaje automático
comprendan todas las técnicas discutidas.
Organización del papel: Estructuramos este artículo como se muestra en
la Figura 2. Comenzamos discutiendo el trabajo relacionado y distinguiendo
nuestro trabajo con el estado del arte, en la Sección 2. Concluimos esa
sección con una lista de nuestras contribuciones. En la Sección 3,
presentamos una introducción de alto nivel a la ciencia de datos, la minería
de datos, la inteligencia artificial, el aprendizaje automático y el aprendizaje
profundo. El objetivo principal aquí es definir estos términos usados
indistintamente y cómo se relacionan entre sí. En 4 proporcionamos un
tutorial centrado en el aprendizaje automático, revisamos varios tipos de
paradigmas de aprendizaje e introducimos un par de algoritmos populares
de aprendizaje automático. La sección 5 presenta cuatro tipos comunes de
problemas basados en datos en el contexto de las redes inalámbricas y
proporciona ejemplos de varios estudios de casos. El objetivo de esta
sección es ayudar al lector a formular un problema de redes inalámbricas en
un problema basado en datos adecuado para el aprendizaje automático. La
sección 6 analiza los últimos avances
2
 Segundo. I / II Segundo. III Segundo. IV

Motivación, trabajos relacionados y nuestro Fundamentos de la ciencia de datos Fundamentos del aprendizaje automático
Máquina
Alcance
Aprendiendo

Introducción a algoritmos
Aprendiendo
Introducción Esquema
Ciencia de los datos Procesamiento de datos
Máquina
paradigmas
Aprendiendo Lineal No lineal Logístico
Regresión Regresión Regresión
Artificial Máquina
Decisión Aleatorio
Trabajo relacionado Inteligencia Aprendiendo La tubería del aprendizaje automático Supervisado / No supervisado / k-medias
Árboles bosque
Aprendizaje semi-supervisado

Redes neuronales
Aprendiendo el Aprendiendo el
Fuera de linea en linea/ k-NN
modelo características
Aprendizaje profundo Aprendizaje activo
Contribuciones
Convolutio Recurrente
SVM neural final neural
redes redes

Segundo. V Segundo. VI Segundo. VII Segundo. VIII

Problemas de ciencia de datos en redes inalámbricas Aprendizaje automático para mejorar el Desafíos abiertos y futuro Conclusión
Redes rendimiento en redes inalámbricas Direcciones

Datos
ML para la mejora del rendimiento de Conjuntos de datos
representación
Redes inalámbricas Estandarización
Evaluación
Problemas
Regresión métrica
Radio
MAC La red
espectro Restricción
Reducirmodelo
análisis predicción complejidad Papel
análisis
Clasificación inalámbrica
Repartido Conclusión
MAC Práctico
Caso Automático Actuación
dispositivos
aprendiendo
identificación Implementación
Estudios Modulación predicción Nube
Espectro
Reconocimiento La red informática
Agrupación predicción
Infraestructura Borde
Inalámbrica Inalámbrica informática
Tráfico
Interferencia Interferencia
Anomalía predicción
Identificación Identificación Transferir
Detección Modelo aprendiendo Sin supervisión
precisión Activo
Aprendizaje profundo
Aplicaciones de AA para el procesamiento de información
aprendiendo
aprendiendo

Figura 2: Contorno del papel

sobre el aprendizaje automático para mejorar el rendimiento de las Incluyendo ubicación, seguridad, enrutamiento, agregación de datos y
redes inalámbricas. Primero, clasificamos estos trabajos en: análisis de MAC.
radio, análisis MAC y enfoques de predicción de redes; luego
discutimos trabajos de ejemplo dentro de cada categoría y damos una • Los autores de [12] examinaron las técnicas de última generación

descripción general en forma tabular, mirando varios aspectos que basadas en Inteligencia Arti fi cial (IA) aplicadas a redes heterogéneas

incluyen: datos de entrada, enfoque y algoritmo de aprendizaje, tipo de (HetNets), centrándose en los problemas de investigación de la

red inalámbrica, mejora del rendimiento logrado, etc. En la sección autoconfiguración, la autocuración y la autooptimización. .

7, discutimos los desafíos abiertos y presentamos las direcciones futuras para

• Los algoritmos ML y sus aplicaciones en redes celulares
cada uno. La sección 8 concluye el artículo.
autoorganizadas que también se centran en la autoconfiguración,
la autorreparación y la autooptimización se examinan en [13].
2. Trabajo relacionado y nuestras contribuciones
• En [14] se examinan las aplicaciones de ML en CRN, que permiten
2.1. Trabajo relacionado el espectro y la energía e ffi comunicaciones cient en entornos
inalámbricos dinámicos.
Con los avances en el hardware y la potencia informática y la capacidad
de recopilar, almacenar y procesar cantidades masivas de datos, el
• Los autores de [15] estudiaron soluciones basadas en redes neuronales
aprendizaje automático (ML) se ha abierto camino en muchas aplicaciones. ff diferentes
para resolver problemas en redes inalámbricas como la comunicación, la
campos científicos. Los desafíos que enfrentan las redes 5G actuales y
realidad virtual y el almacenamiento en caché perimetral.
futuras empujaron también al dominio de las redes inalámbricas a buscar
soluciones innovadoras para garantizar el rendimiento esperado de la red. • En [16], se examinan varias aplicaciones de redes neuronales (NN) en
Para abordar estos desafíos, ML se utiliza cada vez más en redes redes inalámbricas, incluida la seguridad, la localización, el
inalámbricas. Paralelamente, están surgiendo un número creciente de enrutamiento y el equilibrio de carga.
encuestas y tutoriales sobre ML para futuras redes inalámbricas. La Tabla 1
proporciona una descripción general y una comparación con los • Los autores de [17] estudiaron técnicas de aprendizaje automático

documentos de encuesta existentes. Por ejemplo: utilizadas en redes de IoT para análisis de big data, detección de eventos,
agregación de datos, control de potencia y otras aplicaciones.
• En [10], los autores examinaron los métodos existentes basados en
ML para abordar problemas en las redes de radio cognitivas (CRN).
• Paper [18] analiza las aplicaciones de aprendizaje profundo en redes
inalámbricas y analiza aspectos como el enrutamiento, la asignación de
• Los autores de [11] examinan los enfoques de ML en WSN (redes recursos, la seguridad, la detección de señales, la identificación de
de sensores inalámbricos) para diversas aplicaciones en aplicaciones, etc.

3
 Papel Tutorial sobre AA Red inalámbrica Área de aplicación Paradigmas de ML Año
[10] X CRN Toma de decisiones y características- Clasificación de aprendizaje supervisado, no supervisado y
reforzado 2012 en CRN
[11] X localización, seguridad, detección de eventos WSN, Aprendizaje supervisado, no supervisado y reforzado 2014
enrutamiento, agregación de datos
gregation, MAC
[12] +- HetNets Autoconfiguración, Técnicas basadas en IA 2015
autocuración, y uno mismo-
mejoramiento
[dieciséis] +- Redes ad-hoc CRN, WSN, Seguridad, localización, enrutamiento NN 2016
celulares y móviles ing, equilibrio de carga
[17] IoT Análisis de big data, detección de Aprendizaje supervisado, no supervisado y reforzado 2016
eventos, agregación de datos,
etc.
[13] X Redes celulares Autoconfiguración, Aprendizaje supervisado, no supervisado y reforzado 2017
autocuración, y uno mismo-
mejoramiento
[14] +- CRN Detección y acceso al Aprendizaje supervisado, no supervisado y reforzado 2018 Aprendizaje
espectro
[18] +- IoT, Celular redes, Enrutamiento, asignación de recursos profundo 2018
WSN, CRN seguridad, detección de señales,
identi fi cación de aplicaciones
ción, etc.
[19] +- IoT Big data y análisis de Aprendizaje profundo 2018
flujos
[15] X IoT, redes móviles, CRN, Comunicación, re- virtual ANA 2019
UAV Alidad y almacenamiento en
[20] +- CRN Reconocimiento de señales Aprendizaje profundo 2019
[21] +- IoT caché perimetral Ciudades inteligentes Aprendizaje profundo, supervisado y no 2019
[22] +- Comunicaciones y red Inalámbrica almacenamiento datos
en caché supervisado Aprendizaje reforzado 2019
trabajando o ffl oading, seguridad de la red,
tra ffi c enrutamiento, recurso
compartir, etc.
Esto X IoT, WSN, redes celulares, Mejora del rendimiento Aprendizaje supervisado, no supervisado y profundo 2019
CRN de redes inalámbricas

Tabla 1: Resumen del trabajo relacionado

• Paper [19] analiza las aplicaciones de aprendizaje profundo en
redes de IoT para big data y análisis de flujo.
• El artículo [20] estudia y analiza las aplicaciones de aprendizaje profundo en
radios cognitivas para tareas de reconocimiento de señales.
• Los autores de [21] examinan los enfoques de ML en el contexto de las ciudades
inteligentes de IoT.
• Paper [22] examina las aplicaciones de aprendizaje reforzado para diversas
aplicaciones, incluido el acceso a la red y el control de velocidad,
almacenamiento en caché inalámbrico, datos o ffl oading, red secu- rity, tra ffi c
enrutamiento, uso compartido de recursos, etc.
ing en posibilidades en di ff diferentes capas de la pila de protocolos de
red.
Para llenar este vacío, este documento proporciona una introducción integral
al aprendizaje automático para redes inalámbricas y una encuesta de los últimos
avances en aplicaciones de aprendizaje automático para la mejora del rendimiento
para abordar varios desafíos que enfrentan las futuras redes inalámbricas.
Esperamos que este artículo pueda ayudar a los lectores a desarrollar perspectivas
e identificar tendencias en este campo y fomentar más estudios posteriores sobre
este tema.
2.2. Contribuciones
Las principales aportaciones de este trabajo son las siguientes:

• Introducción para los no expertos en aprendizaje automático a

No obstante, algunos de los trabajos antes mencionados se centran en la
revisión de tareas específicas de redes inalámbricas (por ejemplo, reconocimiento
de señales inalámbricas [20]), algunos se centran en la aplicación de técnicas
específicas de AA (por ejemplo, aprendizaje profundo [16], [ 15], [20]) mientras que
algunos se centran en los aspectos de un entorno inalámbrico específico y buscan
aplicaciones más amplias (por ejemplo, CRN [10], [14], [20] e IoT [17], [21]).
Además, notamos que algunos trabajos pierden los fundamentos necesarios para
los lectores que buscan aprender los conceptos básicos de un área fuera de su
especialidad. Finalmente, ningún trabajo existente se centra en la literatura sobre
cómo aplicar técnicas de aprendizaje automático para mejorar la apariencia del
rendimiento de la red inalámbrica.
los fundamentos necesarios sobre ML, IA, big data y ciencia de
datos en el contexto de las redes inalámbricas, con numerosos
ejemplos. Examina cuándo, por qué y cómo usar ML.
• Una encuesta sistemática y completa sobre el estado de la
técnica que i) demuestra la diversidad de desafíos que
afectan el desempeño de las redes inalámbricas que se
pueden abordar con enfoques de ML y que ii) ilustra cómo se
aplica el ML para mejorar la rendimiento de las redes
inalámbricas desde varias perspectivas: PHY, MAC y la capa
de red.

4
 • Referencias a los últimos trabajos de investigación (hasta 2019
inclusive) en el campo de los enfoques predictivos de AA para
mejorar el rendimiento de las redes inalámbricas.
• Discusión sobre desafíos abiertos y direcciones futuras en el
campo.
3. Fundamentos de la ciencia de datos
El objetivo de esta sección es presentar disciplinas estrechamente
relacionadas con la investigación basada en datos y el aprendizaje
automático, y cómo se relacionan entre sí. La Figura 3 muestra un diagrama
de Venn, que ilustra la relación entre ciencia de datos, minería de datos,
inteligencia artificial (IA), aprendizaje automático y aprendizaje profundo
(DL), que se explica con más detalle en las siguientes subsecciones. Esta
encuesta, en particular, se centra en los enfoques ML / DL en el contexto de
las redes inalámbricas.
3.1. Ciencia de los datos
Ciencia de los datos es la disciplina científica que estudia todo lo relacionado con
los datos, desde la adquisición de datos, el almacenamiento de datos, el análisis
de datos, la limpieza de datos, la visualización de datos, la interpretación de datos,
la toma de decisiones basadas en datos, la determinación de cómo crear valor a
partir de los datos y cómo comunicar conocimientos relevantes para el negocio.
Una de fi nición del término ciencia de datos, proporcionada por Dhar [23], es:
Definición 3.1. La ciencia de datos es el estudio de la extracción
generalizable de conocimiento a partir de datos.
La ciencia de datos hace uso de minería de datos, aprendizaje
automático, técnicas de inteligencia artificial y también otros enfoques
como: algoritmos heurísticos, investigación operativa, estadísticas,
inferencia causal, etc. Los profesionales de la ciencia de datos suelen ser
expertos en matemáticas, estadística, programación. , aprendizaje
automático, herramientas de big data y comunicación de resultados.
3.2. Procesamiento de datos
Procesamiento de datos tiene como objetivo comprender y descubrir nuevos
conocimientos nunca antes vistos en los datos. El termino minería se refiere a
extraer contenido excavando. La aplicación de esta analogía a los datos puede
significar extraer conocimientos al indagar en los datos. Una definición simple de
minería de datos es:
Definición 3.2. La minería de datos se refiere a la aplicación de
algoritmos para extraer patrones de los datos.
En comparación con ML, la minería de datos tiende a centrarse en resolver problemas
reales encontrados en la práctica mediante la explotación de algoritmos desarrollados
por la comunidad ML. Para este propósito, un problema basado en datos se traduce
primero en un método de minería de datos adecuado [24], que se discutirá en detalle en
la Sección 5.
5
Artificial
Inteligencia
Máquina
Aprendiendo
Ciencia de los datos
Profundo
Procesamiento de datos
aprendiendo
Figura 3: Ciencia de datos frente a minería de datos frente a IA frente a ML frente a aprendizaje profundo
3.3. Inteligencia artificial
La inteligencia artificial (IA) se ocupa de hacer que las máquinas sean inteligentes
con el objetivo de crear un sistema que se comporte como un humano. Esto
involucra campos como la robótica, el procesamiento del lenguaje natural, la
recuperación de información, la visión por computadora y aprendizaje automático. Según
lo acuñado por [25], AI es:
Definición 3.3. La ciencia y la ingeniería para fabricar máquinas inteligentes,
especialmente sistemas informáticos, mediante la reproducción de la
inteligencia humana a través del aprendizaje, el razonamiento y la
autocorrección / adaptación.
Usos de IA agentes inteligentes que perciben su entorno y
emprendan acciones que maximicen sus posibilidades de lograr con
éxito sus metas.
3.4. Aprendizaje automático
El aprendizaje automático (ML) es un subconjunto de la IA. ML tiene como
objetivo desarrollar algoritmos que puedan aprender de datos históricos y
mejorar el sistema con experiencia. De hecho, al alimentar los algoritmos
con datos, es capaz de cambiar su propia programación interna para
mejorar en una determinada tarea. Según lo acuñado por [26]:
Definición 3.4. Se dice que un programa de computadora aprende de la
experiencia E con respecto a alguna clase de tareas T y medida de
desempeño P, si su desempeño en las tareas de T, medido por P,
mejora con la experiencia E.
Los expertos en ML se centran en probar las propiedades matemáticas
de los nuevos algoritmos, en comparación con los expertos en minería de
datos que se centran en comprender las propiedades empíricas de los
algoritmos existentes que aplican. Dentro del panorama más amplio de la
ciencia de datos, ML es el paso para tomar los datos limpios / transformados
y predecir resultados futuros. Aunque ML no es un campo nuevo, con el
aumento significativo de los datos disponibles y los desarrollos en la
tecnología informática y de hardware, ML se ha convertido en uno de los
puntos calientes de investigación en los últimos años, tanto en la academia
como en la industria [27].
 En comparación con los enfoques tradicionales de procesamiento de
100 Aprendizaje profundo
señales (por ejemplo, estimación y detección), los modelos de aprendizaje
SVM
automático son modelos basados en datos; no asumen necesariamente un
Árboles de decisión
modelo de datos sobre los procesos físicos subyacentes que generaron los 80
Redes neuronales

Búsqueda mensual promedio

datos. En cambio, podemos decir que ellos " deja que los datos hablen ”, k significa

Como pueden inferir o aprender el modelo. Por ejemplo, cuando es 60

complejo modelar la física subyacente que generó los datos inalámbricos, y

dado que existe su ffi ciente cantidad de datos disponibles que pueden 40
permitir inferir el modelo que se generaliza mucho más allá de lo que se ha
visto, ML puede superar el procesamiento de señales tradicional y los
20
sistemas basados en expertos. Sin embargo, se requiere una cantidad
representativa y datos de calidad. La ventaja del ML es que los modelos
0
resultantes son menos propensos a los errores de modelado del proceso de
generación de datos. 10 11 12 13 14 15 16 17 18 19
20 20 20 20 20 20 20 20 20 20
Año

3.5. Aprendizaje profundo

El aprendizaje profundo es un subconjunto de ML, en el que los datos se
pasan a través de múltiples transformaciones no lineales para calcular una
salida. El termino profundo se refiere a muchos pasos en este caso. Una de fi
nición proporcionada por [28] es:
Definición 3.5. El aprendizaje profundo permite que los modelos
computacionales que se componen de múltiples capas de procesamiento
aprendan representaciones de datos con múltiples niveles de abstracción.
Figura 4: Tendencia de búsqueda de Google que muestra una mayor atención en el aprendizaje profundo
en los últimos años
4.1. La canalización del aprendizaje automático
Antes de aplicar algoritmos de aprendizaje automático a un problema de
redes inalámbricas, primero se debe resolver el problema de las redes
inalámbricas. traducido en un problema de ciencia de datos. De hecho, todo
el proceso desde el problema hasta la solución puede verse como un
proceso de aprendizaje automático que consta de varios pasos. La Figura 5
ilustra esos pasos, que se explican brevemente a continuación:

Una ventaja clave del aprendizaje profundo sobre los enfoques tradicionales de
• Definición del problema. En este paso, el problema se identifica y se
aprendizaje automático es que puede extraer automáticamente características de alto
traduce en un problema de ciencia de datos. Esto se logra formulando
nivel a partir de datos complejos. El proceso de aprendizaje no necesita ser diseñado por
el problema como una tarea de minería de datos. El Capítulo 5 elabora
un ser humano, lo que simplifica enormemente la elaboración manual de características
con más detalle métodos populares de minería de datos, como la
previas [28].
clasificación y la regresión, y presenta estudios de casos de problemas
Sin embargo, el rendimiento de los DNN se produce a costa de la de redes inalámbricas de cada tipo. De esta manera, esperamos
interpretabilidad del modelo. Es decir, los DNN suelen verse como cajas ayudar al lector a comprender cómo formular un problema de redes
negras y no se sabe por qué toman determinadas decisiones. Además, inalámbricas como un problema de ciencia de datos.
los DNN suelen su ff Además del complejo ajuste de hiperparámetros,
encontrar su configuración óptima puede ser un desafío y llevar mucho
tiempo. Además, el entrenamiento de redes de aprendizaje profundo • Recopilación de datos. En este paso, se identifica y recopila la cantidad

puede ser computacionalmente exigente y requiere computación de datos necesaria para resolver el problema formulado. El resultado

paralela avanzada, como unidades de procesamiento de gráficos (GPU). de este paso es datos brutos.

Por lo tanto, al implementar modelos de aprendizaje profundo en

• Preparación de datos. Una vez que se formula el problema y se recopilan
dispositivos integrados o móviles, se deben considerar las limitaciones
los datos, los datos sin procesar se procesan previamente para limpiarlos y
de energía y computación de los dispositivos.
transformarlos en un nuevo espacio donde cada patrón de datos está
representado por un vector. X ∈ R norte. Esto se conoce como el vector de
Hay un interés creciente en aprendizaje profundo en los años características, y es norte los elementos se conocen como
recientes. La Figura 4 demuestra el creciente interés en el campo, características. A través del proceso de extracción de características cada
mostrando la tendencia de búsqueda de Google de los últimos años. patrón se convierte en un solo punto en un norte- espacio dimensional,
conocido como el espacio de características o el espacio de entrada. Por lo
general, uno comienza con un valor grande. PAG de funciones y finalmente
4. Fundamentos del aprendizaje automático selecciona la norte los más informativos durante el selección de
características proceso.

Debido a su naturaleza impredecible, las redes inalámbricas son un área de • Entrenamiento de modelos. Después de definir el espacio de características en el que se

aplicación interesante para la ciencia de datos porque están influenciadas encuentran los datos, uno tiene que entrenar un algoritmo de aprendizaje automático

tanto por los fenómenos naturales como por los artefactos creados por el para obtener un modelo. Este proceso comienza formando el datos de entrenamiento o conjunto

hombre. Esta sección establece los fundamentos necesarios para que el de entrenamiento. Asumiendo que METRO vectores de características y valores de salida

lector comprenda los conceptos del aprendizaje automático. conocidos correspondientes (a veces

6
 Definición del problema Recopilación de datos Preparación de datos Entrenamiento de modelos Despliegue del modelo

Problema
Datos brutos Transformación Capacitación Despliegue
declaración

Ciencia de los datos Almacenamiento de datos Limpieza de datos Selección de modelo Predicción
problema
formulación
Hiperparámetro Actuación
Normalización
Afinación vigilancia
Característica Modelo
Reentrenamiento
Ingenieria evaluación

Figura 5: Pasos en una canalización de aprendizaje automático

llamada etiquetas) están disponibles, el conjunto de entrenamiento S consiste en predictores populares son los regresor y clasificador, descrito por:
METRO pares de entrada-salida (( X I, y I), yo = 1, ..., METRO) llamada ejemplos de
{
entrenamiento, es decir, regresor: Si y ∈ R
f (x) = (6)
clasificador: Si y ∈ { 0, 1}.
S = {( X 1, y 1), ( X 2, y 2), ..., ( X METRO, y M)}, (1)
En otras palabras, cuando la variable de salida y es continuo cuantitativo,
dónde X I ∈ R norte, es el vector de características del I a observación,
el problema de aprendizaje es un regresión problema. Pero si y predice
un discreto o categórico valor, es un clasi fi cación
X i = [ X I 1, X I 2, ..., X En t , yo = 1, ..., M. (2)
problema.

Los valores de salida correspondientes ( etiquetas) a la que X I, yo =
1, ..., METRO, pertenecen, son
y = [ y 1, y 2, ..., y M] T.
De hecho, se entrenan y ajustan varios algoritmos de ML (ajustando
sus hiperparámetros) y los modelos resultantes se evalúan en función
de métricas de rendimiento estándar (por ejemplo, error cuadrático
medio, precisión, recuperación, exactitud, etc.) y el mejor rendimiento.
se elige el modelo (es decir, selección del modelo).
• Despliegue del modelo. El modelo ML seleccionado se implementa en
un sistema inalámbrico práctico donde se utiliza para hacer
predicciones. Por ejemplo, dados datos brutos desconocidos, primero
el vector de características X se forma y luego se introduce en el
modelo ML para realizar predicciones. Además, el modelo
implementado se monitorea continuamente para observar cómo se
comporta en el mundo real. Para asegurarse de que sea precisa, es
posible que se vuelva a capacitar.
Más adelante, la etapa ML se elabora con más detalle.
4.1.1. Aprendiendo el modelo
Dado un conjunto S, el objetivo de un algoritmo de aprendizaje automático es
aprender el modelo matemático para f. Por lo tanto, F es una función
fija pero desconocida, que define la relación entre X y y,
es decir
f: X → y.
La función F se obtiene aplicando el método de aprendizaje seleccionado al
conjunto de entrenamiento, S, así que eso F es un buen estimador de nuevos
datos no vistos, es decir,
En caso de que el predictor F está parametrizado por un vector
θ ∈ R norte, describe un paramétrico modelo. En esta configuración,
el problema de estimar F se reduce a uno de estimar el
(3) parámetros θ = [ θ 1, θ 2, ..., θ n] T. En la mayoría de las aplicaciones prácticas, los
datos observados son versiones ruidosas de los valores esperados que
se obtendría en circunstancias ideales. Estos inevitables errores
impiden la extracción de parámetros verdaderos de las
observaciones. En este sentido, el modelo de datos genérico puede
expresarse como
y = f ( x) + ε, (7)
dónde f X) es el modelo y ε son errores de medición aditivos y otras
discrepancias. El objetivo de ML es encontrar la relación entrada-salida
que "mejor" coincidirá con las observaciones ruidosas. Por lo tanto, el
vector θ puede estimarse resolviendo un ( optimizacion convexa problema.
Primero un pérdida o función de costo l ( x, y, θ) se establece, que es una
medida (puntual) del error entre el
punto de datos observado y I y la predicción del modelo F ˆ ( X I) para cada v S alor de θ.
Sin emabargo, θ se estima en todo el conjunto de entrenamiento,
, no solo un ejemplo. Para esta tarea, la pérdida promedio sobre todos
ejemplos de entrenamiento llamados pérdida de entrenamiento, J, es calculado:
1∑
J ( θ) ≡ J (S, θ) = metro l ( X I, y I, θ), (8)
( X I , y I) ∈ S
dónde S indica que el error se calcula en las instancias del conjunto de
(4)
entrenamiento y yo = 1, ..., metro. El vector θ que minimiza la pérdida de
entrenamiento J ( θ), es decir
argmin J ( θ), (9)
θ ∈ R norte

