Resumen

La detección de espectro (SS) ha atraído mucha atención en el campo del Internet de las cosas (IoT) debido a su capacidad para descubrir los huecos de espectro disponibles y mejorar la eficiencia espectral. Sin embargo, el tiempo de detección limitado conduce a una insuficiencia de datos de muestreo debido al equilibrio entre el tiempo de detección y el tiempo de comunicación. En este documento, se aplica el aprendizaje profundo (DL) a SS para lograr un mejor equilibrio entre el rendimiento de detección y la complejidad de detección. Más específicamente, se establece inicialmente un conjunto de datos bidimensional de la señal recibida bajo diversas condiciones de relación señal-ruido (SNR). Luego, se propone una red generativa adversarial convolucional profunda mejorada (DCGAN) para expandir el conjunto de entrenamiento y abordar el problema de escasez de datos. Además, se entrena LeNet, AlexNet, VGG-16 y la red CNN-1 propuesta en el conjunto de datos ampliado. Finalmente, se

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Detección de espectro; Internet de las cosas; Aprendizaje profundo; Relación señal a ruido; Red neuronal convolucional; Resultados de simulación
• Keywords:Spectrum sensing; Internet of things; Deep learning; Signal-to-noise ratio; Convolutional neural network; Simulation results