y ≈ ŷ ˆ = F ˆ ( X nuevo) . (5)
le dará el modelo deseado. Una vez que se estima el modelo, para
En el aprendizaje automático, F se llama predictor, porque su tarea es predecir cualquier entrada dada X, la predicción para y se puede hacer con ŷ ˆ =
el resultado y I basado en el valor de entrada de X I. Dos θ T X.
7
4.1.2. Aprendiendo las características
La precisión de la predicción de los modelos ML depende en gran medida de la
elección de la representación de datos o las características utilizadas para la
capacitación. Por eso, mucho e ff ort en el diseño de modelos de ML entra en la
composición de las cadenas de preprocesamiento y transformación de datos que
dan como resultado una representación de los datos que puede soportar e ff predicciones
efectivas de ML. Informalmente, esto se conoce como
ingeniería de características. Ingeniería de características es el proceso
de extraer, combinar y manipular características aprovechando el
ingenio humano y el conocimiento experto previo para llegar a otras
más representativas. El extractor de características φ transforma el
vector de datos D ∈ R D en una nueva forma, X ∈ R norte, n <= d, más
adecuado para hacer predicciones, es decir
φ ( d): d → X .
Por ejemplo, los autores de [29] diseñaron características de la distribución
RSSI (Indicación de intensidad de señal recibida) para identificar señales
inalámbricas. La importancia de la ingeniería de características resalta el
cuello de botella de los algoritmos ML: su incapacidad para extraer
automáticamente la información discriminativa de los datos. Aprendizaje de
funciones es una rama del aprendizaje automático que traslada el concepto
de aprendizaje de "aprender el modelo" a "aprender las características". Un
método popular de aprendizaje de funciones es
aprendizaje profundo, en detalle discutido en 4.3.9.
4.2. Tipos de paradigmas de aprendizaje
Esta sección discutió varios tipos de paradigmas de aprendizaje en
ML, resumido en la Figura 6
4.2.1. Aprendizaje supervisado versus no supervisado versus
semi-supervisado
El aprendizaje se puede clasificar según la cantidad de conocimiento o
retroalimentación que se le da al alumno como supervisado o no
supervisado.
Aprendizaje supervisado. El aprendizaje supervisado utiliza entradas
predefinidas y salidas conocidas para construir un modelo de sistema. El
conjunto de entradas y salidas forma el conjunto de datos de entrenamiento
etiquetado que se utiliza para enseñar a un algoritmo de aprendizaje cómo
predecir salidas futuras para nuevas entradas que no formaban parte del
conjunto de entrenamiento. Los algoritmos de aprendizaje supervisados
son adecuados para problemas de redes inalámbricas donde existe un
conocimiento previo sobre el entorno y los datos se pueden etiquetar. Por
ejemplo, prediga la ubicación de un nodo móvil utilizando un algoritmo que
se entrena en las características de propagación de la señal (entradas) en
ubicaciones conocidas (salidas). Se han abordado varios desafíos en las
redes inalámbricas mediante el aprendizaje supervisado, tales como: control
de acceso al medio [30-33], enrutamiento [34], estimación de la calidad del
enlace [35, 36], agrupación de nodos en WSN [37], localización [38 –40], etc. El
aprendizaje supervisado también se ha aplicado ampliamente a di ff diferentes
tipos de aplicaciones de redes inalámbricas, tales como: reconocimiento de
actividad humana [48-53], detección de eventos [54-58], monitoreo de carga
eléctrica [59, 60], seguridad [61-63], etc. Algunas de estas obras se
analizarán con más detalle más adelante.
Aprendizaje sin supervisión. Los algoritmos de aprendizaje no supervisados
intentan encontrar estructuras ocultas en datos no etiquetados. Al alumno
se le proporcionan sólo entradas sin salidas conocidas, mientras que el
aprendizaje se realiza encontrando similitudes en los datos de entrada.
Como tal, estos algoritmos son adecuados para problemas de redes
inalámbricas donde no existe conocimiento previo sobre los resultados, o
anotar datos (etiquetado) es di ffi culto a realizar en la práctica. Por ejemplo,
la agrupación automática de nodos de sensores inalámbricos en grupos en
función de sus valores de datos detectados actuales y la proximidad
geográfica (sin conocer a priori la pertenencia al grupo de cada nodo) se
puede resolver mediante el aprendizaje no supervisado. En el contexto de
las redes inalámbricas, los algoritmos de aprendizaje no supervisados se
utilizan ampliamente para: agregación de datos [64], agrupación de nodos
para WSN [64-67], agrupación de datos [68-70], detección de eventos [71] y
(10) varias aplicaciones de radio cognitiva [ 72, 73], reducción dimensional [74],
etc.
Aprendizaje semi-supervisado. Existen varias mezclas entre los
dos métodos de aprendizaje y se materializan en un
aprendizaje semi-supervisado [75]. El aprendizaje
semi-supervisado se utiliza en situaciones en las que existe una
pequeña cantidad de datos etiquetados con una gran cantidad
de datos no etiquetados. Tiene un gran valor práctico porque
puede aliviar el costo de hacer un conjunto de entrenamiento
completamente etiquetado, especialmente en situaciones en
las que no es factible etiquetar todas las instancias. Por
ejemplo, en los sistemas de reconocimiento de actividad
humana donde las actividades cambian muy rápido de modo
que algunas actividades permanecen sin etiquetar o el usuario
no está dispuesto a cooperar en el proceso de recopilación de
datos, el aprendizaje supervisado podría ser el mejor
candidato para entrenar un modelo de reconocimiento [76
–78]. ffi c clasi fi cación [80], etc.
4.2.2. O ffl ine vs.en línea vs.aprendizaje activo
El aprendizaje se puede categorizar dependiendo de la forma en que se da
la información al alumno como o ffl ine o aprendizaje en línea. En o ffl En el
aprendizaje en línea, el alumno recibe formación sobre todos los datos de
formación a la vez, mientras que en el aprendizaje en línea los datos de
formación están disponibles en un orden secuencial y se utilizan para
actualizar la representación del alumno en cada iteración.
O ffl ine Learning. O ffl El aprendizaje ine se utiliza cuando el sistema que se está
modelando no cambia sus propiedades dinámicamente. O ffl Los modelos
aprendidos ine son fáciles de implementar porque los modelos no tienen que
seguir aprendiendo constantemente, y se pueden volver a capacitar y volver a
implementar fácilmente en producción. Por ejemplo, en [81] se implementa un
estimador de calidad de enlace basado en el aprendizaje mediante la
implementación de un o ffl ine modelo entrenado en la pila de red de los nodos
inalámbricos Tmote Sky. El modelo se entrena basándose en mediciones sobre el
estado actual del canal inalámbrico que se obtienen a partir de extensas
configuraciones de experimentos de un banco de pruebas inalámbrico.
Otros casos de uso son los sistemas de reconocimiento de actividad humana,
donde un o ffl Se implementa un clasificador capacitado para reconocer las
acciones de los usuarios. El modelo de clasi fi cador se puede entrenar en base a la
información extraída de las mediciones sin procesar recopiladas por
8
 Paradigmas de aprendizaje

Cantidad de comentarios Cantidad de información

entregado al alumno entregado al alumno

Semi-
Supervisado Sin supervisión Desconectado En línea Activo
supervisado

El aprendiz El aprendiz es
El aprendiz
El aprendiz El aprendiz conoce solo un El aprendiz es entrenado
selecciona el
sabe todo solo sabe pocos entrenado en el secuencialmente como
más útil
Salidas, entradas las entradas de entrada y salida conjunto de datos completo los datos se vuelven
datos de entrenamiento
pares disponible

Figura 6: Resumen de tipos de paradigmas de aprendizaje

sensores integrados en un teléfono inteligente, que es al mismo tiempo la unidad papel. Para obtener más detalles sobre los algoritmos de aprendizaje activo,
central de procesamiento que implementa el o ffl ine modelo aprendido para el remitimos al lector a [86-88].
reconocimiento de actividades en línea [82].
4.3. Algoritmos de aprendizaje automático
Aprender en línea. El aprendizaje en línea es útil para problemas en los que
En esta sección se revisan los algoritmos de aprendizaje automático populares que se utilizan en
los ejemplos de capacitación llegan uno a la vez o cuando, debido a recursos
la investigación de redes inalámbricas.
limitados, no es factible computacionalmente capacitar sobre todo el
conjunto de datos. Por ejemplo, en [83] se propone un enfoque de
4.3.1. Regresión lineal
aprendizaje descentralizado para la detección de anomalías en redes de
La regresión lineal es una técnica de aprendizaje supervisado que se utiliza
sensores inalámbricos. Los autores se concentran en métodos de detección
para modelar la relación entre un conjunto de variables de entrada
que se pueden aplicar en línea ( es decir, sin la necesidad de una o ffl ine
(independientes) ( X) y una variable de salida (dependiente) ( y), de modo que
aprendizaje) y que se caracterizan por una huella computacional limitada,
la salida sea una combinación lineal de las variables de entrada:
para adaptarse a las estrictas limitaciones de hardware de los nodos WSN.
Otro ejemplo se puede encontrar en [84], donde los autores proponen una ∑norte
técnica de detección de valores atípicos en línea que puede actualizar y = f ( x): = θ 0 + θ 1 X 1 + ... + θ norte X n + ε = θ 0 + θ j X j, ( 11)
secuencialmente el modelo y detectar mediciones que no se ajustan al j=1
patrón de comportamiento normal de los datos detectados, mientras se
mantiene el consumo de recursos de la red. al mínimo. dónde x = [ X 1, ... X n] T, y θ = [ θ 0, θ 1, ... θ Nuevo Testamento es el vector de parámetro
estimado de un conjunto de entrenamiento dado ( y I, X I), yo = 1, 2, ..., metro.

Aprendizaje activo. Una forma especial de aprendizaje en línea es el
aprendizaje activo en el que el alumno primero razona sobre qué
ejemplos serían más útiles para la capacitación (tomando el menor
número posible de ejemplos) y luego recopila esos ejemplos. El
aprendizaje activo ha demostrado ser útil en situaciones en las que
resulta caro obtener muestras de todas las variables de interés. Por
ejemplo, los autores en [85] propusieron un nuevo enfoque de
aprendizaje activo (para problemas de selección de modelos gráficos),
donde el objetivo es optimizar el número total de muestras escalares
obtenidas al permitir la recolección de muestras de solo subconjuntos
de las variables. Esta técnica podría, por ejemplo, aliviar la necesidad de
sincronizar un gran número de sensores para obtener muestras de
todas las variables involucradas simultáneamente.
El aprendizaje activo ha sido un tema importante en los últimos años en ML y
un estudio exhaustivo de la literatura está más allá del alcance de este
4.3.2. Regresión no lineal
La regresión no lineal es una técnica de aprendizaje supervisada que
modela los datos observados mediante una función que es una
combinación no lineal de los parámetros del modelo y una o más
variables de entrada independientes. Un ejemplo de regresión no lineal
es el modelo de regresión polinomial definido por:
y = f ( x): = θ 0 + θ 1 x + θ 2 X 2 + ... + θ norte X n, (12)
4.3.3. Regresión logística
La regresión logística [89] es un algoritmo de aprendizaje supervisado simple
ampliamente utilizado para implementar modelos de clasificación lineal, lo que significa
que los modelos definen límites de decisión lineales suaves entre di ff clases diferentes. En
el núcleo del algoritmo de aprendizaje está la función logística que se utiliza para
aprender

9
los parámetros del modelo y predecir instancias futuras. La función Algoritmo 1: Bosque aleatorio
logística, f (z), está dado por 1 sobre 1 más mi al menos z, es decir:
Aporte: Conjunto de entrenamiento D

Producción: Valor previsto h (x)

1
f (z) = 1 + mi - z, (13) Procedimiento:

• Muestra k conjuntos de datos D 1, ..., D k de D con reemplazo.

dónde, z: = θ 0 + θ 1 X 1 + θ 2 X 2 + ... + θ norte X norte, dónde X 1, X 2, ... X norte
son las variables independientes (de entrada), que deseamos usar para • Para cada D I entrenar a un clasificador de árbol de decisión h I() a la
describir o predecir la variable dependiente (salida) y = f (z). profundidad máxima y al partir el árbol solo considere

El rango de f (z) está entre 0 y 1, independientemente del valor de z, lo un subconjunto de características l. Si D es el número de funciones en cada
ejemplo de entrenamiento, el parámetro l <= d normalmente se establece en l
que lo hace popular para tareas de clasificación. Es decir, el modelo √
está diseñado para describir una probabilidad, que siempre es un = d.

número entre 0 y 1.
• El clasificador de conjunto es entonces la decisión de salida de votos media
o mayoritaria de todos los árboles de decisión.

4.3.4. Árboles de decisión

Los árboles de decisión (DT) [90] es un algoritmo de aprendizaje
supervisado que crea un gráfico o modelo en forma de árbol que representa Conjunto de datos de entrada •

los posibles resultados o consecuencias de utilizar ciertos valores de

entrada. El árbol consta de un nodo raíz, nodos internos denominados Subconjunto • 1 Subconjunto • 2 Subconjunto • •

nodos de decisión que prueban su entrada con una expresión aprendida y

nodos hoja que corresponden a una clase o decisión final. El árbol de
Árbol 1 Árbol 2 Árbol k
aprendizaje se puede usar para derivar reglas de decisión simples que se ...

pueden usar para problemas de decisión o para clasificar instancias futuras

comenzando en el nodo raíz y moviéndose a través del árbol hasta llegar a
un nodo hoja donde se asigna una etiqueta de clase. Sin embargo, los Salida 1 Salida 2 Producción k

árboles de decisión pueden lograr una alta precisión solo si los datos se
Voto mayoritario / Media
pueden separar linealmente, es decir, si existe un hiperplano lineal entre las
clases. Por tanto, construir un árbol de decisión óptimo es NP-completo [91].

Predicho
Hay muchos algoritmos que pueden formar un árbol de aprendizaje valor
como el simple dicotomizador iterativo 3 (ID3), su versión mejorada
C4.5, etc. Figura 7: Formulación gráfica para Random Forest

4.3.5. Bosque aleatorio dado como:

Los bosques aleatorios (RF) son ensacado árboles de decisión. El ensacado es

una técnica que implica entrenar a muchos clasificadores y considerar el
rendimiento promedio del conjunto. De esta manera, la variación del clasificador
de conjunto general se puede reducir en gran medida. El ensacado se usa a
menudo con los DT, ya que no son muy resistentes a los errores debido a la
variación en los datos de entrada. Los bosques aleatorios se crean mediante el
siguiente procedimiento:
La figura 7 ilustra este proceso.
4.3.6. SVM
Support Vector Machine (SVM) [92] es un algoritmo de aprendizaje que resuelve
problemas de clasificación mapeando primero los datos de entrada en un espacio de
características de mayor dimensión en el que se vuelve linealmente separable por un
hiperplano, que se utiliza para la clasificación. En la regresión de vectores de soporte,
este hiperplano se utiliza para predecir la salida de valor continuo. El mapeo del espacio
de entrada al espacio de características de alta dimensión no es lineal, lo que se logra
utilizando núcleo funciones. Di ff Las diferentes funciones del kernel se ajustan mejor a
diferentes ff dominios de aplicación actuales. Las funciones de kernel más comunes
utilizadas en SVM son: kernel lineal, kernel polinomial y función de kernel base (RBF),
k (x I, X j) = X T I X j k (x I, X j) = ( X TI X j + 1) D k (x I, X j) = mi - ( xi - xj)σ22 ,
(14)
dónde σ es un parámetro definido por el usuario.
4.3.7. k-NN
k vecinos más cercanos (k-NN) [93] es un algoritmo de aprendizaje que
puede resolver problemas de clasificación y regresión al observar la
distancia (cercanía) entre instancias de entrada. Se denomina algoritmo de
aprendizaje no paramétrico porque, a diferencia de otros algoritmos de
aprendizaje supervisados, no aprende una función de modelo explícita a
partir de los datos de entrenamiento. En cambio, el algoritmo simplemente
memoriza todas las instancias anteriores y luego predice la salida buscando
primero el conjunto de entrenamiento para el k instancias más cercanas y
luego: (i) para la clasificación-predice la clase mayoritaria entre aquellos k vecinos
más cercanos, mientras que (ii) para regresión predice el valor de salida
como el promedio de los valores de su k vecinos más cercanos. Debido a
este enfoque, k-NN se considera una forma de aprendizaje basado en
instancias o basado en memoria.
k-NN se usa ampliamente ya que es una de las formas más simples de
aprendizaje. También se considera como perezoso aprendiendo como el aprendiz

10
pasivo hasta que se deba realizar una predicción, por lo que no se
requiere ningún cálculo hasta que se realiza la tarea de predicción. El ? Grupo 2
pseudocódigo para k-NN [94] se resume en el algoritmo 2.

k-medias
Grupo 1
Algoritmo 2: k-NN
Aporte: ( y I, X I): Conjunto de entrenamiento, yo = 1, 2, ..., metro; s: desconocido Grupo 3

muestra
Producción: Valor previsto f X)
Procedimiento para I ← 1 Tomás terminar Figura 8: Formulación gráfica para k-medias
Calcule la distancia d ( X I, s)

1. Calcule el conjunto I que contiene índices para el k más pequeño El objetivo es predecir productos con valor real (los problemas de
distancias d ( X I, s) regresión se explican en la Sección 5.1). Las redes neuronales son
2. f X) ← etiqueta de mayoría / valor medio para { y I dónde I ∈ I} conocidas por su capacidad para identificar tendencias complejas y
detectar relaciones no lineales complejas entre las variables de entrada
regreso f X) a costa de una mayor carga computacional. Un modelo de red neuronal
consta de una entrada, varias capas ocultas y una capa de salida, como
se muestra en la Figura 9.
4.3.8. k-medias La formulación para una sola capa es la siguiente:

k- Means es un algoritmo de aprendizaje no supervisado que se utiliza

para agrupar problemas. El objetivo es asignar una cantidad de puntos,
X 1, .., X metro dentro K grupos o conglomerados, por lo que la similitud
intragrupo resultante es alta, mientras que la similitud entre grupos es baja.
La similitud se mide con respecto al valor medio de los puntos de datos en un grupo. La
Figura 8 ilustra un ejemplo de k- significa agrupamiento, donde K = 3 y el conjunto de
datos de entrada que consta de dos entidades con puntos de datos trazados a lo largo
del X y y eje.
En el lado izquierdo de la Figura 8 están los puntos de datos antes de que se
aplique k-means, mientras que en el lado derecho están los 3 grupos identificados
y sus centroides representados con cuadrados.
El pseudocódigo para k-means [94] se resume en el
algoritmo 3.
Algoritmo 3: k-significa
Aporte: K: El número de agrupaciones deseadas;
X = {x 1, X 2, ..., X metro}: Ingrese el conjunto de datos con metro puntos de datos
Producción: Un conjunto de K racimos
Procedimiento:
1. Establecer los centroides del clúster µ k, k = 1, ..., K a arbitrario
valores;
2. tiempo sin cambios en µ k hacer
y = g ( w T x + B) , (15)
dónde X es una entrada de ejemplo de formación, y y es la salida de la capa, w
son los pesos de las capas, mientras que B es el término de sesgo.
La capa de entrada corresponde a las variables de datos de entrada. Cada
capa oculta consta de una serie de elementos de procesamiento llamados
neuronas que procesan sus entradas (los datos de la capa anterior)
mediante una función de activación o transferencia que traduce las señales
de entrada en una señal de salida. gramo(). Las funciones de activación
comúnmente utilizadas son: función escalón unitario, función lineal, función
sigmoidea y función tangente hiperbólica. Los elementos entre cada capa
están altamente conectados por conexiones que tienen pesos numéricos
que son aprendidos por el algoritmo. La capa de salida genera la predicción
( es decir, la clase) para las entradas dadas y de acuerdo con los pesos de
interconexión definidos a través de la capa oculta. El algoritmo está ganando
popularidad nuevamente en los últimos años debido a nuevas técnicas y
hardware más poderoso que permiten entrenar modelos complejos para
resolver tareas complejas. En general, se dice que las redes neuronales son
capaces de aproximarse a cualquier función de interés cuando están bien
sintonizadas, por lo que se consideran aproximadores universales [96].

(a) (Re) asignar cada elemento X I al clúster con el

centroide más cercano.

(b) Actualización µ k, k = 1, ..., K, como el valor medio de la

puntos de datos en cada grupo.

final

regreso K clústeres

4.3.9. Redes neuronales

Las redes neuronales (NN) [95] o redes neuronales artificiales (ANN) es un
algoritmo de aprendizaje supervisado inspirado en el funcionamiento del
cerebro, que se utiliza típicamente para derivar límites de decisión
complejos y no lineales para construir un modelo de clasificación, pero
también son adecuados para entrenar modelos de regresión cuando el Figura 9: Formulación gráfica para redes neuronales

11
Redes neuronales profundas. Las redes neuronales profundas son un tipo
especial de NN que consta de varias capas capaces de realizar la
transformación y extracción de características. A diferencia de una NN
tradicional, tienen el potencial de aliviar la extracción manual de
características, que es un proceso que depende en gran medida del
conocimiento previo y la experiencia en el dominio [97].
Existen varias técnicas de aprendizaje profundo, que incluyen: redes
neuronales profundas (DNN), redes neuronales convolucionales (CNN),
redes neuronales recurrentes (RNN) y redes de creencias profundas
(DBN), que han tenido éxito en varios campos de la ciencia, incluida la
visión por computadora. , reconocimiento automático de voz,
procesamiento del lenguaje natural, bioinformática, etc, y cada vez más
también en redes inalámbricas.
Redes neuronales convolucionales. Las redes neuronales convolucionales (CNN)
realizan el aprendizaje de características a través de transformaciones no lineales
implementadas como una serie de capas. Los datos de entrada son una matriz de
datos multidimensionales, denominada tensor, que se presenta en el capa visible. Esta tanto, los rectificador La función de activación se utiliza normalmente para
es típicamente una estructura topológica similar a una cuadrícula, por ejemplo, CNN. Los granos que utilizan el rectificador se denominan
datos de series de tiempo, que se pueden ver como una cuadrícula 1D que toma
muestras a intervalos de tiempo regulares, píxeles en imágenes con un diseño 2D,
una estructura 3D de videos, etc. una serie de capas ocultas extraer varias
características abstractas. Las capas ocultas consisten en una serie de capas de
convolución, agrupación y completamente conectadas, como se muestra en la
Figura 10.
Esas capas están "ocultas" porque no se dan sus valores. En cambio, el modelo
de aprendizaje profundo debe determinar qué representaciones de datos son
útiles para explicar las relaciones en los datos observados. Cada capa de
convolución consta de varios
granos es decir, filtros) que realizan un circunvolución sobre la entrada; por lo tanto,
también se les conoce como capas convolucionales. Los kernel son detectores de
características, que giran sobre la entrada y producen una versión transformada de los
datos en la salida. Esos son bancos de respuesta de impulso finita filtros como se ve en el
procesamiento de señales, recién aprendido en una jerarquía de capas. Los filtros suelen
ser matrices multidimensionales de parámetros que se aprenden mediante el algoritmo
de aprendizaje [98] a través de un proceso de entrenamiento llamado
propagación hacia atrás.
Por ejemplo, dada una entrada bidimensional X, un núcleo
bidimensional h calcula la convolución 2D mediante
∑∑
( X ∗ h) yo, j = x [i, j] ∗ h [i, j] = norte metro x [n, m] · Hola - n] [j - m],
es decir, el producto escalar entre sus pesos y una pequeña región a la
que están conectados en la entrada.
Después de la convolución, se agrega un término de sesgo y una no linealidad
puntual gramo se aplica, formando una mapa de características en la salida del
filtro. Si denotamos el l- th mapa de características en una capa convolucional dada
como h yo cuyos filtros están determinados por el coeficiente ffi clientes o
pesos W yo la entrada X y el sesgo B yo luego el mapa de características h l
se obtiene de la siguiente manera
h lyo, j = g ((W l ∗ X) ij + B l),
dónde ∗ es la convolución 2D definida por la Ecuación 16, mientras que
gramo( ·) es el función de activación.
Las funciones de activación comunes que se encuentran en las redes
neuronales profundas son las rectificador que se define como
g (x) = x + = máx ( 0, X) , (18)
la función tangente hiperbólica, tanh, g (x) = tanh (x), es decir
definido como
2
tanh (x) = 1 + mi - 2 X - 1, (19)
y el sigmoideo activación, g (x) = σ ( X), definido como
1
σ ( x) = 1 + mi - X . (20)
La sigmoideo La activación rara vez se usa porque sus activaciones se
saturan en la cola de 0 o 1 y no están centradas en 0 como es el tanh. La tanh
normaliza la entrada al rango [ - 1, 1], pero en comparación con el rectificador
sus activaciones se saturan lo que provoca gradientes inestables. Por lo
ReLU ( Unidad lineal rectificada) y han demostrado que aceleran en gran
medida la convergencia durante el proceso de entrenamiento en
comparación con otras funciones de activación. Tampoco provocan la
desaparición o explosión de los gradientes en la fase de optimización
cuando se minimiza la función de coste. Además, el ReLU simplemente
establece el umbral de la entrada, X, en cero, mientras que otras funciones
de activación implican operaciones costosas.
Para formar una representación más rica de la señal de entrada,
comúnmente, se apilan múltiples filtros de modo que cada capa oculta
consista en múltiples mapas de características, {h ( l), l = 0, ..., L} ( p.ej,
L = 64, 128, ..., etc.). El número de filtros por capa es un parámetro ajustable
o hiperparámetro. Otros parámetros ajustables son el tamaño del filtro, el
número de capas, etc. La selección de valores para los hiperparámetros
puede ser bastante diversa. ffi culto, y encontrarlo comúnmente es tanto un
arte como una ciencia. Una elección óptima solo puede ser factible mediante
prueba y error. Los tamaños de los filtros se seleccionan de acuerdo con el
tamaño de los datos de entrada para tener el nivel correcto de granularidad
que pueda crear abstracciones a la escala adecuada. Por ejemplo, para una
entrada de matriz cuadrada 2D, como espectrogramas, las opciones
comunes son 3 × 3, 5 × 5, 9 × 9, etc. Para un amplio matriz, como una
representación en valor real de las muestras complejas I y Q de la señal
inalámbrica en R 2 × NORTE, Los tamaños de filtro adecuados pueden ser 1 × 3, 2
× 3, 2 × 5, etc. Después de una capa convolucional, agrupación La capa se
(dieciséis) puede utilizar para fusionar características semánticamente similares en
una. De esta manera, se reduce el tamaño espacial de la representación, lo
que reduce la cantidad de parámetros y cálculos en la red. Ejemplos de
unidades de agrupación son agrupación máxima calcula el valor máximo de
un parche local de unidades en un mapa de características), agrupación
vecina toma la entrada de parches que están desplazados en más de una fila
o columna, reduciendo así la dimensión de la representación y creando una
invariancia a pequeños cambios y distorsiones, etc.
(17) La penúltima capa en una CNN consiste en neuronas que están
completamente conectados con todos los mapas de características en la
capa anterior. Por lo tanto, estas capas se llaman totalmente conectado o denso
capas. La última capa es una softmax clasificador, que calcula
12
 Agrupación Totalmente conectado Totalmente conectado
Circunvolución

softmax
... ...
Datos de entrada

Mapas de características Agrupados

Mapas de características
Aplanar
Producción

Figura 10: Formulación gráfica de redes neuronales convolucionales

la posterior probabilidad de cada etiqueta de clase sobre K clases como

• (•) • (1) • (2) • (•)
mi z I
ŷ ˆ yo = ∑ K , yo = 1, ..., K (21)
j = 1 mi z j

Es decir, las puntuaciones z I calculado en la capa de salida, también llamado h •) h 1) h 2) ... h •)

logits, se traducen en probabilidades. Una función de pérdida, yo es
calculado en la última capa completamente conectada que mide la
di ff diferencia entre las probabilidades estimadas, ŷ ˆ I, y el uno-
codificación en caliente de las etiquetas de clase verdaderas, y I. Los parámetros de CNN, X( •) X( 1) X( 2) X( •)
θ, se obtienen minimizando la función de pérdida en el entrenamiento
colocar { X I, y i} yo ∈ S de tamaño metro,
∑ Figura 11: Formulación gráfica de redes neuronales recurrentes
min l (ŷ ˆ I, y I) , (22)
θI∈S

donde funcion F es la salida de activación de una sola unidad, h I) son el estado de

dónde l (.) es típicamente el error cuadrático medio l (y, ŷ ˆ) = ‖ y - ŷ ˆ ‖ 2 2 o
∑ metro
la entropía cruzada categórica l (y, ŷ ˆ) = yo = 1 y I
A menudo se agrega un signo menos al frente para obtener el negativo Iniciar sesión-
probabilidad. Luego, el clasificador softmax se entrena resolviendo un
problema de optimización que minimiza la función de pérdida. La
solución óptima son los parámetros de red que describen
completamente el modelo de CNN. Es decir θ̂ ˆ = argmin J (S, θ).
θ
Actualmente, no existe consenso sobre la elección del algoritmo
las unidades ocultas en el momento I, X( I) es la entrada de la secuencia en el índice
pesado ˆ I) para cual de tiempo I, y ( I) es la salida en el momento I, tiempo θ son los parámetros de
ponderación de la red que se utilizan para calcular la activación en todos los
índices. La Figura 11 muestra una representación gráfica de RNN.
La parte izquierda de la Figura 11 presenta la red "plegada", mientras que la parte
derecha la red "desplegada" con sus conexiones recurrentes que propagan información
hacia adelante en el tiempo. Se aplica una función de activación en las unidades ocultas y entonces

de optimización. Los algoritmos de optimización más exitosos f tmax

parecen ser: descenso de gradiente estocástico (SGD), RM-SProp,
Adam, AdaDelta, etc. Para una comparación de estos, remitimos al
lector a [99].
Para controlar el sobreajuste, normalmente se utiliza la regularización en
combinación con abandonar, que es un nuevo extremadamente e ff Técnica eficaz
que "elimina" un conjunto aleatorio de activaciones en una capa. Cada unidad se
retiene con una probabilidad fija pag, normalmente se elige mediante un conjunto
de validación, o se establece en 0,5, que ha demostrado ser casi óptimo para una
amplia gama de aplicaciones [100].
Redes neuronales recurrentes. Las redes neuronales recurrentes (RNN) [101]
son un tipo de redes neuronales en las que las conexiones entre nodos
forman un gráfico dirigido a lo largo de una secuencia temporal. Se
denominan recurrentes debido a las conexiones recurrentes entre las
unidades ocultas. Esto se denota matemáticamente como:
h t) = f h t - 1), X( t); θ)
se puede utilizar para calcular la predicción.
Hay varias extensiones de RNN. Una extensión popular son los
LSTM, que aumentan el modelo RNN tradicional al agregar un
bucle propio en el estado de la red para recordar mejor la
información relevante durante períodos más largos de tiempo.
5. Problemas de ciencia de datos en redes inalámbricas
El objetivo final de la ciencia de datos es extraer conocimiento de los datos, es
decir, convertir los datos en valor real [102]. En el corazón de este proceso
hay algoritmos severos que pueden aprender a partir de datos y hacer
predicciones sobre ellos, es decir, algoritmos de aprendizaje automático. En
el contexto de las redes inalámbricas, el aprendizaje es un mecanismo que
permite la conciencia del contexto y las capacidades de inteligencia en di ff diferentes
aspectos de la comunicación inalámbrica. En los últimos años, ha ganado
(23) popularidad debido a su éxito en la mejora de toda la red.

13
actuación ( es decir QoS) [103], que facilita el comportamiento
inteligente adaptándose a entornos complejos y dinámicamente
cambiantes (inalámbricos) [104] y su capacidad para agregar
automatización para realizar conceptos de autocuración y
autooptimización [105]. Durante los últimos años, di ff Se han estudiado
diferentes enfoques basados en datos en el contexto de: redes
móviles ad hoc [106], redes de sensores inalámbricos [107], redes de
área corporal inalámbricas [50], redes de radio cognitivas [108, 109] y
redes celulares [110]. . Estos enfoques se centran en abordar varios
temas que incluyen: control de acceso al medio [30, 111], enrutamiento
[81, 112], agregación y agrupación de datos [64, 113], localización [114,
115], comunicación de recolección de energía [116 ], detección de
espectro [44, 47], etc.
Como se explica en la sección 4.1, antes de aplicar ML a un problema
de redes inalámbricas, el problema debe formularse primero como un
método de minería de datos adecuado.
Esta sección explica los siguientes métodos:
• Regresión
• Clasi fi cación
• Agrupación
• Detección de anomalías
Para cada tipo de problema, se analizan varios estudios de casos de
redes inalámbricas junto con los algoritmos ML que se aplican para
resolver el problema.
5.1. Regresión
La regresión es un método de minería de datos que es adecuado para problemas
que tienen como objetivo predecir una variable de salida de valor real, y, como se
ilustra en la Figura 12. Dado un conjunto de entrenamiento, S, el objetivo es
estimar una función, f cuyo gráfico se ajusta a los datos. Una vez que la función F se
encuentra, cuando llega un punto desconocido, es capaz de predecir el valor de
salida. Esta función F es conocido como el regresor.
Dependiendo de la representación de la función, las técnicas de
regresión se clasifican típicamente en algoritmos de regresión lineal y
no lineal, como se explica en la sección 4.3. Por ejemplo, la ecualización
de canal lineal en la comunicación inalámbrica puede verse como un
problema de regresión.
Figura 12: Ilustración de regresión.
14
Figura 13: Ilustración de clasificación.
5.1.1. Ejemplo de regresión 1: localización en interiores
En el contexto de las redes inalámbricas, la regresión lineal se usa con
frecuencia para derivar un modelo empírico logarítmico de la distancia para
las características de propagación de radio como una relación matemática
lineal entre el RSSI, generalmente en dBm, y la distancia. Este modelo se
puede utilizar en algoritmos de localización en interiores basados en RSSI
para estimar la distancia hacia cada nodo fijo ( es decir,
nodo de anclaje) en la fase de determinación de distancia del algoritmo [114].
5.1.2. Ejemplo de regresión 2: estimación de la calidad del enlace
Las técnicas de regresión no lineal se utilizan ampliamente para
modelar la relación entre PRR (Tasa de recepción de paquetes) y
RSSI, así como entre PRR y el Indicador de calidad del enlace (LQI),
para construir un mecanismo para estimar la calidad del enlace
basado en sobre observaciones (RSSI, LQI) [117].
5.1.3. Ejemplo de regresión 3: Tra móvil ffi c predicción de la demanda
Los autores en [118] utilizan ML para optimizar la asignación de
recursos de red en redes móviles. Es decir, cada estación base observa
el tra ffi c de un segmento de red particular en una red móvil. Luego, un
modelo de CNN utiliza esta información para predecir la capacidad
requerida para acomodar el futuro tra ffi c demandas de servicios
asociados a cada segmento de red. De esta forma, a cada segmento se
le asignan los recursos óptimos.
5.2. Clasi fi cación
Un problema de clasificación intenta comprender y predecir valores o
categorías discretos. El término clasificación proviene del hecho de que
predice la pertenencia a la clase de una instancia de entrada en
particular, como se muestra en la Figura 13. Por lo tanto, el objetivo en
la clasificación es asignar una incógnita patrón a una de varias clases
que se consideran conocidas. Por ejemplo, en las comunicaciones
digitales, el proceso de demodulación puede verse como un problema
de clasificación. Al recibir la señal transmitida modulada, que se ha
visto afectada por la propagación e ff efectos (es decir, el canal) y ruido,
el receptor tiene que decidir qué símbolo de datos (de un conjunto
finito) se transmitió originalmente.
Los problemas de clasificación se pueden resolver mediante enfoques de aprendizaje
supervisado, que tienen como objetivo modelar los límites entre conjuntos ( es decir,
clases) de instancias de comportamiento similar, basadas en conocidas y
etiquetadas ( es decir, con membresía de clase definida) valores de entrada.
Hay muchos algoritmos de aprendizaje que se pueden usar para clasificar
datos, incluidos árboles de decisión, k vecinos más cercanos, regresión
logística, máquinas de vectores de soporte, redes neuronales, redes
neuronales convolucionales, etc.

5.2.1. Ejemplo de clasificación 1: capa MAC cognitiva

Consideramos el problema de diseñar una capa MAC adaptativa
como un ejemplo de aplicación de árboles de decisión en redes
inalámbricas. En [30] se propone una capa MAC autoadaptable. Se
compone de dos partes: (i) una arquitectura MAC reconfigurable que Figura 14: Ilustración de agrupamiento.
puede cambiar entre di ff diferentes protocolos MAC en tiempo de
ejecución, y (ii) un motor MAC capacitado que selecciona el protocolo
MAC más adecuado para la condición actual de la red y los requisitos SDR (por ejemplo, frecuencia portadora, potencia de transmisión, esquema de

de aplicación. El motor MAC se resuelve como un problema de modulación).

clasificación utilizando un clasificador de árbol de decisión que se
aprende en base a: (i) dos tipos de variables de entrada que son (1) las
condiciones de la red reflejadas a través de las estadísticas RSSI ( es
decir, media y varianza), y (2) el tramo actual ffi c patrón monitoreado a
través de las estadísticas de Inter-Packet Interval (IPI) ( es decir, media y
varianza) y requisitos de aplicación ( es decir, fiabilidad, consumo de
energía y latencia), y (ii) la salida, que es el protocolo MAC que se va a
predecir y seleccionar.
5.2.2. Ejemplo de clasificación 2: enrutamiento inteligente en WSN
Liu et al. [ 81] mejoró el enrutamiento inalámbrico de múltiples saltos
mediante la creación de un estimador de calidad de enlace de radio basado
en aprendizaje basado en datos. Investigaron si los algoritmos de
aprendizaje automático (por ejemplo, regresión logística, redes neuronales)
pueden funcionar mejor que los estimadores tradicionales, construidos
manualmente y predefinidos, como STLE (Estimador de enlaces a corto
plazo) [121] y 4Bit (Four -Bit) [122]. Finalmente, seleccionaron la regresión
logística como el modelo más prometedor para resolver el siguiente
problema de clasificación: predecir si el siguiente paquete se recibirá con
éxito, es decir, la clase de salida es 1, o se pierde, es decir, la clase de salida
es 0, basada en las condiciones actuales del canal inalámbrico reflejadas por
las estadísticas de PRR, RSSI, SNR y LQI.
Mientras que en [81] los autores utilizaron o ffl Al aprender a hacer
predicciones, en su trabajo de seguimiento [112], fueron un paso más allá y
tanto el entrenamiento como la predicción fueron realizados en línea por los
propios nodos usando regresión logística con aprendizaje en línea (más
específicamente, el descenso de gradiente estocástico en línea). - algoritmo
de ing). La ventaja de este enfoque es que el aprendizaje y, por lo tanto, el
modelo, se adaptan a los cambios en el canal inalámbrico, que de otra
manera sólo podrían capturarse reentrenando el modelo o ffl ine y
actualización de la implementación en el nodo.
5.2.3. Ejemplo de clasificación 3: Clasificación de señales inalámbricas
ML se ha utilizado ampliamente en aplicaciones cognitivas de radio para realizar la
clasificación de señales. Para este propósito, se utilizan plataformas SDR (radio de fi nido
por software) típicamente fl exibles y reconfigurables para detectar el entorno y obtener
información sobre las condiciones del canal inalámbrico y los requisitos de los usuarios,
mientras que los algoritmos inteligentes construyen el motor de aprendizaje cognitivo
que puede tomar decisiones sobre los mismos. parámetros reconfigurables en
En [44, 47, 123] las SVM se utilizan como algoritmo de aprendizaje
automático para clasificar señales entre un conjunto dado de posibles
esquemas de modulación. Por ejemplo, Huang et al. [ 47] identificó
cuatro características de correlación espectral que se pueden extraer
de las señales para la distinción de di ff diferentes tipos de modulación.
Su clasificador SVM entrenado fue capaz de distinguir seis tipos de
modulación con alta precisión: AM, ASK, FSK, PSK, MSK y QPSK.
5.3. Agrupación
La agrupación en clústeres es un método de minería de datos que se puede utilizar para
problemas en los que el objetivo es agrupar conjuntos de instancias similares en
clústeres, como se muestra en la Figura 14.
En oposición a la clasificación, utiliza sin supervisión aprendizaje, lo que
significa que las instancias del conjunto de datos de entrada utilizadas para el
entrenamiento no están etiquetadas, es decir, se desconoce a qué grupo
pertenecen. Los clústeres se determinan inspeccionando la estructura de datos y
agrupando objetos que son similares según alguna métrica. Los algoritmos de
agrupación en clústeres se adoptan ampliamente en las redes de sensores
inalámbricos, donde se han utilizado para agrupar los nodos de sensores en
clústeres para satisfacer la escalabilidad y la energía. ffi objetivos de eficiencia y,
finalmente, elegir al responsable de cada grupo. Se tiende a proponer un número
significativo de algoritmos de agrupación de nodos para las WSN [125]. Sin
embargo, estos nodo Normalmente, los algoritmos de agrupación en clústeres no
utilizan directamente las técnicas de agrupación de la ciencia de datos. En cambio,
explotan datos técnicas de agrupamiento para encontrar correlaciones de datos o
similitudes entre los datos de los nodos vecinos, que se pueden utilizar para dividir
los nodos sensores en grupos.
La agrupación en clústeres se puede utilizar para resolver otros tipos de
problemas en las redes inalámbricas, como la detección de anomalías, es decir, detección
de valores atípicos, como la detección de intrusiones o la detección de eventos,
para di ff Tareas de preprocesamiento de datos, aplicación de radio cognitiva (p. ej.,
identificación de sistemas inalámbricos [73]), etc. Hay muchos algoritmos de
aprendizaje que se pueden utilizar para la agrupación en clústeres, pero el más
utilizado es k- Medio. Otros algoritmos de agrupamiento populares incluyen
métodos de agrupamiento jerárquico como enlace único, enlace completo, enlace
centroide; agrupación basada en la teoría de grafos, como subgrafos altamente
conectados (HCS), agrupación a ffi técnica de búsqueda n-ity (CAST); la agrupación
en clústeres basada en kernel, como es el caso de la agrupación en clústeres de
vectores de soporte (SVC), etc. Un novedoso algoritmo de agrupación de dos
niveles, a saber, TW- k- medios, ha sido introducido por Chen

15
et al. [ 113]. Para una lista más exhaustiva de algoritmos de agrupamiento y su
explicación, remitimos al lector a [126]. Varios enfoques de agrupación se han mostrado
prometedores para el diseño de e ffi cientifica agregación de datos para más e ffi estrategias
de comunicación cientificas en redes de sensores inalámbricos de baja potencia
restringidas. Dado que la mayor parte de la energía de los nodos sensores se consume
mientras la radio está encendida, es decir, al enviar y recibir datos [127], la agrupación
puede ayudar a agregar datos para reducir las transmisiones y, por tanto, el consumo de
energía.
5.3.1. Ejemplo de agrupamiento 1: resumen de datos de sensores
En [68] una versión distribuida del k- Se propuso un algoritmo de
agrupamiento de medias para agrupar los datos detectados por los
nodos sensores. Los datos agrupados se resumen y se envían a un
nodo receptor. Resumir los datos asegura reducir la transmisión de
comunicación, el tiempo de procesamiento y el consumo de energía de
los nodos sensores.
5.3.2. Ejemplo de agrupación en clústeres 2: agregación de datos en WSN
En [64] se propone un esquema de agregación de datos para el resumen
de datos en la red para ahorrar energía y reducir el cálculo en los nodos de
sensores inalámbricos. El algoritmo propuesto utiliza agrupamiento para
formar grupos de nodos que detectan valores similares dentro de un umbral
determinado. Entonces, solo se transmite una lectura de sensor por grupo,
lo que redujo enormemente el número de transmisiones en la red de
sensores inalámbricos.
5.3.3. Ejemplo de agrupamiento 3: identificación de la señal de radio
Los autores de [74] usan agrupamiento para separar e identificar clases
de señales de radio sin aliviar la necesidad de usar etiquetas de clase
explícitas en ejemplos de señales de radio. Primero, la reducción de
dimensionalidad se realiza en ejemplos de señales para transformar las
señales en un espacio adecuado para la agrupación de señales. Es decir,
dada una reducción de dimensionalidad adecuada, las señales se convierten
en un espacio donde las señales del mismo tipo o similar tienen una
distancia baja que las separa mientras que las señales de di ff Los tipos
diferentes están separados por distancias mayores. La clasificación de los
tipos de señales de radio en tal espacio se convierte entonces en un
problema de identificar grupos y asociar una etiqueta con cada grupo. Los
autores utilizaron el algoritmo de agrupación DBSCAN [128].
5.4. Detección de anomalías
La detección de anomalías (detección de cambios y desviaciones) se utiliza
cuando el objetivo es identificar un comportamiento inusual, inesperado o
anormal del sistema. Este tipo de problema se puede resolver mediante
aprendizaje supervisado o no supervisado, dependiendo de la cantidad de
conocimiento presente en los datos ( es decir, si está etiquetado o no
etiquetado, respectivamente).
En consecuencia, se pueden utilizar algoritmos de clasificación y agrupamiento
para resolver problemas de detección de anomalías. La Figura 15 ilustra la
detección de anomalías. Un ejemplo inalámbrico es la detección de fenómenos
que ocurren repentinamente, como la identificación de redes desconectadas
repentinamente debido a interferencias o ajustes incorrectos de la potencia de
transmisión. También se utiliza ampliamente para la detección de valores atípicos
en la fase de preprocesamiento [129]. Otros ejemplos de casos de uso incluyen
detección de intrusiones, detección de fraudes, detección de eventos en redes de
sensores, etc.
dieciséis
anomalías
Figura 15: Ilustración de detección de anomalías.
5.4.1. Ejemplo 1 de detección de anomalías: detección de ataques WSN
Las WSN han sido blanco de muchos tipos de ataques DoS. El
objetivo de los ataques DoS en WSN es transmitir tantos paquetes
como sea posible siempre que se detecte que el medio está inactivo.
Esto evita que un nodo sensor legítimo transmita sus propios paquetes.
Para combatir un ataque DoS, en [31] se ha propuesto un protocolo
MAC seguro basado en redes neuronales. El modelo NN está entrenado
para detectar un ataque monitoreando las variaciones de los siguientes
parámetros: tasa de colisión R C, tiempo medio de espera de
un paquete en MAC bu ff er T w tasa de llegada de paquetes RTS R RTS.
Una anomalía es decir, ataque, se identifica cuando el tráfico monitoreado
variaciones fijas excede un umbral preestablecido, después del cual el
nodo WSN se apaga ff temporalmente. El resultado es que se evita
inundar la red con datos no confiables bloqueando solo un ff nodos
sensores afectados.
5.4.2. Ejemplo de detección de anomalías 2: detección de intrusiones y
fallas del sistema
En [83] se han utilizado técnicas de aprendizaje en línea para
entrenar de forma incremental una red neuronal para la detección de
anomalías en el nodo en la red de sensores inalámbricos. Más
específicamente, el algoritmo Extreme Learning Machine [130] se ha
utilizado para implementar clasificadores entrenados en línea en nodos
sensores con recursos limitados para detectar anomalías tales como:
fallas del sistema, intrusión o comportamiento imprevisto del entorno.
5.4.3. Ejemplo de detección de anomalías 3: detección de anomalías del
espectro inalámbrico
En [131] se ha estudiado la detección de anomalías en el espectro
inalámbrico. Los autores utilizan datos de densidad espectral de potencia
(PSD) para detectar y localizar anomalías (p. Ej., Señales no deseadas en la
banda autorizada o la ausencia de una señal esperada) en el espectro
inalámbrico utilizando una combinación de codificadores automáticos
Adversarios (AAE). , CNN y LSTM.
6. Aprendizaje automático para mejorar el rendimiento en
redes inalámbricas
Obviamente, el aprendizaje automático se utiliza cada vez más en redes
inalámbricas [27]. Después de analizar cuidadosamente la literatura,
identificamos dos categorías u objetivos distintos en los que el aprendizaje
automático otorga a las redes inalámbricas la capacidad de aprender e
inferir a partir de datos y extraer patrones:
 • Mejoras de rendimiento de las redes inalámbricas
basado en indicadores de rendimiento e información ambiental
(por ejemplo, sobre el medio de radio) como entrada, adquirida
de los dispositivos. Estos enfoques explotan ML para generar
patrones o hacer predicciones, que se utilizan para modificar los
parámetros operativos en la capa PHY, MAC y de red.
• Procesamiento de información de datos generados por dispositivos
inalámbricos en la capa de aplicación. Esta categoría cubre varias
aplicaciones tales como: aplicaciones de monitoreo ambiental de IoT,
reconocimiento de actividad, localización, agricultura de precisión, etc.
Esta sección presenta las tareas relacionadas con cada uno de los objetivos
antes mencionados logrados a través del aprendizaje automático y analiza el
trabajo existente en el dominio. Primero, los trabajos se resumen ampliamente en
forma de tabla en la Tabla 2, seguidos de una discusión detallada de los trabajos
más importantes en cada dominio.
El enfoque de este documento está en la primera categoría relacionada
con ML para la mejora del rendimiento de las redes inalámbricas; por lo
tanto, en la próxima subsección se presenta una descripción general
completa del trabajo existente que aborda los problemas relacionados con
el rendimiento de la comunicación mediante el uso de técnicas de ML. ción.
Estos trabajos brindan una dirección prometedora hacia la solución de los
problemas causados por la proliferación de dispositivos, redes y
tecnologías inalámbricos en un futuro próximo, que incluyen: problemas
con interferencia (interferencia cocanal, interferencia intercelular,
interferencia de tecnología cruzada , interferencia multiusuario, etc.),
esquema de modulación no adaptativa, MAC estática que no reconoce la
aplicación, etc.
6.1. Investigación de aprendizaje automático para mejorar el
rendimiento
Los datos generados durante el monitoreo de la infraestructura de redes
inalámbricas (por ejemplo, rendimiento, retardo de extremo a extremo,
fluctuación, pérdida de paquetes, etc.) y por los dispositivos sensores inalámbricos
(por ejemplo, monitoreo del espectro) y analizados por técnicas de ML tienen el
potencial de optimizar con fi guraciones de redes inalámbricas, mejorando así la
QoE de los usuarios finales. Varios trabajos han aplicado técnicas de aprendizaje
automático para obtener conocimientos que pueden ayudar a mejorar el
rendimiento de la red. Dependiendo del tipo de datos utilizados como entrada
para los algoritmos ML, primero categorizamos la literatura investigada en tres
tipos, resumidos en la Tabla 2:
• Análisis de espectro de radio
• Análisis de control de acceso al medio (MAC)
• Predicción de red
Además, dentro de cada una de las categorías anteriores, identificamos varias clases
de enfoques de investigación ilustrados en la Figura
16. A continuación, se revisa el trabajo en estas direcciones.
6.1.1. Análisis de espectro de radio
El análisis del espectro de radio se refiere a la investigación de datos inalámbricos
detectados por los dispositivos inalámbricos para inferir el uso del espectro de radio.
Normalmente, el objetivo es detectar porciones de espectro no utilizadas
17
para compartirlo con otros usuarios coexistentes dentro de la red
sin interferencias exorbitantes entre ellos. Es decir, a medida que
los dispositivos inalámbricos se vuelvan más omnipresentes en
toda la sociedad, el espectro de radio disponible, que es un recurso
escaso, contendrá más señales no cooperativas que las vistas
antes. Por tanto, la recopilación de información sobre las señales
dentro del espectro de interés es cada vez más importante y
compleja. Esto ha motivado el uso de ML para analizar las señales
que ocupan el espectro de radio.
Quizás la tarea más frecuente relacionada con el espectro radioeléctrico
análisis resuelto usando ML es reconocimiento automático de modulación
(AMR). Otras tareas relacionadas con el análisis del espectro radioeléctrico que emplean
técnicas de aprendizaje automático incluyen reconocimiento de tecnología TR) y
identi fi cación de señales ( SI) métodos. Por lo general, el objetivo es
detectar la presencia de señales que puedan causar interferencias para
decidir una estrategia de mitigación de interferencias. por lo tanto, nosotros
presentar a los que se acercaron como identi fi cación de interferencias inalámbricas
ción WII) tareas.
Reconocimiento automático de modulación. AMR juega un papel clave
en diversas aplicaciones civiles y militares, donde amistoso las señales
deben transmitirse y recibirse de manera segura, mientras que las señales
hostiles deben ubicarse, identificarse y bloquearse. En resumen, el objetivo
de esta tarea es reconocer el tipo de esquema de modulación que está
usando un emisor para modular su señal de transmisión en base a muestras
sin procesar de la señal detectada en el lado del receptor. Esta información
puede proporcionar información sobre el tipo de sistemas de comunicación
y emisores presentes en el entorno de radio.
Los algoritmos tradicionales de AMR se clasificaron en enfoques basados
en verosimilitud (LB) [230], [231], [232] y enfoques basados en
características (FB) [233], [234]. Los enfoques de LB se basan en la teoría de
detección (es decir, pruebas de hipotesis) [235]. Pueden ofrecer un buen
rendimiento y se consideran clasi fi cadores óptimos, sin embargo su ff Más
alta complejidad de cálculo. Por lo tanto, los enfoques de FB se desarrollaron
como clasificadores subóptimos adecuados para uso práctico. Los enfoques
de FB convencionales se basan en gran medida en el conocimiento de
expertos, que pueden funcionar bien para soluciones especializadas, sin
embargo, son deficientes en general y requieren mucho tiempo. Es decir, en
la fase de preprocesamiento del diseño del algoritmo AMR, los enfoques FB
tradicionales extrajeron características complejas diseñadas a mano (por
ejemplo, algunos parámetros de señal) calculadas a partir de la señal sin
procesar y luego emplearon un algoritmo para determinar los esquemas de
modulación [236].
Para remediar estos problemas, se han adoptado clasificadores basados en
ML que tienen como objetivo aprender sobre datos recibidos preprocesados y se
han mostrado grandes ventajas. Los algoritmos ML generalmente brindan una
mejor generalización a nuevos conjuntos de datos invisibles, lo que hace que su
aplicación sea preferible a los enfoques únicamente de FB. Por ejemplo, los
autores de [133], [134] y [143] utilizaron el algoritmo de aprendizaje automático de
la máquina de vectores de soporte (SVM) para clasificar los esquemas de
modulación. Si bien los enfoques estrictamente de FB pueden volverse obsoletos
con el advenimiento del empleo de clasificadores de ML para AMR, las
características diseñadas a mano pueden proporcionar información útil para las
técnicas de ML. Por ejemplo, en los siguientes trabajos [140] y [156], los autores
diseñaron características utilizando la experiencia de expertos aplicada en la señal
recibida sin procesar y alimentando las características diseñadas como entrada
para un clasificador ML de red neuronal.
Aunque los métodos ML tienen la ventaja de una mejor generalización
 Objetivo Alcance / Área Ejemplo de problema Referencias

• AMR [74, 132-156, 156–

Análisis de espectro de radio 173]

• Identi fi cación de interferencias inalámbricas [131, 172, 174–

177, 177–186]
Mejora del rendimiento
• Identificación MAC [187-190]

Análisis MAC • Identificación de interferencias inalámbricas [191-194]

• Predicción del espectro [195-200]

• Predicción del rendimiento de la red [120], [81], [201],

Predicción de red [112], [202], [203],
[30], [204], [205],
[206], [207]

• Tra de red ffi c predicción [30, 81, 112, 120, 201–

207]

• Agricultura inteligente

• Movilidad inteligente [4-7]

Monitoreo de infraestructura de IoT

• Ciudad inteligente [208–211]

• Red inteligente
Procesamiento de información

Seguridad inalámbrica Dispositivo de huellas dactilares [212-218]

• Interior
Localización inalámbrica [219–224]
• Exterior

Reconocimiento de actividad A través de señales inalámbricas [225-229]

Tabla 2: Una descripción general de las aplicaciones del aprendizaje automático en redes inalámbricas

ity, clasi fi cación e ffi eficiencia y rendimiento, el paso de la ingeniería de
funciones depende hasta cierto punto del conocimiento de los
expertos. Como consecuencia, la precisión de la clasificación general
puede sufrir y depender de la información de los expertos. Por otro
lado, los sistemas de comunicación actuales tienden a volverse más
complejos y diversos, planteando nuevos desafíos a la coexistencia de
señales homogéneas y heterogéneas y una pesada carga para la
detección y reconocimiento de señales en el complejo entorno
radioeléctrico. Por tanto, la capacidad de autoaprendizaje se está
convirtiendo en una necesidad ante un entorno tan complejo.
utilizando la representación de datos en fase y cuadratura (IQ) de la
señal sin procesar recibida y dos representaciones de datos adicionales
sin un ff Ectando la simplicidad de la entrada. Demostramos que la
representación de amplitud / fase superó a las otras dos, lo que
demuestra la importancia de la elección de la representación de datos
inalámbrica utilizada como entrada a la técnica de aprendizaje
profundo para determinar el mapeo más óptimo desde la señal sin
procesar hasta el esquema de modulación. Otros trabajos de
seguimiento incluyen [157], [158], [159], [160], [161], [165], [166], [168],
[169], [170], [171] , [172], etc.

Recientemente, la comunidad de comunicaciones inalámbricas
experimentó un gran avance al adoptar técnicas de aprendizaje profundo en
el dominio inalámbrico. En [142], las redes neuronales de convolución
profunda (CNN) se aplican directamente en datos de señales de dominio del
tiempo complejos para clasificar los formatos de modulación. Los autores
demostraron que las CNN superan a las características diseñadas por
expertos en combinación con clasificadores ML tradicionales, como SVM, k-
Vecinos más cercanos (k-NN), Árboles de decisión (DT), Redes neuronales
(NN) y Naive Bayes ( NÓTESE BIEN). Un método alternativo es aprender el
formato de modulación de la señal recibida a partir de diferentes
representaciones de la señal sin procesar. En nuestro trabajo en [237], las
CNN se emplean para aprender la modulación de varias señales.
Para obtener una descripción más completa del trabajo de última generación
sobre resistencia a los antimicrobianos, remitimos al lector a las tablas 4 y 5. La
tabla 3 describe la estructura utilizada para las tablas 4, 5, 6 y 7.
Identificación de interferencias inalámbricas. WII esencialmente se refiere
para identificar el tipo de emisores inalámbricos (señal o tecnología)
existentes en el entorno de radio local, lo que puede ser una
información inmensamente útil para investigar un e ff Mecanismos
efectivos de evitación y convivencia de interferencias. Por ejemplo, para
las tecnologías que operan en las bandas ISM con el fin de e ffi-
coexistir de manera adecuada es crucial saber qué tipo de otros emisores
están presentes en el entorno (por ejemplo, Wi-Fi, Zigbee, Bluetooth, etc.).
Similar a los enfoques AMR, FB y ML (por ejemplo, usando el tiempo

18
 Tipos de enfoques de investigación para la mejora del rendimiento inalámbrico
Radio
Automático
Modulación
Reconocimiento
Inalámbrica
Interferencia
Identificación
Tecnología
reconocimiento
Señal
identificación
Emisor
identificación
Figura 16: Tipos de enfoques de investigación para la mejora del rendimiento de las redes inalámbricas
o características de frecuencia) pueden emplearse para enfoques de
reconocimiento de tecnología e identificación de señales. Debido al
desarrollo de aplicaciones de aprendizaje profundo para la clasificación de
señales inalámbricas, ha habido un éxito significativo en su aplicación
también para los enfoques WII.
Por ejemplo, los autores de [238] explotan la amplitud / fase di ff Representación
de referencias para entrenar una red modelo CNN para discriminar
varias señales de radar de transmisiones Wi-Fi y LTE. Su método fue
capaz de reconocer con éxito señales de radar incluso bajo la presencia
de varias señales interferentes (es decir, LTE y Wi-Fi) al mismo tiempo,
lo cual es un paso clave para un monitoreo confiable del espectro.
En [160], los autores hacen uso de la representación del espectro de
magnitud promedio de la señal sin procesar observada en una
arquitectura distribuida con sensores de espectro de bajo costo junto
con un clasificador de aprendizaje profundo LSTM para discriminar
entre di ff emisores inalámbricos existentes, como TETRA, DVB, RADAR,
LTE, GSM y WFM. Los resultados mostraron que su método es capaz de
superar los enfoques convencionales de ML y una arquitectura basada
en CNN para la tarea dada.
En [176] los autores utilizan la representación en cuadratura en el
dominio del tiempo (es decir, IQ) de la señal recibida y los vectores de
amplitud / fase como entrada para que los clasificadores de CNN aprendan
el tipo de tecnología de interferencia presente en el espectro ISM. Los
resultados demuestran que el esquema propuesto es adecuado para
discriminar entre señales Wi-Fi, ZigBee y Bluetooth. En [237], presentamos
una metodología para el aprendizaje de extremo a extremo a partir de
diversas representaciones de señales e investigamos también la
representación en el dominio de frecuencia (FFT) de las señales ISM y
demostramos que el clasificador CNN que utilizó datos FFT como entrada
supera a los modelos de CNN utilizados por los autores en [176]. Del mismo
modo, los autores de [175] desarrollaron un modelo de CNN para facilitar la
MAC La red
MAC Actuación
identificación predicción
Inalámbrica
Tráfico
Interferencia
predicción
Identificación
Espectro
predicción
detección e identificación de firmas de dominio de frecuencia para
Tecnologías compatibles con el estándar 802.x. En comparación con [176],
los autores de [175] utilizan exploraciones de espectro en toda la región ISM
(80 MHz) y se alimentan como entrada a un modelo CNN.
En [181] los autores utilizaron un modelo CNN para realizar el
reconocimiento de transmisiones LTE y Wi-Fi basadas en dos
representaciones de señales inalámbricas, a saber, el IQ y la
representación del dominio de frecuencia. La motivación detrás de este
enfoque fue obtener información precisa sobre las tecnologías
presentes en el entorno inalámbrico local a fin de seleccionar una
configuración mLTE-U adecuada que permita una coexistencia justa
con Wi-Fi en la banda de espectro sin licencia.
Otros ejemplos incluyen [174], [179], [131], [180], etc.
Sin embargo, en algunas aplicaciones como la radio cognitiva (CR) y la
detección de espectro, el objetivo es identificar la presencia o ausencia de
una señal. Es decir, la detección del espectro es un proceso mediante el cual
los usuarios sin licencia, también conocidos como usuarios secundarios (SU),
adquieren información sobre el estado del espectro de radio asignado a un
usuario con licencia, también conocido como usuario principal (PU), con el
propósito de acceder bandas con licencia no utilizadas de manera
oportunista sin causar una interferencia intolerable en las transmisiones del
usuario con licencia [239].
Por ejemplo, en [182] se examinan cuatro técnicas ML k-NN, SVM, DT y
regresión logística (LR) para predecir la presencia o ausencia de una PU en
aplicaciones CR. Los autores de [185] van un paso más allá y diseñan un
marco de detección de espectro basado en CNN para facilitar que una SU
logre una mayor precisión de detección en comparación con los enfoques
convencionales. Para más ejemplos, remitimos al lector a [183], [184] y [177].
La literatura relacionada con el aprendizaje automático y el aprendizaje
profundo para los enfoques de WII se encuentra en las Tablas 4 y 5
ordenadas por año de publicación del trabajo.
19
 Nombre de la columna
Problema de investigación
Mejora del rendimiento
Tipo de red inalámbrica
Tipo de datos
Datos de entrada
Enfoque de aprendizaje
Algoritmo de aprendizaje
Año
Referencia
Tabla 3: Descripción de la estructura de las tablas 4, 5, 6 y 7
6.1.2. Análisis de control de acceso al medio (MAC)
Compartir los recursos limitados del espectro es la principal
preocupación en las redes inalámbricas [245]. Una de las funcionalidades
clave de la capa MAC en las redes inalámbricas es negociar el acceso al
medio inalámbrico para compartir los recursos limitados de una manera ad
hoc. A diferencia de los diseños centralizados en los que entidades como
estaciones base controlan y distribuyen recursos, los nodos de las redes
inalámbricas ad hoc (WANET) tienen que coordinar los recursos.
Para ello, se han propuesto varios protocolos MAC en la literatura.
Los protocolos MAC tradicionales diseñados para WANET incluyen
acceso múltiple por división de tiempo (TDMA) [246], [247], acceso
múltiple por detección de portadora / prevención de colisiones (CSMA /
CA) [248], [249], acceso múltiple por división de código (CDMA) [ 250],
[251] y enfoques híbridos [252], [253]. Sin embargo, dadas las
condiciones cambiantes de la red y del entorno, diseñar un protocolo
MAC que se ajuste a todas las condiciones posibles y los diversos
requisitos de aplicación es un desafío, especialmente cuando estas
condiciones no están disponibles o no se conocen a priori. Esta
subsección investiga los avances realizados relacionados con la capa
MAC para abordar el problema de e ffi intercambio de espectro cient con
la ayuda del aprendizaje automático. Identificamos dos categorías de
análisis MAC i) identificación MAC y ii) reconocimiento de interferencias.
Las tareas de análisis de MAC revisadas se enumeran en la Tabla
6.
Identificación MAC. Estos enfoques se emplean típicamente en
aplicaciones de radio cognitiva (CR) para fomentar la comunicación y la
coexistencia entre tecnologías distintas de protocolos. Los CR se basan en la
información recopilada durante la detección espectral para inferir las
condiciones ambientales, la presencia de otras tecnologías y los agujeros del
espectro. Los huecos de espectro son bandas de frecuencia que se han
asignado a usuarios de red con licencia, pero que no se utilizan en un
momento determinado, que puede ser utilizado por un usuario de CR. Por lo
general, la detección del espectro puede determinar el rango de frecuencia
de un agujero del espectro, mientras que la información de tiempo, que
también es un parámetro de acceso al canal, se desconoce.
Los enfoques de identificación del protocolo MAC pueden ayudar a los usuarios
de CR a determinar la información de tiempo de un agujero del espectro y, en
consecuencia, adaptar la duración de la transmisión de paquetes, lo que
proporciona los beneficios potenciales para la mejora del rendimiento de la red.
Descripción
El problema abordado en el trabajo
Mejora del desempeño lograda en el trabajo El tipo de
redes inalámbricas consideradas en el trabajo y / o para
las cuales se resuelve el problema Tipo de datos utilizados
en el trabajo, por ejemplo sintéticos o reales
Los datos utilizados como entrada para los algoritmos de aprendizaje
automático desarrollados.
Tipo de enfoque de aprendizaje, por ejemplo, aprendizaje con
máquina tradicional (ML) o aprendizaje profundo (DL) Lista de
algoritmos de aprendizaje utilizados
El año en que se publicó el trabajo La
referencia al trabajo analizado
ment. Para ello, se pueden aprovechar varias características de la
capa MAC.
Por ejemplo, en [187] los protocolos TDMA y ALOHA MAC ranurados
se identifican en función de dos características, la media de potencia y
la variación de potencia de la señal recibida combinada con un
clasificador SVM. Los autores en [189] utilizaron funciones de potencia
y tiempo para distinguir entre cuatro protocolos MAC, a saber, TDMA,
CSMA / CA, ALOHA puro y ALOHA ranurado utilizando un clasi fi cador
SVM. De manera similar, en [190] los autores capturaron características
temporales de la capa MAC de redes homogéneas y heterogéneas
802.11 b / g / ny emplearon un clasificador k-NN y NBML para distinguir
entre los tres.
Reconocimiento de interferencias. De manera similar a los enfoques para
reconocer la interferencia basados en el análisis del espectro de radio, el
objetivo aquí es identificar el tipo de interferencia de radio que degrada el
rendimiento de la red. Sin embargo, en comparación con el trabajo
presentado anteriormente, los trabajos en la categoría de nivel de análisis
MAC se centran en identificar características distintas del canal interferido y
los paquetes para detectar y cuantificar la interferencia con el fin de
identificar la viabilidad de las transmisiones oportunistas en los canales
interferidos y seleccionar un canal de interferencia apropiado. estrategia
para coexistir con la actual interferencia. Esto se realiza sobre la base de la
información disponible a bajo costo o ff- dispositivos de estantería, como
802.15.4 y radios Wi-Fi, que se utilizan como entrada para clasificadores
ML.
Por ejemplo, en [194] los autores investigaron dos posibilidades para
detectar interferencias: i) las variaciones de energía durante la recepción de
paquetes capturadas al muestrear el registro RSSI de la radio y ii)
monitoreando el indicador de calidad de enlace (LQI) de los recibidos.
paquetes dañados. Esta información se combina con un clasi fi cador DT,
considerado como computacional y de memoria e ffi candidato ciente para la
implementación en dispositivos 802.15.4. Otro trabajo sobre la identificación
de interferencias en WSN es [192]. Los autores pudieron distinguir con
precisión la interferencia de los hornos de microondas, Bluetooth y Wi-Fi
basándose en las características de los paquetes dañados (es decir, RSSI
normalizado promedio, LQI, rango RSSI, extensión de ráfagas de error y
espaciado de ráfagas de error medio) utilizados como entrada para un clasi
fi cador SVM y DT.
En [191] los autores pudieron detectar interferencias que no eran de Wi-Fi
20
 Tabla 4: Una descripción general del trabajo sobre el aprendizaje automático para el análisis de nivel de radio para la optimización del rendimiento - PARTE 1

Problema de investigación Mejora del rendimiento Tipo de red inalámbrica Tipo de datos Datos de entrada Aprendiendo Algoritmo de aprendizaje Año Referencia
Acercarse
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético FR, ZCR, RE ML SVM 2010 [134]
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético CWT, HOM ML ANA 2010 [135]
para aplicaciones de radio cognitivas
Identificación del emisor Identificación de emisor específico de radar más Radar Verdadero Acumulantes ML k-NN 2011 [136]
precisa
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético Máx. (PSD), NORM (A), PROMEDIO (x) ML ANA 2011 [137]
para aplicaciones de radio cognitiva y DSA
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético Acumulantes ML k-NN 2012 [138]
para aplicaciones de radio cognitiva
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Máx. (PSD), STD (ap), STD (dp), STD (aa), ML SVM 2012 [139]
ETS (gl), F C, acumulados, CWT
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético v 20, AVG (A), β, Máx. (PSD), STD (ap), STD ML FC-FFNN, FC-RNN 2013 [140]
(dp), STD (aa)
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético ST, PESO ML NN, SVM, LDA, NB, k-NN 2015 [141]
para aplicaciones cognitivas de radio y DSA Más e ffi utilización
AMR ciente del espectro Más e ffi utilización ciente del Radio cognitiva Sintético ESTÁNDAR (dp), CWT, PROMEDIO (NORM ()) ML SVM 2016 [143]
AMR espectro Radio cognitiva Verdadero Muestras de coeficiente intelectual DL y ML CNN, DNN, k-NN, DT, SVM, NB 2016 [144]
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético Muestras de coeficiente intelectual ML DNN 2016 [145]
para aplicaciones de radio cognitivas
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético Muestras de señales IA, acumulativos DL y ML CNN, SVM 2017 [146]
para aplicaciones de radio cognitivas

21
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético Acumulantes DL DNN, ANC, SAE 2017 [147]
para aplicaciones de radio cognitivas
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético Muestras de coeficiente intelectual DL CLDNN, ResNet, DenseNet 2017 [148]
para aplicaciones de radio cognitivas
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético Muestras de coeficiente intelectual DL CNN, AE 2017 [149]
para radio cognitiva
Identificación del emisor Más e ffi utilización ciente del espectro Más e ffi Radio cognitiva Sintético Muestras de coeficiente intelectual DL AE, CNN 2017 [74]
AMR utilización ciente del espectro Más e ffi gestión Radio cognitiva Sintético Muestras de coeficiente intelectual DL CLDNN, CNN, ResNet 2017 [150]
TR ciente del espectro inalámbrico Celular, WLAN, WPAN, WMAN real Espectrogramas DL CNN 2017 [174]

SI Más e ffi utilización ciente del espectro Radio cognitiva Sintético CFD, muestras de coeficiente intelectual (no) DL CNN 2017 [177]
AMR Detección de eventos espectrales más precisa y ISMO Verdadero estandarizadas, espectogramas DL YOLO 2017 [142]
sencilla
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Muestras de coeficiente intelectual DL CNN 2017 [151]
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Muestras de coeficiente intelectual DL CNN 2017 [152]
SI Más e ffi Monitoreo científico del Radar Verdadero Espectrogramas, A / Ph DL CNN 2017 [238]
WII espectro Mejor utilización del espectro Bluetooth, Zigbee, Wi-Fi Verdadero Frecuencia de poder DL CNN 2017 [175]
SI Más e ffi monitoreo ciente del espectro Más e ffi gestión Radio cognitiva Verdadero FFT DL CNN 2017 [153]
WII ciente del espectro a través de la identificación Bluetooth, Zigbee, Wi-Fi Sintético FFT DL CNN, NFSC 2017 [176]
inalámbrica de interferencias
Identificación del emisor Identificación de emisor específico de radar más Radar Verdadero Y curvas FD ML SVM 2018 [154]
precisa Sintético
AMR Más e ffi utilización ciente del espectro Radio cognitiva Verdadero Variación espectral dentro de banda, desviación del ML ANN, HH-AMC 2018 [156]
círculo unitario, acumulados
 Tabla 5: Una descripción general del trabajo sobre el aprendizaje automático para el análisis de nivel de radio para la optimización del rendimiento - PARTE 2
Problema de investigación Mejora del rendimiento Tipo de red inalámbrica Tipo de datos Datos de entrada Aprendiendo Algoritmo de aprendizaje Año Referencia
Acercarse
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Muestras de CI, HOM DL CNN, enfermera titulada 2018 [157]
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético WT, CFD, HOM, HOC, ST SVM 2018 [240]
para aplicaciones de radio cognitiva y DSA
AMR Reconocimiento de esquemas de modulación y Wifi Sintético Muestras de coeficiente intelectual DL CNN 2018 [158]
codificación para aplicaciones de radio cognitiva y DSA
AMR Reconocimiento de modulación de señal más preciso Radio cognitiva Sintético Muestras de IQ, FFT DL CNN, CLDNN, MTL-CNN 2018 [159]
para aplicaciones de radio cognitiva y DSA Más e ffi utilización
AMR ciente del espectro Más e ffi gestión ciente del espectro Radio cognitiva Sintético A / Ph, AVG metro ag F PIE DL y ML CNN, LSTM, RF, SVM, k-NN 2018 [160]
TR a través de la identificación inalámbrica de Bluetooth, Zigbee, Wi-Fi Sintético Muestras de coeficiente intelectual DL CNN 2018 [178]
interferencias
WII Más e ffi utilización ciente del espectro mediante la detección Bluetooth, Zigbee, Wi-Fi Verdadero Muestras de RSSI DL CNN 2018 [180]
de interferencias
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Imagen estelar de contorno DL CNN, AlexNet, ACGAN 2018 [161]
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Diagrama de constelación DL CNN, AlexNet, GoogLeNet 2018 [163]
AMR Más e ffi utilización ciente del espectro UAV Sintético Muestras de coeficiente intelectual CNN, 2018 [162]
LSTM
SI Más e ffi utilización ciente del espectro Radio cognitiva Sintético Actividad, no actividad, "nodo de amplitud" y ML k-NN, SVM, LR, DT 2018 [182]
probabilidad de permanencia
AMR Más e ffi utilización ciente del espectro Más e ffi utilizaciónRadio cognitiva Sintético Muestras de coeficiente intelectual DL CNN 2018 [165]
AMR ciente del espectro mediante la detección de Señales de radiofrecuencia Sintético Muestras de coeficiente intelectual DL y ML SVM, DNN, CNN, MST 2018 [155]
interferencias
AMR Sintético DL y ML CNN, LSTM, SVM 2018

22
Más e ffi utilización ciente del espectro Radio cognitiva Muestras de coeficiente intelectual [166]
AMR Más e ffi utilización ciente del espectro VHF Sintético Muestras de coeficiente intelectual DL CNN 2018 [167]
Identificación del emisor Más e ffi utilización ciente del espectro Radio cognitiva Sintético Muestras de señal de IQ, DL CNN, LSTM 2018 [168]
SI Más e ffi utilización ciente del espectro Celular Sintético muestras de IQ de datos de DL CNN 2018 [164]
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético amplitud y FOC IQ DL y ML ACGAN, SCGAN, SVM, CNN, SSTM 2018 [169]
SI Detección de espectro mejorada Radio cognitiva Sintético Muestras de IQ con forma de haz ML SVM 2018 [184]
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Muestras de coeficiente intelectual DL y ML DCGAN, NB, SVM, CNN 2018 [170]
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Coeficiente intelectual DL RNN 2018 [241]
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Muestras de IQ con frecuencia y fase DL CNN, CLDNN 2019 [171]
corregidas
TR Más e ffi gestión ciente del espectro LTE y Wi-Fi Verdadero Muestras de IQ, FFT DL CNN 2019 [181]
inalámbrico
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Muestras de coeficiente intelectual DL CNN 2019 [172]
SI Detección mejorada del espectro Radio cognitiva Sintético RSSI DL CNN 2019 [185]
WII Más e ffi gestión ciente del espectro Bluetooth, Zigbee, Wi-Fi Verdadero FFT, A / Ph DL CNN, LSTM, ResNet, CLDNN 2019 [242]
inalámbrico
WII Más e ffi gestión ciente del espectro Sigfox, LoRA e IEEE Real IQ, FFT DL CNN 2019 [243]
inalámbrico 802.15. 4g
WII Detección de eventos espectrales más precisa y Radio cognitiva Sintético Datos PSD DL AAE 2019 [131]
sencilla & Verdadero
TR Más e ffi gestión ciente del espectro GSM, WCDMA y LTE Sintético SCF, FFT, ACF, PSD RSSI, DL SVM 2019 [244]
inalámbrico
TR Más e ffi gestión ciente del espectro LTE, Wi-Fi y DVB-T Verdadero IQ y Spectogram IQ, A / DL CNN 2019 [186]
inalámbrico
AMR Más e ffi utilización ciente del espectro Radio cognitiva Sintético Ph DL CLDNN, ResNet, LSTM 2019 [172]
ence en el hardware básico de Wi-Fi. Recolectaron muestras de energía en
todo el espectro de la tarjeta Wi-Fi para extraer un conjunto diverso de
características que capturan las propiedades espectrales y temporales de las
señales inalámbricas (por ejemplo, frecuencia central, ancho de banda, firma
espectral, ciclo de trabajo, firma de pulso, firma de temporización entre
pulsos, etc.). Utilizaron estas características e investigaron el rendimiento de
dos clasificadores, SVM y DT. La idea es incorporar estas funcionalidades en
los puntos de acceso Wi-Fi y los clientes, que luego pueden implementar
mecanismos de mitigación apropiados que puedan reaccionar rápidamente
ante la presencia de una interferencia significativa que no sea de Wi-Fi.
Los autores de [193] proponen una energía e ffi Mecanismo de encuentro
ciente resistente a la interferencia para las WSN basadas en ML. Es decir,
debido a las limitaciones de energía en los nodos sensores, es de gran
importancia ahorrar energía y extender la vida útil de la red en los WSN. El
mecanismo de encuentro tradicional, como la escucha de baja potencia (LPL)
y la sonda de baja potencia (LPP), se basan en ciclos de baja potencia
(programación de la radio de un nodo sensor entre ENCENDIDO y APAGADO
en comparación con los métodos siempre ENCENDIDOS) dependiendo de la
presencia de una señal (p. Ej. Intensidad de señal). Sin embargo, ambos su ff er
degradación del rendimiento en entornos ruidosos con interferencia de
señal de forma incorrecta con respecto a una señal de interferencia que no
es de ZigBee como una señal interesada y manteniendo incorrectamente la
radio ENCENDIDA, lo que aumenta la probabilidad de falsos despertares.
Para remediar esto, el enfoque propuesto en [193] es capaz de detectar
transmisiones potenciales de ZigBee y, en consecuencia, decidir si se
enciende la radio. Para este propósito, extrajeron características de señal de
muestras RSSI en el dominio del tiempo (es decir, tiempo en el aire, intervalo
mínimo de paquetes, relación de potencia pico a promedio y bajo nivel de
ruido) y lo usaron como entrada a un clasificador DT para e ff Distinguir
eficazmente las señales ZigBee de otras interferencias.
Predicción de espectro. Con el fin de compartir el espectro
disponible en un más e ffi De manera ciente, existen varios intentos de
predecir la disponibilidad del medio inalámbrico para minimizar las
colisiones de transmisión y, por lo tanto, aumentar el rendimiento
general de la red.
Por ejemplo, un dispositivo inalámbrico inteligente puede monitorear el
medio y, basándose en mediciones de nivel MAC, predecir si es probable que
el medio esté ocupado o inactivo. En otra variación de este enfoque, un
dispositivo puede predecir la calidad de los canales en términos de
propiedades tales como probabilidades de inactividad o duraciones de
inactividad y luego seleccionar el canal con la calidad más alta para la
transmisión.
Por ejemplo, los autores en [195] utilizan NN para predecir si una
ranura estará libre basándose en algún historial para minimizar las
colisiones y optimizar el uso del espectro escaso. En su trabajo de
seguimiento [200], explotan las CNN para predecir el uso del espectro
de las otras redes vecinas. Su enfoque está dirigido a dispositivos con
capacidades limitadas de reentrenamiento.
En [196], se propone una Deep Q-Network (DQN) para predecir y seleccionar
un canal libre para WSN. En [199], los autores diseñan un predictor NN para
predecir la actividad futura de las PU en función de los resultados de detección de
ocupación de canales anteriores, con el objetivo de mejorar el rendimiento de los
usuarios secundarios (SU) y al mismo tiempo aliviar la colisión con el usuario
principal (PU) en dúplex completo (FD) redes cognitivas.
Los autores de [198] consideran el problema de compartir el tiempo
23
ranuras entre un múltiplo de redes con ranuras de tiempo para
maximizar el rendimiento total de todas las redes. Los autores utilizan
ResNet y comparan el rendimiento con un DNN simple.
Los enfoques de análisis de MAC se enumeran en la Tabla 6.
6.1.3. Predicción de red
La predicción de la red se refiere a las tareas relacionadas con inferir el
rendimiento de la red inalámbrica o el tráfico de la red ffi c, dadas mediciones
históricas o datos relacionados. La Tabla 7 ofrece una descripción general de
los trabajos sobre aprendizaje automático para tareas de predicción a nivel
de red, es decir, i) predicción del rendimiento de la red y ii) tra ffi c predicción.
Predicción del rendimiento de la red. Se utilizan enfoques de AA,
extensivamente, para crear modelos de predicción para muchas
aplicaciones de redes inalámbricas. Normalmente, el objetivo es pronosticar
el rendimiento o los parámetros / configuraciones óptimos del dispositivo y
utilizar este conocimiento para adaptar los parámetros de comunicación a
las condiciones ambientales cambiantes y los requisitos de QoS de la
aplicación para optimizar el rendimiento general de la red.
Por ejemplo, en [207] los autores pretenden seleccionar la configuración
óptima de los parámetros MAC en las redes 6LoWPAN para reducir las colisiones
excesivas, las pérdidas de paquetes y la latencia. Primero, los parámetros de la
capa MAC se utilizan como entrada a un NN para predecir el rendimiento y la
latencia, seguido de un algoritmo de optimización para lograr un alto rendimiento
con un retraso mínimo. Los autores de [203] emplean NN para predecir la QoE de
los usuarios en redes celulares, basándose en el rendimiento promedio de los
usuarios, el número de usuarios activos en una celda, el volumen de datos
promedio por usuario y los indicadores de calidad del canal, lo que demuestra una
alta precisión de predicción.
Dada la naturaleza dinámica de las comunicaciones inalámbricas, un
enfoque tradicional de uno-MAC-fi t-all no puede cumplir con los
desafíos bajo una dinámica significativa en las condiciones de
operación, la red tra ffi cy requisitos de la aplicación. El protocolo MAC
puede deteriorarse significativamente en rendimiento a medida que la
carga de la red se vuelve más pesada, mientras que el protocolo puede
desperdiciar recursos de la red cuando la carga de la red se vuelve más
liviana. Para remediar esto, [30] y [204] estudian una capa MAC
adaptativa con múltiples MAC disponibles que es capaz de seleccionar
el protocolo MAC más adecuado para las condiciones actuales y los
requisitos de la aplicación. En [30], un motor de selección de MAC para
WSN basado en un modelo DT decide cuál es el mejor protocolo de
MAC para los requisitos de QoS de la aplicación dados, actual tra ffi c
patrón y niveles de interferencia ambiental como entrada. Los
protocolos candidatos son TDMA, BoX-MAC y RI-MAC. Los autores de
[204] comparan la precisión de NB, Random Forest (RF), árboles de
decisión y SMO [254] para decidir entre el protocolo DCF y TDMA para
responder mejor a las circunstancias dinámicas de la red.
En [120] se emplea un modelo NN que aprende cómo las
mediciones ambientales y el estado de la red se ff ect el rendimiento
experimentado en di ff diferentes canales, y utiliza este
conocimiento para seleccionar dinámicamente el canal que se
espera que produzca el mejor rendimiento para el usuario.
Como parte integral de la comunicación confiable en las WSN, la estimación de
enlaces precisa es esencial para los protocolos de enrutamiento, lo cual es una
tarea desafiante debido a la naturaleza dinámica de los canales inalámbricos. Para
abordar este problema, los autores en [81] utilizan ML (es decir, LR, NB y NN) para
predecir la calidad del enlace basándose en datos físicos.
 Tabla 6: Una descripción general del trabajo sobre el aprendizaje automático para el análisis de nivel de MAC para la optimización del rendimiento
Problema de investigación Mejora del rendimiento Tipo de red inalámbrica Tipo de datos Datos de entrada Aprendiendo Algoritmo de aprendizaje Año Referencia
Acercarse
Identificación MAC Más e ffi mitigación de la utilización del Radio cognitiva Sintético Media y varianza de las muestras de potencia ML SVM 2010 [187]
Interferencia inalámbrica E espectral mejorado ffi eficiencia por interferencia Wifi Verdadero Ciclo de trabajo, firmas espectrales, frecuencia y ancho de ML DT 2011 [191]
identi fi cación espectro ciente banda, firmas de pulsos, dispersión de pulsos, firmas de
temporización entre pulsos, barrido de frecuencia media
Identificación MAC Más e ffi utilización ciente del espectro Radio cognitiva Sintético de potencia, variación de potencia, potencia máxima, ML SVM, NN, DT 2012 [188]
duración del canal ocupado, duración inactiva del canal
Interferencia inalámbrica E espectral mejorado ffi eficiencia mediante la mitigación de Wifi, Bluetooth, Mi- Real LQI, rango (RSSI), ráfaga de error medio espaciado, ML SVM, DT 2013 [192]
identi fi cación interferencias crowave para WSN expansión de ráfagas de error, AVG (NORM (RSSI)), 1 -
modo (RSSI normalizado)
Identificación MAC Más e ffi utilización ciente del espectro Radio cognitiva Sintético Potencia recibida media, variación de potencia, cambio ML SVM 2014 [189]
nel duración del estado ocupado, duración del estado inactivo del canal
Interferencia inalámbrica Consumo de energía reducido por interferencia Identificación de red de sensores Verdadero Tiempo en el aire, intervalo mínimo de ML DT 2014 [193]
inalámbricos identi fi cación paquetes, relación de potencia pico a promedio,
Identificación MAC Más e ffi utilización ciente del espectro WLAN Verdadero bajo nivel de ruido Número de fragmentos de ML k-NN, NB 2015 [190]
actividad en 111 µ s, entre 150 µ s y 200 µ s, entre
200 µ s y 300 µ s, entre 300 µ s y 500 µ s, y número
de fragmentos entre 1100 µ s y 1300 µ s
Interferencia inalámbrica E espectral mejorada ffi eficiencia por interferencia Identificación de la red de sensores Verdadero Tasa de corrupción de paquetes, Tasa de pérdida de paquetes, ML DT 2015 [194]

24
inalámbricos mitigación Longitud de paquete, Tasa de error, Ráfaga de errores,
Percepción de energía por paquete, Nivel de percepción de
energía por paquete, Backo ff s, nivel de ocupación, ciclo de
trabajo, intervalo de energía durante la recepción de paquetes,
nivel de energía durante la recepción de paquetes, regularidad
RSSI durante la recepción de paquetes
Predicción del espectro Rendimiento mejorado a través de más e ffi Uso ciente Tecnologías ISM Sintético Matriz de estados de la red, X f, n para cada nodo ML NN 2018 [195]
del espectro logrado con una predicción de norte en el marco de F
disponibilidad media.
Predicción del espectro Rendimiento mejorado a través de más e ffi uso WSN Sintético DNN con estados de red como entrada y valores Q como DL DQN 2018 [196]
del espectro ciente logrado con la selección de un y real salida
canal libre previsto
Predicción del espectro Más e ffi utilización eficiente de los recursos de radio y Celular Sintético La matriz de canales H que contiene | h i, j | 2 entre DL DQN y DNN 2018 [197]
programación de enlaces mejorada y control de potencia todos los pares de transmisores y receptores y
la matriz de peso W
Predicción del espectro Más e ffi utilización ciente del espectro y CRN Sintético Estados ambientales s. DL ResNet, DNN, DQN 2019 [198]
mayor rendimiento de la red
Predicción del espectro Más e ffi utilización ciente del espectro y mayor CRN Sintético Vector X con norte resultados de detección de canal, donde cada ML NN 2019 [199]
rendimiento de la red mediante la predicción de la resultado tiene un valor ”-1” (inactivo) o ”1” (ocupado).
actividad futura de las PU
Predicción del espectro Rendimiento mejorado a través de más e ffi Uso ciente Tecnologías ISM Sintético Observaciones de canal O f, nCarolina del Sur en el canal C hecho DL CNN 2019 [200]
del espectro logrado con una predicción de y real por nodo norte en el momento ( f, s), dónde s es un intervalo de tiempo
disponibilidad media. en el supercuadro F
los parámetros de capa de los últimos paquetes recibidos y el PRR, que
demuestran una alta precisión y un enrutamiento mejorado. Los mismos autores
van un paso más allá en [112] y emplean el aprendizaje automático en línea para
adaptar su mecanismo de predicción de la calidad del enlace en tiempo real al
entorno inalámbrico notoriamente dinámico.
Los autores en [205] desarrollan un motor ML que predice la tasa de
pérdida de paquetes en una WSN utilizando técnicas de aprendizaje
automático del rendimiento de la red como parte integral de una capa MAC
adaptativa.
Tra de red ffi c predicción. La predicción precisa del tráfico de
usuarios en las redes celulares es crucial para evaluar y mejorar el
rendimiento del sistema. Por ejemplo, el mecanismo funcional de
reposo de la estación base puede adaptarse utilizando el conocimiento
sobre el futuro tra ffi c demandas, que se predicen en [256] sobre la
base de un modelo NN. Este conocimiento ayudó a reducir el consumo
total de energía, que se está convirtiendo en un tema importante con el
crecimiento de la industria celular.
En otro ejemplo, considere la necesidad de e ffi gestión ciente de
costosos recursos de redes móviles, como el espectro, donde encontrar
una manera de predecir el uso futuro de la red puede ayudar a la
gestión y planificación de los recursos de la red. Un nuevo paradigma
para las futuras redes 5G es corte de red permitiendo que la
infraestructura de red se divida en porciones dedicadas a di ff servicios
diferentes y adaptados a sus necesidades [270]. Con este paradigma, es
fundamental asignar los recursos necesarios a cada segmento, lo que
requiere la capacidad de pronosticar sus respectivas demandas. Los
autores en [118] emplearon un modelo de CNN que, basado en el
tráfico observado en las estaciones base de un segmento de red
particular, predice la capacidad requerida para acomodar el futuro tra ffi
c demandas de servicios asociados a ella.
En [260] LSTM se utilizan para modelar las correlaciones temporales
del tramo móvil ffi c distribuir y realizar pronósticos junto con
codificadores automáticos apilados para la extracción de características
espaciales. Los experimentos con un conjunto de datos del mundo real
demuestran un rendimiento superior sobre SVM y el modelo de media
móvil integrada autorregresiva (ARIMA).
El aprendizaje profundo también se empleó en [261], [266] y [264] donde
los autores utilizan CNN y LSTM para realizar transacciones móviles. ffi c
pronóstico. Adiós ff Al extraer de manera efectiva características
espacio-temporales, sus propuestas obtienen una precisión
significativamente mayor que los enfoques tradicionales, como ARIMA.
Pronosticar con alta precisión el volumen de datos tra ffi c que
consumirán los usuarios móviles es cada vez más importante para la
asignación de recursos de red en función de la demanda. Se pueden
encontrar más enfoques de ejemplo en [268], [259], [260], [262], [263],
[265], [267], [118] y [269].
6.2. Aplicaciones de aprendizaje automático para el procesamiento de información
Los nodos de sensores inalámbricos y las aplicaciones móviles instaladas en
varios dispositivos móviles registran datos de nivel de aplicación con frecuencia,
haciéndolos actuar como centros de sensores responsables de la adquisición de
datos y el preprocesamiento y, posteriormente, almacenar los datos en la "nube"
para más "o ffl ine ”almacenamiento de datos y computación en tiempo real
utilizando tecnologías de big data (por ejemplo, Storm [271], Spark [272], Kafka
[273], Hadoop [274], etc.). Las aplicaciones de ejemplo son i)
25
Monitoreo de infraestructura de IoT como la agricultura inteligente [5, 6],
movilidad inteligente [4, 208], ciudad inteligente [7, 209, 210] y red inteligente
[211], ii) dispositivo de huellas dactilares, iii) localización y iv) reconocimiento de
actividad.
Por ejemplo, las obras [212], [213], [214], [215], [216], [217], [218]
explotan varios patrones de tiempo y radio de los datos con
clasificadores de aprendizaje automático para distinguir cables
legítimos. menos dispositivos de los adversarios, a fin de aumentar la
seguridad de la red inalámbrica.
En los trabajos de [219], [220], [221], [222], [223] y [224] ML o
aprendizaje profundo se emplea para localizar a los usuarios en
entornos interiores o exteriores, sobre la base de di ff señales recibidas
de dispositivos inalámbricos o sobre los canales inalámbricos, como
información de estado del canal de amplitud y fase (CSI), RSSI, etc.
El objetivo de los trabajos [225], [226], [227], [228], [229] es identificar la
actividad de una persona basándose en varias propiedades de la señal
inalámbrica en combinación con una técnica de aprendizaje automático. Por
ejemplo, en [226] los autores demuestran una estimación precisa de la
postura humana a través de paredes y oclusiones basadas en las
propiedades de las señales inalámbricas Wi-Fi y cómo se reflejan en ff el
cuerpo humano, utilizado como entrada para un clasificador de CNN. En
[227] los autores detectan intrusos basándose en cómo sus patrones de
movimiento son ff ect señales Wi-Fi en combinación con un modelo de mezcla
gaussiana (GMM).
Para una descripción más completa de las aplicaciones y trabajos
sobre el procesamiento de información inalámbrica, se remite al lector
a [275].
7. Desafíos abiertos y direcciones futuras
Las secciones anteriores presentaron la cantidad significativa de
trabajo de investigación centrado en la explotación del ML para
abordar el problema de la escasez de espectro en las futuras redes
inalámbricas. Sin embargo, a pesar del creciente estado de la técnica
con más y más di ff Al explorar y aplicar los algoritmos ML en varias
capas de la pila de protocolos de red, todavía hay desafíos abiertos que
deben abordarse para emplear estos paradigmas en entornos de radio
reales para habilitar una red inalámbrica completamente inteligente en
un futuro próximo.
Esta sección analiza un conjunto de desafíos abiertos y explora las
direcciones de investigación futuras que se espera que aceleren la adopción
de ML en futuras implementaciones de redes inalámbricas.
7.1. Conjuntos de datos estándar, problemas, representación de datos y
métricas de evaluación
7.1.1. Conjuntos de datos estándar
Para permitir la comparación entre di ff En los diferentes enfoques de ML, es
esencial tener puntos de referencia comunes y conjuntos de datos estándar
disponibles, similar al conjunto de datos abiertos MNIST que se usa a menudo en
visión por computadora. Para e ff Para aprender de manera efectiva, los algoritmos
ML requerirán una cantidad considerable de datos. Además, deben crearse
procedimientos de generación / recopilación de datos preferiblemente
estandarizados para permitir la reproducción de los datos. Los intentos de
investigación en esta dirección incluyen [276, 277], que muestran que la
generación sintética de señales de RF es posible, sin embargo, algunos problemas
inalámbricos pueden requerir inhibir especi fi caciones de un sistema real en los
datos (por ejemplo, huellas dactilares de dispositivos de RF) .
 Tabla 7: Una descripción general del trabajo sobre el aprendizaje automático para el análisis a nivel de red para la optimización del rendimiento
Problema de investigación Mejora del rendimiento Tipo de red inalámbrica Tipo de datos Datos de entrada Aprendiendo Algoritmo de aprendizaje Año Referencia
Acercarse
Rendimiento de la red Utilización de recursos mejorada al predecir el Wifi Sintético Tasa de paquetes, Tasa de datos, Tasa de error CRC, Tasa de ML NMF 2009 [120]
predicción estado de la red error PHY, Tamaño del paquete, Día a la semana, Hora del día
Rendimiento de la red Rendimiento mejorado mediante una predicción precisa de Red de sensores inalámbricos Verdadero PRR, RSSI, SNR y LQI ML LR, NB y NN 2011 [81]
predicción la calidad del enlace
Rendimiento de la red Rendimiento mejorado mediante una predicción precisa de Red de sensores inalámbricos Verdadero PRR, RSSI, SNR y LQI ML LR 2012 [201]
predicción la calidad del enlace
Rendimiento de la red Rendimiento mejorado al seleccionar el Red de sensores inalámbricos Verdadero Estadísticas RSSI (media y varianza), estadísticas ML DT 2013 [30]
predicción esquema MAC óptimo IPI (media y varianza), confiabilidad, consumo de
energía y latencia
Rendimiento de la red Rendimiento mejorado mediante una predicción precisa de Red de sensores inalámbricos Verdadero PRR, RSSI, SNR y LQI ML LR, SGD 2014 [112]
predicción la calidad del enlace
Rendimiento de la red Rendimiento de red mejorado a través de la Celular Sintético SINR (relación señal / interferencia más ruido), ICI, ML NN aleatorio 2015 [202]
predicción caracterización del rendimiento y la predicción de MCS, potencia de transmisión
parámetros de radio óptimos
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero Tra ffi c (Bytes) por 10 min ML Agrupación jerárquica 2015 [255]
dicción tráfico móvil ffi c demanda
Tra de red ffi c pre Mecanismo de suspensión de estación base Celular Sintético Aprendizaje automático 2015 [256]
dicción mejorado que redujo el consumo de energía al
predecir el tráfico móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero Usuario tra ffi C ML MWNN 2015 [257]
dicción tráfico móvil ffi c demanda
Rendimiento de la red QoE mejorada mediante la predicción de parámetros de KPI Celular Verdadero KPI de la red móvil ML NN 2016 [203]
predicción
Rendimiento de la red Mejora del rendimiento seleccionando el Radio cognitiva Sintético Tipo de protocolo, longitud del paquete, velocidad de ML NB, DT, RF, SMO 2016 [204]
predicción MAC óptimo datos, tiempo entre llegadas, potencia de transmisión,
número de nodo, carga promedio, rendimiento promedio,
retardo de transmisión, rendimiento mínimo, rendimiento
máximo, desviación estándar de rendimiento y resultado
de clasificación
Tra de red ffi c pre Celular ML 2016

26
Asignación de recursos mejorada mediante la predicción de Verdadero Tra móvil ffi c volumen Análisis de regresión [258]
dicción tráfico móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero Tra móvil ffi C ML SVM, MLPWD, MLP 2016 [259]
dicción tráfico móvil ffi c demanda
Rendimiento de la red Rendimiento mejorado al predecir la tasa de pérdida de WSN Verdadero Número de nodos detectados, IPI, Número de ML 2017 [205]
predicción paquetes paquetes recibidos, Número de paquetes erróneos
LR, RT, NN
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero Tra media ffi c carga por hora DL LSTM, GSAE, LSAE 2017 [260]
dicción tráfico móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero Número de CDR generados durante cada intervalo de DL RNN, 3D CNN 2017 [261]
dicción tráfico móvil ffi c demanda tiempo en un cuadrado de la cuadrícula de Milán
Rendimiento de la red Fiabilidad maximizada y retardo minimizado de un 6LoWPAN Sintético Backo máximo de CSMA ff, Backo ff exponente, límite ML ANA 2017 [207]
predicción extremo a otro mediante la selección de parámetros máximo de reintentos de fotogramas
MAC óptimos
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero Tra ffi c instantáneas de volumen cada 10 DL STN, LSTM, 3D CNN 2018 [262]
dicción tráfico móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero min. ffi c carga por CDR de media hora con DL LSTM, GNN 2018 [263]
dicción tráfico móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero un intervalo de 10 minutos DL DNN, LSTM 2018 [264]
dicción tráfico móvil ffi c demanda
Rendimiento de la red Asignación de recursos de red mejorada mediante la Red de sensores inalámbricos Sintético Vida útil de la red, nivel de potencia, distancia entre ML NN 2018 [206]
predicción predicción de parámetros de red nodos
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero Volumen de SMS y llamadas por intervalo de 10 minutos DL CNN 2018 [265]
dicción tráfico móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero Tra ffi c carga por 10 min Tra ffi c registros registrados a DL LSTM 2018 [266]
dicción tráfico móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada por más e ffi- Celular Verdadero intervalos de 10 minutos Tra ffi c registros registrados ML RF 2018 [267]
dicción prediciendo el tráfico móvil de manera ffi c load
Tra de red ffi c pre Asignación de recursos mejorada al predecir el tráfico Celular Verdadero a intervalos de 15 minutos Tra ffi c carga por intervalos DL LSTM 2019 [268]
dicción móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada mediante la predicción de Celular Verdadero de 5 minutos DL 3D CNN 2019 [118]
dicción tráfico móvil ffi c demanda
Tra de red ffi c pre Asignación de recursos mejorada al predecir ventanas Celular Verdadero Número de suscriptores únicos observados y número de DL TGCN, TCN, LSTM y GCLSTM 2019 [269]
dicción de tiempo inactivo eventos de comunicación que ocurren en una ventana de
tiempo de conteo para una celda específica
 Por lo tanto, estandarizar estos conjuntos de datos y puntos de referencia sigue
siendo un desafío abierto. Investigaciones significativas e ff Es necesario poner en marcha
programas para crear conjuntos de datos a gran escala y compartirlos con la comunidad
de investigación inalámbrica.
7.1.2. Problemas estándar
Las futuras iniciativas de investigación deberían identificar un conjunto de
problemas comunes en las redes inalámbricas para facilitar a los investigadores la
evaluación comparativa y la comparación de sus algoritmos de aprendizaje
supervisados y no supervisados. Estos problemas deben apoyarse con conjuntos
de datos estándar. Por ejemplo, en visión por computadora para la evaluación
comparativa de algoritmos de visión por computadora para tareas de
reconocimiento de imágenes, normalmente se utilizan los conjuntos de datos
MNIST e ImageNet. Ejemplos de problemas estándar en redes inalámbricas
pueden ser: identi fi cación de señales inalámbricas, formación de haces, gestión
del espectro, tráfico de redes inalámbricas. ffi c predicción de la demanda, etc. Se
debe prestar especial atención a la investigación en el diseño de estos problemas.
7.1.3. Representación de datos estándar
DL se utiliza cada vez más en redes inalámbricas, sin embargo, todavía no
está claro cuál es la representación óptima de datos. Por ejemplo, una
muestra I / Q puede representarse como un solo número complejo, una
tupla de números reales o mediante los valores de amplitud y fase de sus
coordenadas polares. Es un debate que no existe una solución única de
representación de datos para todos los problemas de aprendizaje [237]. La
representación óptima de los datos podría depender, entre otros factores,
de la arquitectura DL, el objetivo de aprendizaje y la elección de la función
de pérdida [149].
7.1.4. Métricas de evaluación estándar
Después de identificar los problemas y conjuntos de datos estándar, las
iniciativas de investigación futuras deben identificar un conjunto de métricas
estándar para evaluar y comparar di ff diferentes modelos de ML. Por ejemplo, se
puede determinar un conjunto de métricas estándar por problema estandarizado.
Ejemplos de métricas estandarizadas pueden ser: matriz de confusión, puntaje F,
precisión, recuperación, exactitud, error cuadrático medio, etc. Además, la parte
de evaluación puede tener en cuenta otras métricas de evaluación como:
complejidad del modelo, sobrecarga de memoria, tiempo de entrenamiento,
tiempo de predicción, tamaño de datos requerido, etc.
7.2. Implementación de modelos de Machine Learning en plataformas /
sistemas inalámbricos prácticos
No hay duda de que ML jugará un papel destacado en la evolución
de las futuras redes inalámbricas. Sin embargo, aunque ML es
poderoso, puede ser una carga cuando se ejecuta en un solo
dispositivo. Además, DL, que ha mostrado un gran éxito, requiere una
cantidad significativa de datos para funcionar bien, lo que plantea
desafíos adicionales en la red inalámbrica. Por lo tanto, es de suma
importancia avanzar en nuestra comprensión de cómo simplificar y e ffi integre
de manera eficiente los avances de ML / DL dentro de las plataformas
informáticas restringidas. Una segunda pregunta que requiere especial
atención es ¿qué requisitos debe cumplir la red para respaldar la
recopilación y transferencia de grandes volúmenes de datos?
27
7.2.1. Restringir dispositivos inalámbricos
Los nodos inalámbricos, como los que se ven en IoT (por ejemplo,
teléfonos, relojes y sensores integrados), suelen ser dispositivos
económicos con recursos escasos: recursos de almacenamiento,
energía, capacidad computacional y ancho de banda de comunicación
limitados. Estas restricciones de dispositivos plantean varios desafíos
cuando se trata de implementar y ejecutar modelos de AA complejos.
Ciertamente, los modelos ML con una gran cantidad de neuronas,
capas y parámetros requerirán necesariamente hardware adicional y
consumo de energía no solo para realizar el entrenamiento sino
también para la inferencia.
Reducir la complejidad de los modelos de Machine Learning. ML / DL está en
camino de convertirse en la corriente principal de los dispositivos de
restricción [278]. Están apareciendo resultados tempranos prometedores en
muchos dominios, incluido el hardware [279], los sistemas y los algoritmos
de aprendizaje. Por ejemplo, en [280] se proponen arquitecturas binarias
profundas, que se componen únicamente de pesos de 1 bit en lugar de
parámetros de 32 o 16 bits, lo que permite modelos más pequeños y
cálculos menos costosos. Sin embargo, su capacidad para generalizar y
desempeñarse bien en problemas del mundo real sigue siendo una cuestión
abierta.
Implementación de Machine Learning distribuido. Otro enfoque
para abordar este desafío puede ser distribuir la carga de cálculo
ML en múltiples nodos. Algunas preguntas que deben abordarse
aquí son: "¿Qué parte de los algoritmos de aprendizaje se puede
descomponer y distribuir?", "¿Cómo se comunican los datos de
entrada y los resultados del cálculo de salida entre los
dispositivos?", "¿Qué dispositivo es responsable de la asamblea
para los resultados finales de la predicción? ”, etc.
7.2.2. Infraestructura para la recopilación y transferencia de datos
El número tremendamente creciente de dispositivos inalámbricos y
su ffi c exige una arquitectura de red escalable para admitir
transmisiones inalámbricas a gran escala. La transmisión de grandes
volúmenes de datos es una tarea desafiante debido a las siguientes
razones: i) no existen estándares / protocolos que puedan e ffi entregar
cientemente> 100 T bits de datos por segundo, ii) es extremadamente
di- ffi culto a monitorear la red en tiempo real, debido al enorme tráfico ffi
c densidad en poco tiempo.
Una dirección prometedora para abordar este desafío es el concepto de computación
/ análisis de niebla [ 19]. La idea de la computación en la niebla es acercar la computación
y el análisis a los dispositivos finales, lo que puede mejorar el rendimiento general de la
red al reducir o evitar por completo la transmisión de grandes cantidades de datos sin
procesar a la nube. Aún así, especial e ff Las empresas deben dedicarse a emplear estos
conceptos en sistemas prácticos. Finalmente,
computación en la nube Las tecnologías (que utilizan recursos virtualizados,
procesamiento paralelo y almacenamiento de datos escalable) pueden ayudar a
reducir el costo computacional cuando se trata del procesamiento y análisis de
datos.
7.3. Precisión del modelo de aprendizaje automático en sistemas inalámbricos
prácticos
El aprendizaje automático se ha utilizado comúnmente en contextos estáticos,
cuando la velocidad del modelo no suele ser una preocupación. Por ejemplo,
considere reconocer imágenes en visión artificial. Mientras que las imágenes se
consideran datos estacionarios, los datos inalámbricos (por ejemplo, las señales)
son inherentemente variables en el tiempo y estocásticos. La formación de un
robusto modelo ML sobre datos inalámbricos que se generaliza bien es una tarea
desafiante debido al hecho de que las redes inalámbricas son entornos
inherentemente dinámicos con condiciones de canal cambiantes, usuario tra ffi c
demandas y parámetros operativos cambiantes (por ejemplo, debido a cambios
en los organismos de normalización). Teniendo en cuenta que la estabilidad es
uno de los principales requisitos de los sistemas de comunicación inalámbrica, los
estudios teóricos rigurosos son esenciales para garantizar que los enfoques
basados en ML siempre funcionen bien en los sistemas prácticos. La pregunta
abierta aquí es "¿Cómo e ffi ¿entrenar de manera adecuada un modelo de
aprendizaje automático que se generalice bien para los datos invisibles en un
sistema que cambia tan dinámicamente? ”. Los siguientes párrafos discuten las
direcciones prometedoras para abordar este desafío.
7.3.1. Transferir aprendizaje
Con el aprendizaje supervisado típico, un modelo aprendido es aplicable
a un escenario específico y probablemente esté sesgado al conjunto de
datos de entrenamiento. Por ejemplo, un modelo aprendido para reconocer
un conjunto de tecnologías inalámbricas se entrena para reconocer solo
esas tecnologías y también ajustarse a las características específicas del
entorno inalámbrico donde se recopilan los datos. ¿Qué pasa si es necesario
identificar nuevas tecnologías? ¿Qué pasa si cambian las condiciones en el
entorno inalámbrico? Evidentemente, la capacidad de generalización de los
modelos de aprendizaje formados siguen siendo cuestiones abiertas. ¿Cómo
podemos e ffi ¿Adaptar adecuadamente nuestro modelo a estas nuevas
circunstancias?
Los enfoques tradicionales pueden requerir reentrenamiento del modelo en base a
nuevos datos (es decir, incorporando nuevas tecnologías o especificidades de un nuevo
entorno junto con nuevas etiquetas). Afortunadamente, con los avances en ML resulta
que no es necesario reentrenar completamente un modelo de ML. Un nuevo método
popular llamado
transferencia de aprendizaje puede resolver esto. El aprendizaje por
transferencia es un método que permite transferir el conocimiento adquirido
de una tarea a otra tarea similar y, por lo tanto, alivia la necesidad de
entrenar modelos de ML desde cero [281]. La ventaja de este enfoque es
que el proceso de aprendizaje en nuevos entornos se puede acelerar, con
una menor cantidad de datos necesarios para entrenar un buen modelo de
rendimiento. De esta manera, los investigadores de redes inalámbricas
pueden resolver problemas nuevos pero similares de una manera más e ffi manera
ciente. Por ejemplo, si la nueva tarea requiere reconocer nuevos formatos
de modulación, los parámetros del modelo para un modelo CNN ya
entrenado pueden reutilizarse como inicialización para entrenar la nueva
CNN.
7.3.2. Aprendizaje activo
El aprendizaje activo es un subcampo del AA que permite actualizar un
modelo de aprendizaje sobre la marcha en un corto período de tiempo. Por
ejemplo, en las redes inalámbricas, el beneficio es que la actualización del
modelo en función de las condiciones de la red inalámbrica permite que el
modelo sea más preciso con respecto al estado actual [282].
El modelo de aprendizaje ajusta sus parámetros cada vez que recibe
nuevos datos etiquetados. El proceso de aprendizaje se detiene cuando el
sistema alcanza la precisión de predicción deseada.
28
7.3.3. Aprendizaje profundo no supervisado / semi-supervisado
Los enfoques típicos de aprendizaje supervisado, especialmente las técnicas de
aprendizaje profundo recientemente populares, requieren una gran cantidad de
datos de entrenamiento con un conjunto de etiquetas correspondientes. La
desventaja aquí es que es posible que muchos datos no siempre estén disponibles
o que su preparación sea muy costosa. Esta es especialmente una tarea que
requiere mucho tiempo en las redes inalámbricas, donde uno tiene que esperar la
ocurrencia de ciertos tipos de eventos (por ejemplo, la aparición de una emisión
de una tecnología inalámbrica específica o en una banda de frecuencia específica)
para crear instancias de capacitación para construir sistemas robustos. modelos.
Al mismo tiempo, este proceso requiere un conocimiento experto significativo
para construir etiquetas, lo cual no es suficiente. ffi proceso cientemente
automatizado y genérico para implementaciones prácticas.
Para reducir la necesidad de mucho conocimiento de dominio y datos de
etiquetado, aprendizaje profundo sin supervisión [ 131] y el aprendizaje
semi-supervisado [74] se ha utilizado recientemente. Por ejemplo, los AE
(autocodificadores) se han convertido en una poderosa herramienta de
aprendizaje profundo no supervisado [283], que también ha demostrado la
capacidad de comprimir la información de entrada aprendiendo posiblemente una
codificación dimensional más baja de la entrada. Sin embargo, estas nuevas
herramientas requieren más investigación para desarrollar todo su potencial en
redes inalámbricas (prácticas).
8. Conclusión
Con los avances en el hardware y la potencia informática y la capacidad
de recopilar, almacenar y procesar cantidades masivas de datos, el
aprendizaje automático (ML) se ha abierto camino en muchas aplicaciones. ff diferentes
campos científicos, incluidas las redes inalámbricas. Los desafíos a los que se
enfrentan las redes inalámbricas empujaron al dominio de las redes
inalámbricas a buscar soluciones más innovadoras para garantizar el
rendimiento esperado de la red. Para abordar estos desafíos, ML se utiliza
cada vez más en redes inalámbricas.
Paralelamente, surgieron un número creciente de encuestas y tutoriales sobre ML
aplicado en redes inalámbricas. Notamos que algunos de los trabajos existentes se
centran en abordar tareas específicas de redes inalámbricas (por ejemplo,
reconocimiento de señales inalámbricas), algunos en el uso de técnicas de aprendizaje
automático específicas (por ejemplo, técnicas de aprendizaje profundo), mientras que
otros en los aspectos de un entorno inalámbrico específico ( por ejemplo, IoT, WSN, CRN,
etc.) mirando escenarios de aplicación amplios (por ejemplo, localización, seguridad,
monitoreo ambiental, etc.). Por lo tanto, nos dimos cuenta de que ninguno de los
trabajos elabora ML para optimizar el rendimiento de las redes inalámbricas, lo cual es
críticamente un ff afectado por la proliferación de dispositivos inalámbricos, redes,
tecnologías y un mayor tráfico de usuarios ffi c exige. Además, notamos que algunos
trabajos están perdiendo los fundamentos, necesarios para que el lector comprenda el
aprendizaje automático y la investigación basada en datos en general. Para llenar este
vacío, este documento presenta i) un punto de partida bien estructurado para los
expertos que no son expertos en aprendizaje automático, que proporciona los
fundamentos del aprendizaje automático de una manera accesible, y ii) una encuesta
sistemática y completa sobre el aprendizaje automático para mejorar el rendimiento de
redes inalámbricas que miran varias perspectivas de la pila de protocolos de red. A
nuestro leal saber y entender, esta es la primera encuesta que revisa exhaustivamente
las últimas investigaciones e ff orts (hasta y
incluido 2019) en la aplicación de técnicas de aprendizaje automático basadas en
predicciones centradas en mejorar el rendimiento de las redes inalámbricas, al
tiempo que se examinan todas las capas de protocolo: PHY, MAC y capa de red.
Los trabajos de investigación encuestados se clasifican en: análisis de radio,
análisis MAC y enfoques de predicción de redes. Revisamos trabajos en varias
redes inalámbricas, incluidas IoT, WSN, redes celulares y CRN. Dentro análisis de
radio Enfoques identificamos lo siguiente: reconocimiento automático de
modulación e identificación de interferencia inalámbrica (es decir, reconocimiento
de tecnología, identificación de señal e identificación de emisor). Análisis MAC Los
enfoques se dividen en: tareas de identificación MAC, identificación de
interferencias inalámbricas y predicción de espectro. Predicción de red Los
enfoques se clasi fi can en: predicción de rendimiento y tra ffi c enfoques de
predicción.
Finalmente, se elaboran desafíos abiertos y emocionantes direcciones de
investigación en este campo. Discutimos donde la estandarización e ff Se
requieren orts, incluyendo estándares: conjuntos de datos, problemas,
representaciones de datos y métricas de evaluaciones. Además, discutimos
los desafíos abiertos al implementar modelos de aprendizaje automático en
sistemas inalámbricos prácticos. A continuación, analizamos las direcciones
futuras en dos niveles: i) implementación de ML en dispositivos inalámbricos
de restricción (mediante la reducción de la complejidad de los modelos de
ML o la implementación distribuida de los modelos de ML) y
ii) adaptar la infraestructura para la recopilación y transferencia masiva de
datos (a través de análisis de borde y computación en la nube). Finalmente,
discutimos los desafíos abiertos y las direcciones futuras sobre la
generalización de los modelos ML en entornos inalámbricos prácticos.
Esperamos que este artículo se convierta en una fuente de inspiración y
una guía para los investigadores y profesionales interesados en aplicar el
aprendizaje automático para problemas complejos relacionados con la
mejora del rendimiento de las redes inalámbricas.
[1] A. Abbasi, S. Sarker, RH Chiang, Big data research in information system:
Toward an inclusive research agenda, Revista de la Asociación de Sistemas
de Información 17 (2) (2016) I.
[2] L. Qian, J. Zhu, S. Zhang, Estudio de macrodatos inalámbricos, Revista de
comunicaciones y redes de información 2 (1) (2017) 1–18.
[3] MM Rathore, A. Ahmad, A. Paul, Desarrollo de ciudades inteligentes basado en
Iot utilizando un enfoque analítico de big data, en: 2016 IEEE international
conference on automatica (ICA-ACCA), IEEE, 2016, pp. 1–8.
[4] HN Nguyen, P. Krishnakumari, HL Vu, H. van Lint, Tra ffi c clasi fi cación de
patrones de congestión usando svm de clases múltiples, en: 19ª Conferencia
Internacional de IEEE sobre Sistemas de Transporte Inteligentes (ITSC) de 2016,
IEEE, 2016, págs. 1059–1064.
[5] P. Lottes, R. Khanna, J. Pfeifer, R. Siegwart, C. Stachniss, Clasificación de cultivos y
malezas basada en Uav para la agricultura inteligente, en: 2017 IEEE International
Conference on Robotics and Automation (ICRA), IEEE, 2017 , págs. 3024-3031.
[6] I. Sa, Z. Chen, M. Popović´, R. Khanna, F. Liebisch, J. Nieto, R. Sieg- wart, weednet:
clasificación semántica densa de malezas utilizando imágenes multiespectrales y
mav para agricultura inteligente, IEEE Robotics and Automation Cartas 3 (1)
(2018) 588–595.
[7] M. Strohbach, H. Ziekow, V. Gazis, N. Akiva, Towards a big data analytics
framework for iot y aplicaciones de ciudades inteligentes, en: Modelado y
procesamiento para tecnologías de big data de próxima generación, Springer,
2015 , págs. 257-282.
[8] Cisco, índice de redes visuales de Cisco: pronóstico y tendencias (2019).
URL https://www.cisco.com/c/en/us/
soluciones / colateral / proveedor de servicios /
Visual-networking-index-vni / white-paper-c11-741490.
html
[9] Cisco sistemas blanco papel, https://www.cisco.com/
c / es / us / solutions / colateral / service-provider /
29
Visual-networking-index-vni / white-paper-c11-738429.
html, consultado: 2019-05-09.
[10] M. Bkassiny, Y. Li, SK Jayaweera, Una encuesta sobre técnicas de aprendizaje
automático en radios cognitivas, IEEE Communications Surveys & Tutorials 15 (3)
(2012) 1136–1159.
[11] MA Alsheikh, S. Lin, D. Niyato, H.-P. Tan, Aprendizaje automático en redes
de sensores inalámbricos: algoritmos, estrategias y aplicaciones, IEEE
Communications Surveys & Tutorials 16 (4) (2014) 1996-2018.
[12] X. Wang, X. Li, VC Leung, Técnicas basadas en inteligencia artificial para
redes heterogéneas emergentes: estado de las artes, oportunidades y
desafíos, IEEE Access 3 (2015) 1379–1391.
[13] PV Klaine, MA Imran, O. Onireti, RD Souza, Una encuesta de técnicas de
aprendizaje automático aplicadas a redes celulares autoorganizadas, IEEE
Communications Surveys & Tutorials 19 (4) (2017) 2392–2431.
[14] X. Zhou, M. Sun, GY Li, B.-HF Juang, Comunicaciones inalámbricas
inteligentes habilitadas por radio cognitiva y aprendizaje automático,
Comunicaciones de China 15 (12) (2018) 16–48.
[15] M. Chen, U. Challita, W. Saad, C. Yin, M. Debbah, Aprendizaje automático
basado en redes neuronales artificiales para redes inalámbricas: un
tutorial, IEEE Communications Surveys & Tutorials.
[dieciséis]N. Ahad, J. Qadir, N. Ahsan, Redes neuronales en redes inalámbricas:
técnicas, aplicaciones y directrices, Revista de aplicaciones informáticas y
de red 68 (2016) 1–27.
[17] T. Park, N. Abuzainab, W. Saad, Aprender a comunicarse en Internet de las
cosas: recursos finitos y heterogeneidad, IEEE Access 4 (2016) 7063–7073.
[18] Q. Mao, F. Hu, Q. Hao, Aprendizaje profundo para redes inalámbricas
inteligentes: una encuesta completa, IEEE Communications Surveys &
Tutorials 20 (4) (2018) 2595–2621.
[19] M. Mohammadi, A. Al-Fuqaha, S. Sorour, M. Guizani, Deep learning for iot
big data and streaming analytics: A survey, IEEE Communications Surveys
& Tutorials 20 (4) (2018) 2923–2960.
[20] X. Li, F. Dong, S. Zhang, W. Guo, Una encuesta sobre técnicas de aprendizaje profundo en
el reconocimiento de señales inalámbricas, comunicaciones inalámbricas y computación
móvil 2019.
[21] IU Din, M. Guizani, JJ Rodrigues, S. Hassan, VV Korotaev, Aprendizaje automático
en Internet de las cosas: técnicas diseñadas para ciudades inteligentes, Sistemas
informáticos de generación futura.
[22] NC Luong, DT Hoang, S. Gong, D. Niyato, P. Wang, Y.-C. Liang,
DI Kim, Aplicaciones del aprendizaje por refuerzo profundo en las
comunicaciones y la creación de redes: una encuesta, Tutoriales y encuestas de
comunicaciones de IEEE.
[23] V. Dhar, Ciencia de datos y predicción, Comunicaciones del ACM 56 (12)
(2013) 64–73.
[24] M. Kulin, C. Fortuna, E. De Poorter, D. Deschrijver, I. Moerman, Diseño basado en
datos de redes inalámbricas inteligentes: descripción general y tutorial, Sensores
16 (6) (2016) 790.
[25] J. McCarthy, Inteligencia artificial, lógica y sentido común formalizador, en:
Lógica filosófica e inteligencia artificial, Springer, 1989, págs. 161-190.
[26] T. Mitchell, B. Buchanan, G. DeJong, T. Dietterich, P. Rosenbloom,
A. Waibel, Aprendizaje automático, Revisión anual de ciencias de la computación 4 (1)
(1990) 417–433.
[27] C. Jiang, H. Zhang, Y. Ren, Z. Han, K.-C. Chen, L. Hanzo, Paradigmas de
aprendizaje automático para redes inalámbricas de próxima generación,
Comunicaciones inalámbricas IEEE 24 (2) (2017) 98–105.
[28] Y. LeCun, Y. Bengio, G. Hinton, Aprendizaje profundo, naturaleza 521 (7553)
(2015) 436.
[29] W. Liu, M. Kulin, T. Kazaz, A. Shahid, I. Moerman, E. De Poorter, Reconocimiento de
tecnología inalámbrica basado en la distribución rssi a una frecuencia de muestreo
sub-nyquist para dispositivos restringidos, Sensores 17 (9) (2017) 2081.
[30] M. Sha, R. Dor, G. Hackmann, C. Lu, T.-S. Kim, T. Park, capa mac autoadaptable
para redes de sensores inalámbricos, en: 34º Simposio de sistemas en tiempo
real de IEEE 2013, IEEE, 2013, págs. 192–201.
[31] RV Kulkarni, GK Venayagamoorthy, Protocolo de control de acceso a medios seguros basado en
redes neuronales para redes de sensores inalámbricos, en: Neural Networks, 2009. IJCNN 2009.
Conferencia conjunta internacional sobre, IEEE,
2009, págs. 1680–1687.
[32] MH Kim, M.-G. Park, modelado estadístico bayesiano del sistema de ahorro de energía e ff
efectividad para protocolos mac de redes de sensores inalámbricos, en: Ingeniería de
Software, Inteligencia Arti fi cial, Redes y Para-
 lel / Computación distribuida, Springer, 2009, págs. 233–245.
[33] Y.-J. Shen, M.-S. Wang, Programación de transmisiones en redes de sensores
inalámbricos que utilizan una red neuronal de campo de salto difuso, Sistemas expertos
con aplicaciones 34 (2) 900–907.
[34] J. Barbancho, C. Leó´n, J. Molina, A. Barbancho, Dando neuronas a los sensores.
Gestión de qos en redes de sensores inalámbricos., en: Tecnologías Emergentes y
Automatización de Fábrica, 2006. ETFA'06. Conferencia sobre IEEE, IEEE, 2006,
págs. 594–597.
[35] T. Liu, AE Cerpa, Predicción de la calidad del enlace basada en datos utilizando
características de enlace, ACM Transactions on Sensor Networks (TOSN) 10 (2) (2014) 37.
[36] Y. Wang, M. Martonosi, L.-S. Peh, Predicción de la calidad del enlace mediante el
aprendizaje supervisado en redes de sensores inalámbricos, ACM SIGMOBILE
Mobile Computing and Communications Review 11 (3) (2007) 71–83.
[37] G. Ahmed, NM Khan, Z. Khalid, R. Ramer, Selección de cabeza de clúster usando
árboles de decisión para redes de sensores inalámbricos, en: Sensores
inteligentes, redes de sensores y procesamiento de información, 2008. ISSNIP
2008. Conferencia internacional sobre, IEEE, 2008, págs. 173-178.
[38] A. Shareef, Y. Zhu, M. Musavi, Localización mediante redes neuronales en
redes de sensores inalámbricos, en: Actas de la primera conferencia
internacional sobre MiddleWARE inalámbrico, sistemas operativos y
aplicaciones de MOBILe, ICST (Instituto de Ciencias de la Computación,
Social -Ingeniería en Informática y Telecomunicación), 2008, p. 4.
[39] SH Chagas, JB Martins, LL De Oliveira, Una aproximación al esquema de localización de
redes de sensores inalámbricos basado en redes neuronales artificiales y algoritmos
genéticos, en: New Circuits and Systems Conference (NEWCAS), 2012 IEEE 10th
International, IEEE, 2012, págs. 137–140.
[40] DA Tran, T. Nguyen, localización en redes de sensores inalámbricas basadas en
máquinas de vectores de soporte, sistemas paralelos y distribuidos,
transacciones IEEE en 19 (7) (2008) 981–994.
[41] VK Tumuluru, P. Wang, D. Niyato, Un esquema de predicción de espectro basado
en redes neuronales para radio cognitiva, en: Comunicaciones (ICC), IEEE
International Conference on 2010, IEEE, 2010, págs. 1–5.
[42] N. Baldo, M. Zorzi, Aprendizaje y adaptación en radios cognitivas usando
redes neuronales, en: Consumer Communications and Networking
Conference, 2008. CCNC 2008. 5th IEEE, IEEE, 2008, pp. 998–1003.
[43] Y.-J. Tang, Q.-Y. Zhang, W. Lin, método de detección de espectro basado en
redes neuronales artificiales para radio cognitiva, en: Redes de
comunicaciones inalámbricas y computación móvil (WiCOM), 2010 6th
International Conference on, IEEE, 2010, págs. 1–4.
[44] H. Hu, J. Song, Y. Wang, Clasificación de señales basada en análisis de
correlación espectral y svm en radio cognitiva, en: Red de información
avanzada y aplicaciones, 2008. AINA 2008. 22ª Conferencia Internacional
sobre, IEEE , 2008, págs. 883–887.
[45] G. Xu, Y. Lu, Selección de canal y modulación basada en máquinas de
vectores de soporte para radio cognitiva, en: Comunicaciones inalámbricas,
redes y computación móvil, 2006. WiCOM 2006. Conferencia internacional
sobre, IEEE, 2006, págs. 1-4.
[46] M. Petrova, P. Mä¨hö¨nen, A. Osuna, Clasificación de múltiples clases de señales
analógicas y digitales en radios cognitivas utilizando máquinas de vectores de
soporte, en: Wireless Communication Systems (ISWCS), 2010 7th International
Symposium on, IEEE, 2010, págs. 986–990.
[47] Y. Huang, H. Jiang, H. Hu, Y. Yao, Diseño de motor de aprendizaje basado en una
máquina de vectores de soporte en radio cognitiva, en: Computational
Intelligence and Software Engineering, 2009. CiSE 2009. International Conference
on, IEEE, 2009, págs. 1–4.
[48] A. Mannini, AM Sabatini, Métodos de aprendizaje automático para clasificar la
actividad física humana a partir de acelerómetros corporales, Sensores 10 (2)
(2010) 1154–1175.
[49] JH Hong, NJ Kim, EJ Cha, TS Lee, Técnica de clasificación del contexto del
movimiento humano basada en una red de sensores inalámbricos, en:
Sociedad de Ingeniería en Medicina y Biología, 2005. IEEE-EMBS 2005. 27ª
Conferencia Internacional Anual del, IEEE , 2006, págs. 5201–5202.
[50] OD Lara, MA Labrador, Una encuesta sobre el reconocimiento de la actividad
humana mediante sensores portátiles, Tutoriales y encuestas de comunicaciones,
IEEE 15 (3) (2013) 1192–1209.
[51] A. Bulling, U. Blanke, B. Schiele, Un tutorial sobre el reconocimiento de la
actividad humana usando sensores inerciales usados en el cuerpo, ACM
Computing Surveys (CSUR) 46 (3) (2014) 33.
[52] L. Bao, SS Intille, Reconocimiento de actividad a partir de datos de aceleración anotados
por el usuario, en: Pervasive computing, Springer, 2004, págs. 1-17.
[53] A. Bulling, JA Ward, H. Gellersen, Reconocimiento multimodal de lectura
30
actividad en tránsito utilizando sensores usados en el cuerpo, ACM Transactions
on Applied Perception (TAP) 9 (1) (2012) 2.
[54] L. Yu, N. Wang, X. Meng, Detección de incendios forestales en tiempo real con
redes de sensores inalámbricos, en: Comunicaciones inalámbricas, redes y
computación móvil, 2005. Actas. 2005 Conferencia Internacional sobre, Vol. 2,
IEEE, 2005, págs. 1214-1217.
[55] M. Bahrepour, N. Meratnia, PJ Havea, Uso de técnicas de inteligencia artificial para la detección de
incendios residenciales en redes de sensores inalámbricos.
[56] M. Bahrepour, N. Meratnia, M. Poel, Z. Taghikhaki, PJ Havea, Detección de
eventos distribuidos en redes de sensores inalámbricos para la gestión de
desastres, en: Redes inteligentes y sistemas colaborativos (INCOS), 2010
2nd International Conference on , IEEE, 2010, págs. 507–512.
[57] A. Zoha, A. Imran, A. Abu-Dayya, A. Saeed, marco de aprendizaje de Amachine
para la detección de células durmientes en la red lte, en: Simposio de análisis de
datos y aprendizaje automático, Doha, Qatar, 2014.
[58] RM Khanafer, B. Solana, J. Triola, R. Barco, L. Moltsen, Z. Altman, P. Lazaro,
Diagnóstico automatizado para redes umts usando el enfoque de red
bayesiana, Tecnología Vehicular, Transacciones IEEE en 57 (4) ( 2008)
2451–2461.
[59] A. Ridi, C. Gisler, J. Hennebert, Una encuesta sobre el monitoreo de carga intrusiva para
el reconocimiento de dispositivos, en: 22ª Conferencia Internacional sobre
Reconocimiento de Patrones (ICPR) de 2014, IEEE, 2014, págs. 3702–3707.
[60] S.S. Chang, H.-T. Yang, C.-L. Lin, Identificación de carga en redes neuronales para
un monitoreo no intrusivo de cargas eléctricas industriales, en: Trabajo
cooperativo asistido por computadora en el diseño IV, Springer, 2007, págs.
664–674.
[61] JW Branch, C. Giannella, B. Szymanski, R. Wol ff, H. Kargupta, Detección de valores
atípicos dentro de la red en redes de sensores inalámbricos daa, Sistemas de
información y conocimiento 34 (1) (2013) 23–54.
[62] S. Kaplantzis, A. Shilton, N. Mani, YA Şekercioğ˘lu, Detectando ataques de reenvío
selectivo en redes de sensores inalámbricos utilizando máquinas de vectores de
soporte, en: Sensores inteligentes, Redes de sensores e información,
2007. ISSNIP 2007. 3ª Conferencia Internacional sobre, IEEE, 2007, págs.
335–340.
[63] RV Kulkarni, GK Venayagamoorthy, AV Thakur, SK Madria, Protocolo de control de
acceso a medios seguros basado en neuronas generalizadas para redes de
sensores inalámbricos, en: Computational Intelligence in miulti-criteria
decision-making, 2009. mcdm'09. Simposio sobre ieee, IEEE, 2009, págs. 16–22.
[64] S. Yoon, C. Shahabi, La técnica de agregación agrupada (cag) que aprovecha las
correlaciones espaciales y temporales en redes de sensores inalámbricos, ACM
Transactions on Sensor Networks (TOSN) 3 (1) (2007) 3.
[sesenta yH. He,
cinco] Z. Zhu, E. Mä¨kinen, Un modelo de red neuronal para minimizar el
conjunto dominante conectado para la autoconfiguración de redes de sensores
inalámbricos, Redes neuronales, Transacciones IEEE en 20 (6) (2009) 973– 982.
[66] T. Kanungo, DM Mount, NS Netanyahu, CD Piatko, R. Silverman, AY Wu, An
e ffi Algoritmo de agrupamiento en clústeres de k-medias científicas: análisis
e implementación, análisis de patrones e inteligencia de máquinas,
transacciones IEEE en 24 (7) (2002) 881–892.
[67] C. Liu, K. Wu, J. Pei, Un enfoque dinámico de agrupamiento y programación para el
ahorro de energía en la recopilación de datos de redes de sensores inalámbricos., En:
SECON, vol. 5, 2005, págs. 374–385.
[68] A. Taherkordi, R. Mohammadi, F. Eliassen, A communication-e ffi ciente
algoritmo de agrupamiento distribuido para redes de sensores, en:
Talleres de aplicaciones y redes de información avanzada, 2008. AINAW
2008. 22ª Conferencia Internacional sobre, IEEE, 2008, págs. 634–638.
[69] L. Guo, C. Ai, X. Wang, Z. Cai, Y. Li, Agrupación en tiempo real de datos sensoriales
en redes de sensores inalámbricos., En: IPCCC, 2009, págs. 33–40.
[70] K. Wang, SA Ayyash, TD Little, P. Basu, Agrupación basada en atributos para la
diseminación de información en redes de sensores inalámbricos, en: Avance de la
2da conferencia anual de la sociedad de comunicaciones del IEEE sobre redes y
comunicaciones de sensores y ad hoc (SECON05), Santa Clara, CA, 2005.
[71] Y. Ma, M. Peng, W. Xue, X. Ji, Una dinámica ffi algoritmo de agrupación en clústeres de
propagación de la unidad para la detección de interrupciones de la celda en redes
autorreparables, en: Conferencia sobre redes y comunicaciones inalámbricas (WCNC),
2013 IEEE, IEEE, 2013, págs. 2266–2270.
[72] TC Clancy, A. Khawar, TR Newman, Clasificación de señales robustas mediante
aprendizaje no supervisado, Comunicaciones inalámbricas, Transacciones IEEE en
10 (4) (2011) 1289–1299.
[73] N. Shetty, S. Pollin, P. Pawełczak, Identificación del uso del espectro por
 sistemas desconocidos que utilizan experimentos de aprendizaje automático, en:
Conferencia sobre redes y comunicaciones inalámbricas, 2009. WCNC 2009. IEEE,
IEEE, 2009, págs. 1–6.
[74] TJ O'Shea, N. West, M. Vondal, TC Clancy, Identificación de señal de radio
semi-supervisada, en: 2017 XIX Conferencia Internacional sobre Tecnología
de Comunicación Avanzada (ICACT), IEEE, 2017, págs. 33–38 .
[75] IH Witten, E. Frank, Data Mining: Practical Machine Learning Tools and
Techniques, Second Edition (Morgan Kaufmann Series in Data
Management Systems), Morgan Kaufmann Publishers Inc., San Francisco,
CA, EE. UU., 2005.
[76] D. Guan, W. Yuan, Y.-K. Lee, A. Gavrilov, S. Lee, Reconocimiento de
actividades basado en el aprendizaje semi-supervisado, en: Aplicaciones y
sistemas informáticos integrados y en tiempo real, 2007. RTCSA 2007. 13th
IEEE International Conference on, IEEE, 2007, pp. 469–475.
[77] M. Stikic, D. Larlus, S. Ebert, B. Schiele, Reconocimiento débilmente supervisado
de actividades de la vida diaria con sensores portátiles, Análisis de patrones e
inteligencia de máquinas, Transacciones IEEE en 33 (12) (2011) 2521–2537.
[78] T. Huỳ`nh, B. Schiele, Hacia una menor supervisión en el reconocimiento de
actividad de los sensores portátiles, en: Computadoras portátiles, 2006 Décimo
Simposio Internacional IEEE, IEEE, 2006, págs. 3–10.
[79] T. Pulkkinen, T. Roos, P. Myllymä¨ki, Aprendizaje semi-supervisado para
posicionamiento WLAN, en: Redes neuronales artificiales y aprendizaje
automático - ICANN 2011, Springer, 2011, págs. 355–362.
[80] J. Erman, A. Mahanti, M. Arlitt, I. Cohen, C. Williamson, Of- fl ine / realtime
tra ffi c clasi fi cación mediante el aprendizaje semi-supervisado, Evaluación
del desempeño 64 (9) (2007) 1194–1213.
[81] T. Liu, AE Cerpa, Prever (4c): Predicción de enlaces inalámbricos utilizando
características de enlace, en: Actas de la 10ª Conferencia Internacional ACM / IEEE
sobre Procesamiento de Información en Redes de Sensores, IEEE, 2011, págs.
294-305.
[82] MFA bin Abdullah, AFP Negara, MS Sayeed, D.-J. Choi, KS Muthu, Algoritmos de
clasificación en el reconocimiento de la actividad humana utilizando teléfonos
inteligentes, Revista Internacional de Ingeniería Informática y de la Información 6
(2012) 77–84.
[83] HH Bosman, G. Iacca, A. Tejada, HJ Wö¨rtche, A. Liotta, Conjuntos de
estudiantes incrementales para detectar anomalías en redes de sensores
ad hoc, Ad Hoc Networks 35 (2015) 14–36.
[84] Y. Zhang, N. Meratnia, P. Takinga, Técnicas de detección de valores atípicos
basadas en máquinas vectoriales de soporte adaptativo y en línea de una sola
clase para redes de sensores inalámbricos, en: Talleres de aplicaciones y redes de
información avanzada, 2009. WAINA'09. Conferencia internacional sobre, IEEE,
2009, págs. 990–995.
[85] G. Dasarathy, A. Singh, M.-F. Balcan, JH Park, algoritmos de aprendizaje activo
para la selección de modelos gráficos, arXiv preprint arXiv: 1602.00354.
[86] RM Castro, RD Nowak, límites Minimax para el aprendizaje activo, teoría de
la información, transacciones IEEE en 54 (5) (2008) 2339–2353.
[87] A. Beygelzimer, J. Langford, Z. Tong, DJ Hsu, Aprendizaje activo agnóstico
sin restricciones, en: Advances in Neural Information Processing Systems,
2010, págs. 199–207.
[88] S. Hanneke © , Teoría del aprendizaje activo basado en el desacuerdo, Fundamentos
y tendencias R en Machine Learning 7 (2-3) (2014) 131–309.
[89] DA Freedman, Modelos estadísticos: teoría y práctica, Cambridge
University Press, 2009.
[90] O. Maimon, L. Rokach, Minería de datos con árboles de decisión: teoría y
aplicaciones (2008).
[91] SR Safavian, D. Landgrebe, Una encuesta sobre la metodología del clasificador de
árboles de decisión.
[92] VN Vapnik, V. Vapnik, Teoría del aprendizaje estadístico, vol. 1, Wiley Nueva York,
1998.
[93] DT Larose, algoritmo de vecino k-más cercano, Discovering Knowledge in
Data: An Introduction to Data Mining (2005) 90-106.
[94] MH Dunham, Minería de datos: temas introductorios y avanzados, Pearson
Education India, 2006.
[95] SS Haykin, SS Haykin, SS Haykin, SS Haykin, Redes neuronales y máquinas
de aprendizaje, vol. 3, Educación Pearson Upper Saddle River,
2009.
[96] K. Hornik, M. Stinchcombe, H. White, Las redes de alimentación de múltiples
capas son aproximadores universales, Neural Netw. 2 (5) (1989) 359–366. doi:
10.1016 / 0893-6080 (89) 90020-8.
URL http://dx.doi.org/10.1016/0893-6080(89)90020-8
[97] F. Jia, Y. Lei, J. Lin, X. Zhou, N. Lu, Redes neuronales profundas: un prometedor
31
herramienta para minería característica de fallas y diagnóstico inteligente de
maquinaria rotativa con datos masivos, Sistemas Mecánicos y Procesamiento de
Señales 72 (2016) 303–315.
[98] I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press,
2016, http://www.deeplearningbook.org.
[99] T. Schaul, I. Antonoglou, D. Silver, Pruebas unitarias para optimización
estocástica, preprint arXiv arXiv: 1312.6055.
[100] N. Srivastava, GE Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdi- nov,
Abandono: una forma sencilla de evitar el sobreajuste de las redes
neuronales, Journal of Machine Learning Research 15 (1) (2014) 1929-1958.
[101] DE Rumelhart, GE Hinton, RJ Williams, et al., Representaciones de aprendizaje
mediante errores de retropropagación, Modelado cognitivo 5 (3) (1988)
1.
[102] U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, El proceso kdd para extraer
conocimiento útil de volúmenes de datos, Communications of the ACM 39
(11) (1996) 27–34.
[103] K.-LA Yau, P. Komisarczuk, PD Teal, Aprendizaje reforzado para la
conciencia del contexto y la inteligencia en redes inalámbricas: revisión,
nuevas funciones y problemas abiertos, Journal of Network and Computer
Applications 35 (1) (2012) 253–267 .
[104] GKK Venayagamoorthy, Un curso interdisciplinario exitoso sobre
inteligencia coputacional, Computational Intelligence Magazine, IEEE 4 (1)
(2009) 14-23.
[105] EJ Khatib, R. Barco, P. Muñoz, L. Bandera, I. De, I. Serrano, Autocuración en
redes móviles con big data, Revista Comunicaciones, IEEE 54 (1) (2016)
114–120.
[106] A. Fö¨rster, Técnicas de aprendizaje automático aplicadas a redes
inalámbricas ad-hoc: Guía y encuesta, en: Sensores inteligentes, redes de
sensores e información, 2007. ISSNIP 2007. 3ª Conferencia internacional
sobre, IEEE, 2007, págs. 365 –370.
[107] RV Kulkarni, A. Fö¨rster, GK Venayagamoorthy, Inteligencia computacional
en redes de sensores inalámbricos: una encuesta, Encuestas y tutoriales de
comunicaciones, IEEE 13 (1) (2011) 68–96.
[108] KM Thilina, KW Choi, N. Saquib, E. Hossain, Técnicas de aprendizaje automático
para la detección cooperativa del espectro en redes de radio cognitivas, Áreas
seleccionadas en las comunicaciones, IEEE Journal on 31 (11) (2013) 2209–2221.
[109] C. Clancy, J. Hecker, E. Stuntebeck, TO Shea, Aplicaciones del aprendizaje
automático a las redes de radio cognitivas, Comunicaciones inalámbricas, IEEE 14
(4) (2007) 47–52.
[110] T. Anagnostopoulos, C. Anagnostopoulos, S. Hadjiefthymiades,
M. Kyriakakos, A. Kalousis, Predicción de la ubicación de los usuarios móviles: un
enfoque de aprendizaje automático, en: Actas de la conferencia internacional de
2009 sobre servicios generalizados, ACM, 2009, págs. 65–72.
[111] V. Esteves, A. Antonopoulos, E. Kartsakli, M. Puig-Vidal, P. Miribel- Català`, C.
Verikoukis, Cosecha de energía cooperativa-protocolo de mac adaptativo
para wbans, Sensores 15 (6) (2015) 12635 –12650.
[112] T. Liu, AE Cerpa, Predicción de la calidad del enlace adaptativo temporal
con aprendizaje en línea, ACM Trans. Sen. Netw. 10 (3) (2014) 1–41. doi:
10.1145 / 2594766.
URL http://doi.acm.org/10.1145/2594766
[113] X. Chen, X. Xu, JZ Huang, Y. Ye, Tw-k-means: algoritmo automatizado de agrupación en
clústeres de ponderación variable de dos niveles para datos multivista, Ingeniería de
datos y conocimientos, IEEE Transactions on 25 (4) (2013) 932– 944.
[114] F. Vanheel, J. Verhaevert, E. Laermans, I. Moerman, P. Demeester, Las
herramientas de regresión lineal automatizadas mejoran la localización de rssi
wsn en entornos interiores de múltiples rutas, EURASIP Journal on Wireless
Communications and Networking 2011 (1) (2011) 1 –27.
[115] S. Tennina, M. Di Renzo, E. Kartsakli, F. Graziosi, AS Lalos,
A. Antonopoulos, PV Mekikis, L. Alonso, Wsn4qol: una arquitectura de
sistema de salud orientada a wsn, Revista Internacional de Redes de
Sensores Distribuidos 2014.
[116] P. Blasco, D. Gunduz, M. Dohler, Un enfoque teórico del aprendizaje para la
optimización del sistema de comunicación de recolección de energía,
Comunicaciones inalámbricas, Transacciones IEEE en 12 (4) (2013) 1872–1882.
[117] K. Levis, Rssi es poco apreciado, en: Proceedings of the Third Work- shop
on Embedded Networked Sensors, Cambridge, MA, USA, vol.
3031, 2006, pág. 239242.
[118] D. Bega, M. Gramaglia, M. Fiore, A. Banchs, X. Costa-Perez, Deepcog:
Gestión de redes cognitivas en redes 5g segmentadas con aprendizaje
profundo, en: IEEE INFOCOM, 2019.
[119] M. Crotti, M. Dusi, F. Gringoli, L. Salgarelli, Tra ffi c clasificación mediante
huellas dactilares estadísticas simples, ACM SIGCOMM Computer
Communication Review 37 (1) (2007) 5–16.
[120] N. Baldo, BR Tamma, B. Manoj, RR Rao, M. Zorzi, Un controlador cognitivo basado en
redes neuronales para la selección dinámica de canales, en: 2009 IEEE International
Conference on Communications, IEEE, 2009, págs. 1–
5.
[121] MH Alizai, O. Landsiedel, J. Á ´. B. Link, S. Gö¨tz, K. Wehrle, Bursty
tra ffi c sobre enlaces en ráfagas, en: Actas de la 7ª Conferencia de ACM sobre
sistemas de sensores integrados en red, ACM, 2009, págs. 71–84.
[122] R. Fonseca, O. Gnawali, K. Jamieson, P. Levis, Estimación de enlace inalámbrico de
cuatro bits., En: HotNets, 2007.
[123] MM Ramon, T. Atwood, S. Barbin, CG Christodoulou, Clasificación de
señales con un svm- ff t enfoque para la extracción de características en
radio cognitiva, en: Conferencia sobre microondas y optoelectrónica
(IMOC), 2009 SBMO / IEEE MTT-S International, IEEE, 2009, págs. 286–289.
[124] LC Jatoba, U. Grossmann, C. Kunze, J. Ottenbacher, W. Stork, Monitoreo de salud
móvil consciente del contexto: evaluación de di ff Los diferentes métodos de
reconocimiento de patrones para la clasificación de la actividad física, en:
Sociedad de Ingeniería en Medicina y Biología, 2008. EMBS 2008. 30ª Conferencia
Internacional Anual de la IEEE, IEEE, 2008, págs. 5250–5253.
[125] AA Abbasi, M. Younis, Una encuesta sobre algoritmos de agrupamiento para redes de
sensores inalámbricos, Comunicaciones por computadora 30 (14) (2007) 2826–2841.
[126] R. Xu, D. Wunsch, et al., Estudio de algoritmos de agrupamiento, Redes
neuronales, Transacciones IEEE en 16 (3) (2005) 645–678.
[127] N. Kimura, S. Lati fi, Una encuesta sobre la compresión de datos en redes de sensores
inalámbricos, en: Tecnología de la información: Codificación y Computación, 2005. ITCC
2005. Conferencia Internacional sobre, Vol. 2, IEEE, 2005, págs. 8-13.
[128] M. Ester, H.-P. Kriegel, J. Sander, X. Xu, et al., Un algoritmo basado en densidad
para descubrir conglomerados en grandes bases de datos espaciales con ruido.,
En: Kdd, Vol. 96, 1996, págs. 226-231.
[129] Y. Zhang, N. Meratnia, P. Havea, Técnicas de detección de valores atípicos para
redes de sensores inalámbricos: una encuesta, Encuestas de comunicaciones y
Tu- toriales, IEEE 12 (2) (2010) 159-170.
[130] G.-B. Huang, Q.-Y. Zhu, C.-K. Siew, Extreme learning machine: un nuevo esquema
de aprendizaje de redes neuronales feedforward, en: Neural Networks,
2004. Actas. 2004 IEEE International Joint Conference on, vol. 2, IEEE, 2004,
págs. 985–990.
[131] S. Rajendran, W. Meert, V. Prestamistas, S. Pollin, Detección de anomalías del
espectro inalámbrico sin supervisión con características interpretables,
Transacciones IEEE sobre comunicaciones cognitivas y redes.
[132] MD Wong, AK Nandi, Reconocimiento automático de modulación digital
utilizando una red neuronal artificial y un algoritmo genético, Procesamiento de
señales 84 (2) (2004) 351–365.
[133] L.-X. Wang, Y.-J. Ren, Reconocimiento de señales de modulación digital basadas
en acumuladores de alto orden y máquinas de vectores de soporte, en: Coloquio
Internacional ISECS 2009 sobre Computación, Comunicación, Control y Gestión,
Vol. 4, IEEE, 2009, págs. 271–274.
[134] TS Tabatabaei, S. Krishnan, A. Anpalagan, clasificación de señales de
modulación digital basada en Svm, en: 2010 IEEE International Conference
on Systems, Man and Cybernetics, IEEE, 2010, págs. 277–280.
[135] K. Hassan, I. Dayoub, W. Hamouda, M. Berbineau, Reconocimiento automático de
modulación usando transformada de wavelet y redes neuronales en sistemas
inalámbricos, EURASIP Journal on Advances in Signal Processing 2010 (1) (2010)
532898.
[136] A. Aubry, A. Bazzoni, V. Carotenuto, A. De Maio, P. Failla, Identificación de emisor
específico de radar basado en acumulantes, en: 2011 IEEE International
Workshop on Information Forensics and Security, IEEE, 2011, págs. 1-6 .
[137] JJ Popoola, R. Van Olst, Un nuevo método de detección de modulación, IEEE
Vehicular Technology Magazine 6 (3) (2011) 60–69.
[138] MW Aslam, Z. Zhu, AK Nandi, Clasificación de modulación automática utilizando
una combinación de programación genética y knn, Transacciones IEEE en
comunicaciones inalámbricas 11 (8) (2012) 2742–2750.
[139] MH Valipour, MM Homayounpour, MA Mehralian, Reconocimiento
automático de modulación digital en presencia de ruido usando svm y pso,
en: 6to Simposio Internacional de Telecomunicaciones (IST), IEEE,
2012, págs. 378–382.
[140] JJ Popoola, R. van Olst, E ff El efecto de los algoritmos de entrenamiento en el rendimiento
de una clasificación de modulación automática desarrollada utilizando una red neuronal
artificial, en: 2013 Africon, IEEE, 2013, págs. 1-6.
[141] U. Satija, M. Mohanty, B. Ramkumar, clasi fi cación de modulación automática
32
ción utilizando características basadas en la transformación s, en: 2015 2da Conferencia
Internacional sobre Procesamiento de Señales y Redes Integradas (SPIN), IEEE, 2015,
págs. 708–712.
[142] T. O'Shea, T. Roy, TC Clancy, Aprendizaje de detección robusta de señales de radio
generales mediante métodos de visión por computadora, en: 51ª Conferencia de
Asilomar sobre señales, sistemas y computadoras de 2017, IEEE, 2017, págs. 829–832.
[143] S. Hassanpour, AM Pezeshk, F. Behnia, Reconocimiento automático de
modulación digital basado en características novedosas y máquina de vectores
de soporte, en: 2016 12th International Conference on Signal-Image Technology
& Internet-Based Systems (SITIS), IEEE, 2016, págs. 172-177.
[144] TJ OShea, J. Corgan, TC Clancy, Redes de reconocimiento de modulación de radio
convolucional, en: Conferencia internacional sobre aplicaciones de ingeniería de
redes neuronales, Springer, 2016, págs. 213–226.
[145] B. Kim, J. Kim, H. Chae, D. Yoon, JW Choi, técnica de clasificación de modulación
automática basada en redes neuronales profundas, en: Conferencia internacional
de 2016 sobre convergencia de tecnologías de la información y la comunicación
(ICTC), IEEE, 2016, págs. 579–582.
[146] S. Peng, H. Jiang, H. Wang, H. Alwageed, Y.-D. Yao, Clasificación de modulación
utilizando un modelo de aprendizaje profundo basado en redes neuronales
convolucionales, en: 26th Wireless and Optical Communication Conference
(WOCC) de 2017, IEEE, 2017, págs. 1–5.
[147] A. Ali, F. Yangyu, Clasificación de modulación automática usando aprendizaje
profundo basado en autocodificadores dispersos con restricciones de no
negatividad, IEEE Signal Processing Letters 24 (11) (2017) 1626–1630.
[148] X. Liu, D. Yang, A. El Gamal, Arquitecturas de redes neuronales profundas para la
clasificación de modulación, en: 2017 51st Asilomar Conference on Sig- nals,
Systems, and Computers, IEEE, 2017, págs. 915–919.
[149] T. OShea, J. Hoydis, Introducción al aprendizaje profundo para la capa
física, IEEE Transactions on Cognitive Communications and Networking 3
(4) (2017) 563–575.
[150] NE West, T. O'Shea, Arquitecturas profundas para el reconocimiento de
modulación, en: Simposio internacional de IEEE 2017 sobre redes de acceso al
espectro dinámico (DySPAN), IEEE, 2017, págs. 1–6.
[151] K. Karra, S. Kuzdeba, J. Petersen, Reconocimiento de modulación mediante redes
neuronales profundas jerárquicas, en: Simposio internacional IEEE 2017 sobre
redes de acceso al espectro dinámico (DySPAN), IEEE, 2017, págs. 1-3.
[152] SC Hauser, WC Headley, AJ Michaels, detección de señales e ff efectos sobre redes
neuronales profundas que utilizan coeficiente intelectual sin procesar para la
clasificación de modulación, en: MILCOM 2017-2017 IEEE Military Communications
Conference (MILCOM), IEEE, 2017, págs. 121–127.
[153] F. Paisana, A. Selim, M. Kist, P. Alvarez, J. Tallon, C. Bluemm,
A. Puschmann, L. DaSilva, Radio cognitiva sensible al contexto que utiliza el
aprendizaje profundo, en: Simposio internacional de IEEE 2017 sobre redes de
acceso dinámico al espectro (DySPAN), IEEE, 2017, págs. 1–2.
[154] Y. Zhao, L. Wui, J. Zhang, Y. Li, Identificación de emisor específico usando
características geométricas de la curva de deriva de frecuencia, Boletín de la
Academia Polaca de Ciencias. Ciencias técnicas 66 (1).
[155] K. Youssef, L. Bouchard, K. Haigh, J. Silovsky, B. Thapa, C. Vander Valk,
Enfoque de aprendizaje automático para la identificación de transmisores
de rf, IEEE Journal of Radio Frequency Identi fi cation 2 (4) (2018) 197– 205.
[156] J. Jagannath, N. Polosky, D. O'Connor, LN Theagarajan, B. Sheaffer, S. Foulke, PK
Varshney, Clasificación de modulación automática basada en redes neuronales
artificiales sobre un banco de pruebas de radio definido por software, en: 2018
IEEE International Conference on Communications (ICC), IEEE, 2018, págs. 1–6.
[157] TJ OShea, T. Roy, TC Clancy, Clasificación de señales de radio basada en
aprendizaje profundo por aire, IEEE Journal of Selected Topics in Signal
Processing 12 (1) (2018) 168–179.
[158] P. San Cheong, M. Camelo, S. Latré´, Evaluación de redes neuronales profundas
para clasificar señales de radio moduladas y codificadas, en: International
Conference on Cognitive Radio Oriented Wireless Networks, Springer, 2018, págs.
177–188.
[159] OS Mossad, M. ElNainay, M. Torki, Red neuronal convolucional profunda con
esquema de aprendizaje multitarea para el reconocimiento de modulaciones.
[160] S. Rajendran, W. Meert, D. Giustiniano, V. Prestamistas, S. Pollin, Modelos de
aprendizaje profundo para la clasificación de señales inalámbricas con sensores
de espectro distribuidos de bajo costo, Transacciones IEEE sobre comunicaciones
cognitivas y redes 4 (3) (2018 ) 433–445.
[161] B. Tang, Y. Tu, Z. Zhang, Y. Lin, Clasificación de modulación de señal digital
con aumento de datos utilizando redes generativas adversarias en redes
de radio cognitivas, IEEE Access 6 (2018) 15713-15722.
[162] D. Zhang, W. Ding, B. Zhang, C. Xie, H. Li, C. Liu, J. Han, Clasificación de
modulación automática basada en el aprendizaje profundo para vehículos aéreos
no tripulados, Sensores 18 (3) (2018) 924.
[163] S. Peng, H. Jiang, H. Wang, H. Alwageed, Y. Zhou, MM Sebdani, Y.-
D. Yao, Clasificación de modulación basada en diagramas de constelación de señales y
aprendizaje profundo, transacciones IEEE en redes neuronales y sistemas de aprendizaje
(99) (2018) 1-10.
[164] S. Duan, K. Chen, X. Yu, M. Qian, Clasificación automática de formas de onda
multiportadora mediante pca y redes neuronales convolucionales, IEEE Access 6
(2018) 51365–51373.
[165] F. Meng, P. Chen, L. Wu, X. Wang, Clasificación de modulación automática: un
enfoque habilitado para el aprendizaje profundo, IEEE Transactions on Vehicular
Technology 67 (11) (2018) 10760–10772.
[166] Y. Wu, X. Li, J. Fang, Un enfoque de aprendizaje profundo para el reconocimiento de
modulación mediante la explotación de correlaciones temporales, en: 2018 IEEE 19º
Taller internacional sobre avances en el procesamiento de señales en las
comunicaciones inalámbricas (SPAWC), IEEE, 2018, págs. 1–5.
[167] H. Wu, Q. Wang, L. Zhou, J. Meng, clasificación de modulación de señal de radio
Vhf basada en redes neuronales de convolución, en: Matec Web of Conferences,
vol. 246, EDP Sciences, 2018, pág. 03032.
[168] M. Zhang, Y. Zeng, Z. Han, Y. Gong, Reconocimiento automático de modulación
utilizando arquitecturas de aprendizaje profundo, en: 2018 IEEE 19o Taller internacional
sobre avances en el procesamiento de señales en las comunicaciones inalámbricas
(SPAWC), IEEE, 2018, págs. 1-5.
[169] M. Li, O. Li, G. Liu, C.Zhang, Reconocimiento automático de modulación
semi-supervisado basado en redes generativas adversas para redes de radio
cognitivas, Sensores 18 (11) (2018) 3913.
[170] M. Li, G. Liu, S. Li, Y. Wu, Radio clasificar redes generativas adversas: un
método semi-supervisado para el reconocimiento de modulación, en: 2018
IEEE 18th International Conference on Communication Technology (ICCT),
IEEE, 2018 , págs. 669–672.
[171] K. Yashashwi, A. Sethi, P. Chaporkar, Un módulo de corrección de distorsión que
se puede aprender para el reconocimiento de modulación, IEEE Wireless
Communications Letters 8 (1) (2019) 77–80.
[172] M. Sadeghi, EG Larsson, Ataques adversarios en la clasificación de señales de
radio basada en el aprendizaje profundo, IEEE Wireless Communications Letters
8 (1) (2019) 213–216.
[173] S. Ramjee, S. Ju, D. Yang, X. Liu, AE Gamal, YC Eldar, Aprendizaje profundo
rápido para la clasificación automática de modulación, preprint arXiv arXiv:
1901.05850.
[174] TJ O'Shea, T. Roy, T. Erpek, Detección espectral y localización de eventos de radio
con características neuronales convolucionales aprendidas, en: 25th European
Signal Processing Conference (EUSIPCO) de 2017, IEEE, 2017, pp. 331–335.
[175] N. Bitar, S. Muhammad, HH Refai, Identificación de tecnología inalámbrica
mediante redes neuronales convolucionales profundas, en: 28 ° Simposio
Internacional Anual sobre Comunicaciones de Radio Personales, Interiores y
Móviles de la IEEE 2017 (PIMRC), IEEE, 2017, págs. 1 –6.
[176] M. Schmidt, D. Block, U. Meier, identificación de interferencia inalámbrica
con redes neuronales convolucionales, preprint arXiv arXiv: 1703.00737.
[177] D. Han, GC Sobabe, C. Zhang, X. Bai, Z. Wang, S. Liu, B. Guo, Detección de
espectro para radio cognitiva basada en la red neuronal convolucional, en:
2017 X Congreso Internacional de Imagen y Señal Procesamiento,
Ingeniería Biomédica e Informática (CISP-BMEI), IEEE,
2017, págs. 1–6.
[178] S. Grunau, D. Block, U. Meier, Clasificación de interferencias inalámbricas de
múltiples etiquetas con redes neuronales convolucionales, en: 16ª Conferencia
Internacional de Informática Industrial (INDIN) de IEEE 2018, IEEE, 2018, págs.
187-192 .
[179] H. Sun, X. Chen, Q. Shi, M. Hong, X. Fu, ND Sidiropoulos, Aprendiendo a optimizar:
Entrenamiento de redes neuronales profundas para la gestión de interferencias,
IEEE Transactions on Signal Processing 66 (20) (2018) 5438 -
5453.
[180] S. Yi, H. Wang, W. Xue, X. Fan, L. Wang, J. Tian, R. Matsukura, Identificación de
fuente de interferencia para ieee 802.15. 4 redes de sensores inalámbricos que
utilizan el aprendizaje profundo, en: 29º Simposio Internacional Anual de IEEE
2018 sobre Comunicaciones de Radio Personales, Interiores y Móviles (PIMRC),
IEEE, 2018, págs. 1–7.
[181] V. Maglogiannis, A. Shahid, D. Naudts, E. De Poorter, I. Moerman, Mejora
de la coexistencia de lte y wi- fi en espectro sin licencia a través de redes
neuronales convolucionales, IEEE Access 7 (2019) 28464–28477.
33
[182] DDZ Soto, OJS Parra, DAL Sarmiento, Detección del comportamiento de los
usuarios primarios para la intervención del usuario secundario mediante el
aprendizaje automático, en: International Conference on Future Data and
Security Engineering, Springer, 2018, pp. 200–213 .
[183] W. Lee, Asignación de recursos para una red de radio cognitiva subyacente
multicanal basada en una red neuronal profunda, IEEE Communications Letters
22 (9) (2018) 1942-1945.
[184] OP Awe, A. Deligiannis, S. Lambotharan, Detección del espectro espacio-temporal
en redes de radio cognitivas usando algoritmos svm asistidos por formadores de
haz, IEEE Access 6 (2018) 25377–25388.
[185] W. Lee, M. Kim, D.-H. Cho, Detección cooperativa profunda: detección cooperativa
del espectro basada en redes neuronales convolucionales, transacciones IEEE
sobre tecnología vehicular 68 (3) (2019) 3005–3009.
[186] J. Fontaine, E. Fonseca, A. Shahid, M. Kist, LA DaSilva, I. Moerman,
E. De Poorter, Hacia la clasificación de tecnología inalámbrica de baja
complejidad en múltiples entornos, Ad Hoc Networks 91 (2019) 101881.
[187] Z. Yang, Y.-D. Yao, S. Chen, H. He, D. Zheng, Clasificación del protocolo Mac
en una red de radio cognitiva, en: La 19ª Conferencia Anual de
Comunicaciones Ópticas e Inalámbricas (WOCC 2010), IEEE, 2010, págs. 1-5.
[188] S. Hu, Y.-D. Yao, Z. Yang, enfoque de identificación de protocolo Mac para la
implementación de radio cognitiva inteligente, en: IEEE International Conference
on Communications (ICC) 2012, IEEE, 2012, págs. 5608–5612.
[189] S. Hu, Y.-D. Yao, Z. Yang, identificación del protocolo Mac usando máquinas de
vectores de soporte para redes de radio cognitivas, Comunicaciones Inalámbricas
IEEE 21 (1) (2014) 52–60.
[190] SA Rajab, W. Balid, MO Al Kalaa, HH Refai, Detección de energía y aprendizaje automático
para la identificación de tecnologías mac inalámbricas, en: Conferencia internacional de
comunicaciones inalámbricas e informática móvil (IWCMC) de 2015, IEEE, 2015, págs.
1440–1446 .
[191] S. Rayanchu, A. Patro, S. Banerjee, Airshark: detección de dispositivos no
inalámbricos utilizando hardware Wi-Fi básico, en: Actas de la conferencia
ACM SIGCOMM de 2011 sobre medición de Internet, ACM,
2011, págs. 137-154.
[192] F. Hermans, O. Rensfelt, T. Voigt, E. Ngai, L.-Å. Norden, P. Gunningberg,
Sonic: clasificando la interferencia en 802.15. 4 redes de sensores, en: Actas
de la 12ª conferencia internacional sobre procesamiento de información en
redes de sensores, ACM, 2013, págs. 55–66.
[193] X. Zheng, Z. Cao, J. Wang, Y. He, Y. Liu, Zisense: Hacia el ciclo de trabajo resistente
a la interferencia en redes de sensores inalámbricos, en: Actas de la 12a
Conferencia de ACM sobre sistemas de sensores de red integrados, ACM,
2014, págs. 119-133.
[194] A. Hithnawi, H. Shafagh, S. Duquennoy, Tiim: mitigación de interferencia
independiente de la tecnología para redes inalámbricas de baja potencia, en:
Actas de la 14a Conferencia Internacional sobre Procesamiento de Información
en Redes de Sensores, ACM, 2015, págs. 1 –12.
[195] R. Mennes, M. Camelo, M. Claeys, S. Latre, Un programador mac mf-tdma
basado en redes neuronales para redes inalámbricas colaborativas, en:
2018 IEEE Wireless Communications and Networking Conference (WCNC),
IEEE, 2018, págs. 1–6.
[196] S. Wang, H. Liu, PH Gomes, B. Krishnamachari, Aprendizaje de refuerzo
profundo para el acceso multicanal dinámico en redes inalámbricas, IEEE
Transactions on Cognitive Communications and Networking 4 (2) (2018)
257–265.
[197] S. Xu, P. Liu, R. Wang, SS Panwar, Programación en tiempo real y asignación de
energía mediante redes neuronales profundas, preprint arXiv arXiv: 1811.07416.
[198] Y. Yu, T. Wang, SC Liew, Acceso múltiple de aprendizaje por refuerzo profundo
para redes inalámbricas heterogéneas, IEEE Journal on Selected Areas in
Communications.
[199] Y. Zhang, J. Hou, V. Towhidlou, M. Shikh-Bahaei, Un esquema de selección de
modo adaptativo basado en predicciones de redes neuronales en redes
cognitivas full-duplex, IEEE Transactions on Cognitive Communications and
Networking.
[200] R. Mennes, M. Claeys, FA De Figueiredo, I. Jabandžˇić´, I. Moerman,
S. Latré´, prevención de colisiones de predicción de espectro basada en aprendizaje
profundo para entornos inalámbricos híbridos, IEEE Access 7 (2019) 45818–45830.
[201] T. Liu, AE Cerpa, Talento: Estimador de enlace adaptativo temporal sin
formación, en: Actas de la 10ª Conferencia de ACM sobre sistemas de
sensores de red integrados, ACM, 2012, págs. 253–266.
[202] A. Adeel, H. Larijani, A. Javed, A. Ahmadinia, Análisis crítico de algoritmos de aprendizaje en un
motor cognitivo basado en redes neuronales aleatorias para lte
 sistemas, en: 2015 IEEE 81st Vehicular Technology Conference (VTC Spring),
IEEE, 2015, págs. 1–5.
[203] L. Pierucci, D. Micheli, Una red neuronal para la estimación de la calidad de la
experiencia en las comunicaciones móviles, IEEE MultiMedia 23 (4) (2016) 42–49.
[204] M. Qiao, H. Zhao, S. Wang, J. Wei, selección de protocolo Mac basada en
aprendizaje automático en redes de radio cognitivas, en: 19º Simposio
Internacional sobre Comunicaciones Multimedia Personales Inalámbricas
(WPMC) de 2016, IEEE, 2016, págs. 453–458.
[205] M. Kulin, E. De Poorter, T. Kazaz, I. Moerman, Póster: Towards a cog- nitive
mac layer: Predicción del rendimiento a nivel de mac en wsn dinámico
utilizando aprendizaje automático, en: Actas de la Conferencia
Internacional de 2017 on Embedded Wireless Systems and Networks,
Junction Publishing, 2017, págs. 214–215.
[206] A. Akbas, HU Yildiz, AM Ozbayoglu, B. Tavli, Predicción de parámetros
instantáneos basada en redes neuronales para modelos de optimización de
redes de sensores inalámbricos, Wireless Networks (2018) 1-14.
[207] BR Al-Kaseem, HS Al-Raweshidy, Y. Al-Dunainawi, K. Banitsas, Un nuevo
enfoque inteligente para optimizar los parámetros de capa mac de
6lowpan, IEEE Access 5 (2017) 16229–16240.
[208] MM Rathore, A. Ahmad, A. Paul, G. Jeon, E ffi cient transporte inteligente
orientado a gráficos utilizando Internet de las cosas generó big data, en:
2015 11th International Conference on Signal-Image Technology &
Internet-Based Systems (SITIS), IEEE, 2015, pp. 512–519.
[209] G. Amato, F. Carrara, F. Falchi, C. Gennaro, C. Meghini, C. Vairo, Aprendizaje profundo
para la detección de ocupación de estacionamientos descentralizados, Sistemas expertos
con aplicaciones 72 (2017) 327–334.
[210] G. Mittal, KB Yagnik, M. Garg, NC Krishnan, Spotgarbage: aplicación de teléfono
inteligente para detectar basura mediante aprendizaje profundo, en: Actas de la
Conferencia conjunta internacional ACM 2016 sobre computación ubicua y
ubicua, ACM, 2016, págs. 940 –945.
[211] JM Gillis, SM Alshareef, WG Morsi, Monitoreo de carga no intrusivo
mediante diseño de ondas y aprendizaje automático, IEEE Transactions on
Smart Grid 7 (1) (2016) 320–328.
[212] J. Lv, W. Yang, D. Man, Identificación de identidad pasiva sin dispositivo a través de
señales de wi-fi, Sensores 17 (11) (2017) 2520.
[213] H. Jafari, O. Omotere, D. Adesina, H.-H. Wu, L. Qian, huellas dactilares de
dispositivos Iot mediante aprendizaje profundo, en: MILCOM2018-2018
IEEEMilitary Communications Conference (MILCOM), IEEE, 2018, págs. 1–9.
[214] K. Merchant, S. Revay, G. Stantchev, B. Nousain, Aprendizaje profundo para
huellas dactilares de dispositivos rf en redes de comunicación cognitiva, IEEE
Journal of Selected Topics in Signal Processing 12 (1) (2018) 160–167.
[215] VL Thing, Ieee 802.11 detección de anomalías en la red y clasificación de ataques:
un enfoque de aprendizaje profundo, en: 2017 IEEE Wireless Communications
and Networking Conference (WCNC), IEEE, 2017, págs. 1–6.
[216] AS Uluagac, SV Radhakrishnan, C. Corbett, A. Baca, R. Beyah, Una técnica pasiva
para la toma de huellas dactilares de dispositivos inalámbricos con observaciones
del lado cableado, en: 2013 IEEE conference on communications and network
security (CNS), IEEE, 2013 , págs. 305–313.
[217] B. Bezawada, M. Bachani, J. Peterson, H. Shirazi, I. Ray, I. Ray, Behav- ioral
fingerprinting of iot devices, en: Proceedings of the 2018Workshop on
Attacks and Solutions in Hardware Security, ACM, 2018, págs. 41–50.
[218] S. Riyaz, K. Sankhe, S. Ioannidis, K. Chowdhury, Redes neuronales formales de
aprendizaje profundo para la identificación de radio, IEEE Communications
Magazine 56 (9) (2018) 146-152.
[219] X. Wang, L. Gao, S. Mao, Phase fi: Phase fingerprinting para la localización en
interiores con un enfoque de aprendizaje profundo, en: IEEE Global
Communications Conference 2015 (GLOBECOM), IEEE, 2015, págs. 1-6.
[220] X. Wang, L. Gao, S. Mao, Impresión digital de fase Csi para localización en
interiores con un enfoque de aprendizaje profundo, IEEE Internet of Things
Journal 3 (6) (2016) 1113–1123.
[221] X. Wang, L. Gao, S. Mao, S. Pandey, Huellas dactilares basadas en Csi para localización en
interiores: un enfoque de aprendizaje profundo, IEEE Transactions on Vehicular
Technology 66 (1) (2017) 763–776.
[222] X. Wang, L. Gao, S. Mao, S. Pandey, Deep fi: Deep learning for indoor
fingerprinting using channel state information, en: Conferencia de redes y
comunicaciones inalámbricas IEEE 2015 (WCNC), IEEE, 2015, págs.
1666–1671 .
[223] J. Wang, X. Zhang, Q. Gao, H. Yue, H. Wang, Reconocimiento de actividad y
localización inalámbrica sin dispositivos: un enfoque de aprendizaje profundo,
IEEE Transactions on Vehicular Technology 66 (7) (2017) 6258–6267.
34
[224] W. Zhang, K. Liu, W. Zhang, Y. Zhang, J. Gu, Redes neuronales profundas para la
localización inalámbrica en entornos interiores y exteriores, Neurocomputing 194
(2016) 279–287.
[225] Y. Zeng, PH Pathak, P. Mohapatra, Wiwho: identificación de personas basada en
wi fi en espacios inteligentes, en: Actas de la 15a Conferencia Internacional sobre
Procesamiento de Información en Redes de Sensores, IEEE Press, 2016,
pag. 4.
[226] M. Zhao, T. Li, M. Abu Alsheikh, Y. Tian, H. Zhao, A. Torralba,
D. Katabi, Estimación de la pose humana a través de la pared mediante señales de radio,
en: Actas de la Conferencia IEEE sobre Visión por Computadora y Reconocimiento de
Patrones, 2018, págs. 7356–7365.
[227] J. Lv, D. Man, W. Yang, L. Gong, X. Du, M. Yu, Detección robusta de intrusiones sin
dispositivos utilizando información de la capa física de señales wi-fi, Ciencias
aplicadas 9 (1) (2019) 175 .
[228] M. Shahzad, S. Zhang, Aumento de la identificación del usuario con
reconocimiento de gestos basado en wifi, Actas del ACM sobre tecnologías
interactivas, móviles, portátiles y ubicuas 2 (3) (2018) 134.
[229] W. Wang, AX Liu, M. Shahzad, K. Ling, S. Lu, Comprensión y modelado del
reconocimiento de actividad humana basado en señales Wi-Fi, en: Actas de
la 21a conferencia internacional anual sobre computación móvil y redes,
ACM, 2015 , págs. 65–76.
[230] O. Ozdemir, R. Li, PK Varshney, Clasificación de modulación de máxima
verosimilitud híbrida usando múltiples radios, IEEE Communications
Letters 17 (10) (2013) 1889–1892.
[231] O. Ozdemir, T. Wimalajeewa, B. Dulek, PK Varshney, W. Su, Clasi fi cación de
modulación lineal asíncrona con múltiples sensores a través del algoritmo
em generalizado, IEEE Transactions on Wireless Communications 14 (11)
(2015) 6389–6400 .
[232] T. Wimalajeewa, J. Jagannath, PK Varshney, A. Drozd, W. Su, Clasificación de
modulación asincrónica distribuida basada en un enfoque híbrido de
máxima verosimilitud, en: MILCOM 2015-2015 IEEE Military
Communications Conference, IEEE, 2015, págs. 1519-1523.
[233] E. Azzouz, AK Nandi, Reconocimiento automático de modulación de señales
de comunicación, Springer Science & Business Media, 2013.
[234] H. Alharbi, S. Mobien, S. Alshebeili, F. Alturki, Clasificación de modulación
automática de modulaciones digitales en presencia de ruido de alta frecuencia,
EURASIP Journal on Advances in Signal Processing 2012 (1) (2012) 238.
[235] SP Chepuri, R. De Francisco, G. Leus, Evaluación del desempeño de un ieee
802.15. 4 radioenlace cognitivo en la banda de 2360-2400 mhz, en: 2011
IEEE Wireless Communications and Networking Conference, IEEE,
2011, págs. 2155–2160.
[236] OA Dobre, A. Abdi, Y. Bar-Ness, W. Su, Estudio de las técnicas de
clasificación de modulación automática: enfoques clásicos y nuevas
tendencias, comunicaciones IET 1 (2) (2007) 137-156.
[237] M. Kulin, T. Kazaz, I. Moerman, E. De Poorter, Aprendizaje de extremo a extremo a partir
de datos de espectro: un enfoque de aprendizaje profundo para la identificación de
señales inalámbricas en aplicaciones de monitoreo de espectro, IEEE Access 6 (2018)
18484– 18501.
[238] A. Selim, F. Paisana, JA Arokkiam, Y. Zhang, L. Doyle, LA DaSilva, Monitoreo del
espectro para bandas de radar usando redes neuronales convolucionales
profundas, preprint arXiv arXiv: 1705.00462.
[239] IF Akyildiz, W.-Y. Lee, MC Vuran, S. Mohanty, Una encuesta sobre la gestión
del espectro en redes de radio cognitivas, IEEE Communications magazine
46 (4).
[240] P. Ghasemzadeh, S. Banerjee, M. Hempel, H. Sharif, Evaluación del rendimiento
de la clasificación de modulación automática basada en características, en: 2018
12th International Conference on Signal Processing and Communication Systems
(ICSPCS), IEEE, 2018, págs. 1-5.
[241] S. Hu, Y. Pei, PP Liang, Y.-C. Liang, Clasificación de modulación robusta en
condiciones de ruido inciertas utilizando una red neuronal recurrente, en:
2018 IEEEGlobal Communications Conference (GLOBECOM), IEEE, 2018,
págs. 1–7.
[242] X. Zhang, T. Sey fi, S. Ju, S. Ramjee, AE Gamal, YC Eldar, Aprendizaje profundo
para la identificación de interferencias: Banda, entrenamiento snr y selección de
muestras, preprint arXiv arXiv: 1905.08054.
[243] A. Shahid, J. Fontaine, M. Camelo, J. Haxhibeqiri, M. Saelens, Z. Khan,
I. Moerman, E. De Poorter, Un enfoque de red neuronal convolucional para
la clasificación de tecnologías lpwan: Sigfox, lora e ieee 802.15. 4g, en: 16ª
Conferencia Internacional Anual de IEEE sobre Detección, Comunicación y
Redes (SECON) de 2019, IEEE, 2019, págs. 1–8.
[244] K. Tekbiyik, Ö ¨. Akbunar, AR Ekt˙İ, A. Gö¨rç˙İn, GK Kurt, Multi–
 identificación de señal inalámbrica dimensional basada en máquinas de vectores de
soporte, IEEE Access.
[245] PH Isolani, M. Claeys, C. Donato, LZ Granville, S. Latré´, Una encuesta sobre
la programabilidad de protocolos mac inalámbricos, IEEE Communications
Surveys & Tutorials.
[246] C. Cordeiro, K. Challapali, C-mac: Un protocolo mac cognitivo para redes
inalámbricas multicanal, en: 2007 Segundo Simposio Internacional IEEE
sobre Nuevas Fronteras en Redes de Acceso al Espectro Dinámico, IEEE,
2007, pp. 147-157.
[247] M. Hadded, P. Muhlethaler, A. Laouiti, R. Zagrouba, LA Saidane, protocolos
mac basados en Tdma para redes ad hoc vehiculares: una encuesta,
análisis cualitativo y cuestiones de investigación abierta, IEEE
Communications Surveys & Tutorials 17 (4) (2015) 2461–2492.
[248] S.-Y. Lien, C.-C. Tseng, K.-C. Chen, protocolos de acceso múltiple basados en
detección de portadora para redes de radio cognitivas, en: Conferencia
Internacional de Comunicaciones de IEEE 2008, IEEE, 2008, págs. 3208–3214.
[249] N. Jain, SR Das, A. Nasipuri, Un protocolo csma mac multicanal con selección de canales
basada en el receptor para redes inalámbricas multisalto, en: Actas Décima Conferencia
Internacional sobre Comunicaciones y Redes de Computadoras (Cat. No. 01EX495), IEEE,
2001, págs. 432–439.
[250] A. Muqattash, M. Krunz, protocolo mac basado en Cdma para redes
inalámbricas ad hoc, en: Actas del 4º simposio internacional de ACM sobre
redes y computación móviles ad hoc, ACM, 2003, págs. 153-164.
[251] S. Kumar, VS Raghavan, J. Deng, Protocolos de control de acceso medio
para redes inalámbricas ad hoc: una encuesta, redes ad hoc 4 (3) (2006)
326–358.
[252] L. Sitanayah, CJ Sreenan, KN Brown, Er-mac: Un protocolo mac híbrido para
redes de sensores inalámbricos de respuesta a emergencias, en: 2010
Cuarta Conferencia Internacional sobre Tecnologías y Aplicaciones de
Sensores, IEEE, 2010, págs. 244–249.
[253] H. Su, X. Zhang, Protocolos oportunistas de mac para redes inalámbricas basadas
en radio cognitiva, en: 41ª Conferencia Anual de 2007 sobre Ciencias y Sistemas
de la Información, IEEE, 2007, págs. 363–368.
[254] SS Keerthi, SK Shevade, C. Bhattacharyya, KRK Murthy, Mejoras en el
algoritmo smo de platt para el diseño del clasificador svm, Computación
neuronal 13 (3) (2001) 637–649.
[255] H. Wang, F. Xu, Y. Li, P. Zhang, D. Jin, Understanding mobile tra ffi c patrones
de torres celulares a gran escala en entornos urbanos, en: Actas de la
Conferencia de medición de Internet de 2015, ACM, 2015, págs. 225–238.
[256] J. Hu, W. Heng, G. Zhang, C. Meng, Mecanismo para dormir de la estación
base basado en tra ffi c predicción en redes heterogéneas, en: Conferencia
Internacional de Aplicaciones y Redes de Telecomunicación (ITNAC) de
2015, IEEE, 2015, págs. 83–87.
[257] Y. Zang, F. Ni, Z. Feng, S. Cui, Z. Ding, procesamiento de transformada
Wavelet para celular tra ffi c predicción en redes de aprendizaje automático,
en: 2015 IEEE China Summit and International Conference on Signal and
Information Processing (ChinaSIP), IEEE, 2015, págs. 458–462.
[258] F. Xu, Y. Lin, J. Huang, D. Wu, H. Shi, J. Song, Y. Li, Big data drive mobile tra ffi
c comprensión y previsión: un enfoque de series de tiempo, transacciones
IEEE en servicios informáticos 9 (5) (2016) 796–805.
[259] AY Nikravesh, SA Ajila, C.-H. Lung, W. Ding, Predicción del tráfico de redes
móviles usando mlp, mlpwd y svm, en: Congreso Internacional de Big Data
de IEEE 2016 (Congreso de BigData), IEEE, 2016, págs. 402–409.
[260] J. Wang, J. Tang, Z. Xu, Y. Wang, G. Xue, X. Zhang, D. Yang, Predicción y
modelado espaciotemporal en redes celulares: un enfoque de aprendizaje
profundo habilitado para big data, en: IEEE INFOCOM 2017-IEEE
Conference on Computer Communications, IEEE, 2017, págs. 1–9.
[261] C.-W. Huang, C.-T. Chiang, Q. Li, un estudio de las redes de aprendizaje profundo
en el tráfico móvil ffi c pronóstico, en: 28º Simposio Internacional Anual de IEEE
2017 sobre Comunicaciones de Radio Personales, Interiores y Móviles (PIMRC),
IEEE, 2017, págs. 1–6.
[262] C. Zhang, P. Patras, tráfico móvil a largo plazo ffi c pronóstico utilizando
redes neuronales espacio-temporales profundas, en: Actas del
Decimoctavo Simposio Internacional ACM sobre Informática y Redes
Móviles Ad Hoc, ACM, 2018, págs. 231–240.
[263] X. Wang, Z. Zhou, F. Xiao, K. Xing, Z. Yang, Y. Liu, C. Peng, Spatio- análisis
temporal y predicción de tra celular ffi c en metrópolis, IEEE Transactions on
Mobile Computing.
[264] I. Alawe, A. Ksentini, Y. Hadjadj-Aoul, P. Bertin, Improving tra ffi c pronóstico para
la escalabilidad de la red central 5g: un enfoque de aprendizaje automático,
35
Red IEEE 32 (6) (2018) 42–49.
[265] C. Zhang, H. Zhang, D. Yuan, M. Zhang, Tra celular en toda la ciudad ffi c
predicción basada en redes neuronales convolucionales densamente conectadas,
IEEE Communications Letters 22 (8) (2018) 1656–1659.
[266] J. Feng, X. Chen, R. Gao, M. Zeng, Y. Li, Deeptp: una red neuronal de
extremo a extremo para tra ffi c predicción, IEEE Network 32 (6) (2018)
108-115.
[267] Y. Yamada, R. Shinkuma, T. Sato, E. Oki, Priorización de datos basada en la selección de funciones
en el tráfico móvil ffi predicción c utilizando aprendizaje automático, en: 2018 IEEE Global
Communications Conference (GLOBECOM), IEEE,
2018, págs. 1–6.
[268] Y. Hua, Z. Zhao, Z. Liu, X. Chen, R. Li, H. Zhang, Tra ffi c predicción basada en
la conectividad aleatoria en el aprendizaje profundo con memoria larga a
corto plazo, en: 2018 IEEE 88th Vehicular Technology Conference (VTC-Fall),
IEEE, 2019, págs. 1–6.
[269] L. Fang, X. Cheng, H. Wang, L. Yang, predicción de la ventana de tiempo de
inactividad en redes celulares con modelado espacio-temporal profundo, IEEE
Journal on Selected Areas in Communications.
[270] H. Zhang, N. Liu, X. Chu, K. Long, A.-H. Aghvami, VC Leung, Red 5g basada
en segmentaciones de red y futuras redes móviles: movilidad, gestión de
recursos y desafíos, IEEE Communications Magazine 55 (8) (2017) 138–145.
[271] MH Iqbal, TR Soomro, Análisis de macrodatos: perspectiva de la tormenta
Apache, Revista internacional de tendencias y tecnología informática 19 (1) (2015)
9–14.
[272] M. Zaharia, RS Xin, P. Wendell, T. Das, M. Armbrust, A. Dave,
X. Meng, J. Rosen, S. Venkataraman, MJ Franklin, et al., Apache Spark: un
motor unificado para el procesamiento de big data, Communications of the
ACM 59 (11) (2016) 56–65.
[273] R. Ranjan, Streaming de procesamiento de big data en nubes de centros de datos, IEEE
Cloud Computing 1 (1) (2014) 78–83.
[274] J. Dittrich, J.-A. Quiané´-Ruiz, E ffi cient big data processing in hadoop
mapreduce, Actas del VLDB Endowment 5 (12) (2012) 2014–
2015.
[275] MS Mahdavinejad, M. Rezvan, M. Barekatain, P. Adibi, P. Barnaghi,
AP Sheth, Aprendizaje automático para el análisis de datos de Internet de las
cosas: una encuesta, Comunicaciones y redes digitales 4 (3) (2018) 161-175.
[276] TJ O'shea, N. West, Generación de conjuntos de datos de aprendizaje automático de radio con
radio gnu, en: Proceedings of the GNU Radio Conference, Vol. 1 de enero de 2016.
[277] S. Rajendran, R. Calvo-Palomino, M. Fuchs, B. Van den Bergh, H. Cordobé´s,
D. Giustiniano, S. Pollin, V. Prestamistas, Electrosense: Datos abiertos y de
gran espectro, IEEE Communications Revista 56 (1) (2018) 210–217.
[278] ND Lane, S. Bhattacharya, A. Mathur, P. Georgiev, C. Forlivesi,
F. Kawsar, Aprendizaje profundo en dispositivos móviles e integrados, IEEE
Pervasive Computing 16 (3) (2017) 82–88.
[279] S. Han, J. Kang, H. Mao, Y. Hu, X. Li, Y. Li, D. Xie, H. Luo, S. Yao,
Y. Wang, y col., Ese: E ffi motor de reconocimiento de voz cient con escaso
lstm en fpga, en: Actas del Simposio internacional de ACM / SIGDA de 2017
sobre matrices de puertas programables en campo, ACM, 2017, págs. 75–
84.
[280] B. McDanel, S. Teerapittayanon, H. Kung, Redes neuronales binarizadas
integradas, preprint arXiv arXiv: 1709.02260.
[281] E. Baştuğ˘, M. Bennis, M. Debbah, Un enfoque de aprendizaje de transferencia
para redes inalámbricas habilitadas para caché, en: 13th International Sympo-
sum on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks
(WiOpt) 2015, IEEE , 2015, págs. 161-166.
[282] K. Yang, J. Ren, Y. Zhu, W. Zhang, Aprendizaje activo para la detección de intrusiones de iot
inalámbrica, Comunicaciones inalámbricas IEEE 25 (6) (2018) 19–
25.
[283] TJ O'Shea, J. Corgan, TC Clancy, Aprendizaje de representación no supervisada de
señales de radiocomunicación estructuradas, en: 2016 Primer Taller Internacional
sobre Detección, Procesamiento y Aprendizaje para Máquinas Inteligentes
(SPLINE), IEEE, 2016, págs. 1-5.