30

ЛАБОРАТОРНАЯ РАБОТА № 5

Применение методов ИИ для поиска и организации каналов связи с использованием языков программирования Python и R

Цель работы – ознакомиться с мультиплексированием с ортогональным частотным разделением каналов (OFDM) и принципами его работы и смоделировать систему передачи и приема сигналов с модуляцией OFDM в GNU Radio.

ТЕОРЕТИЧЕСКАЯ ЧАСТЬ

Под "когнитивными системами" понимаются современные аппаратно-программные средства, использующие одноименные технологии.

Когнитивные технологии "имитируют" мыслительную деятельность человека. Они, как правило, основаны на моделях с нечеткой логикой (fuzzy logic) и на нейронных сетях (neural networks). Цели, преследуемые при создании когнитивных систем, могут быть представлены следующими примерами: получение новых знаний, принятие решений в сложных ситуациях и интеллектуальная обработка данных.

Отношения между когнитивными системами и телекоммуникационными сетями можно рассматривать с разных точек зрения. Во-первых, для функционирования когнитивной системы любого рода необходим обмен информацией, обеспечиваемый телекоммуникационными сетями. Во-вторых, в телекоммуникационных сетях могут использоваться когнитивные системы и технологии, позволяющие радикально улучшить показатели эффективности процессов обмена информацией. Оба отношения по-своему интересны и заслуживают тщательного анализа.

Когнитивное радио позволяет увеличить эффективность использования спектра засчет передачи на незанятых в данный момент частотах. При этом не создается помех приоритетным пользователям. Согласно официальному определению ITU-R WP1B, когнитивное радиосистема – это радиосистема, в работе которой учитываются сведенияоб окружающей рабочей и географической средах, об установившихся правилах и еевнутреннем состоянии. В соответствии с этими сведениями системы в динамическомрежиме автономно подстраивают параметры работы и протоколы передачи с тем, чтобы достичь поставленной цели и одновременно учиться на основании полученного опыта.

Сведения о спектре Когнитивные радиосистемы собирают сведения об окружающей среде и учатся по ним,

адаптируясь к изменениям в режиме реального времени. В большинстве случаев под информацией об окружающей среде понимается информация о доступном спектре, полученная с помощью измерения или из внешнего источника.

Вактивном режиме когнитивные радиосистемы «прощупывают» окружающую радиообстановку и адаптируют параметры передачи в соответствии с результатами измерений. Среди методов измерения спектра можно выделить детектирование энергии, детектирование параметров, детектирование согласованных фильтров и т.д. Из рисунка 1 видно, что качество обнаружения можно выразить как вероятность ложной тревоги или вероятность пропуска искомого параметра.

При анализе среды важно правильно установить порог. Если он слишком низкий, повышается вероятность ложного обнаружения. Если слишком высокий, то, наоборот, нежелательные источники не будут обнаружены, и интерференционный фон для приоритетного пользователя усугубится.

Впассивном режиме применяются такие методы как обмен информацией через базы данных или использование выхода на маяк, когда приоритетный пользователь отсылает радиомаяки, оповещающие о доступности определенных лицензируемых каналов для вторичного использования. Пассивный режим удобно применять в такой среде, где

31

назначение спектра контролируется регулятором. В случае переменчивой среды информация в базе данных быстро теряет актуальность.

Рис. 1. Достоверность измерений

Probability – вероятность; No primary user present – нет приоритетного пользователя; Missed detection zone – область пропущенных обнаружений; Threshold – порог; False alarm zone – область ложных обнаружений; Primary user present – имеется приоритетный пользователь; Measured signal power – измеренная мощность сигнала

Время отклика Время отклика зависит от метода анализа спектра. Наиболее быстрый отклик

обеспечивают активные методы сбора информации. Методы, основанные на детектировании излучения энергии, требуют, как правило, немного времени, однако не обеспечивают высокой надежности, особенно если сигнал от приоритетного абонентаслабый.

Детекторы признаков (feature detectors) имеют меньшее отношение сигнал-шум, чем детектор излучения, поскольку в них используется информация, содержащаяся в принятом сигнале.

Эти методы можно комбинировать, чтобы обеспечить достаточную достоверностьпри допустимой скорости отклика.

Другие ресурсы Когнитивное радио собирает сведения о времени, пространстве, энергии и других

ресурсах. В соответствии с полученными данными принимается решение о выборе частот, момента времени и мощности сигнала передачи, о направленности антенны и маршруте передачи между узлами.

Следующая задача – организовать управление ресурсами в рамках когнитивной сети. Существуют два базовых метода: увеличение емкости сети в условиях интерференции и ослабление интерференции за счет уменьшения мощности передаваемого сигнала.

Метод увеличения емкости сети удобно применять в случаях, когда второстепенная сеть является главным объектом оптимизации. В гражданских приложениях более важно сохранять низкий уровень интерференции с приоритетной сетью. При использовании данного метода главной проблемой является отсутствие данных о точном расположении приоритетных приемников. Соответственно, невозможно производить оценку влияния своих передач на все потенциальные приемники.

Был предложен метод «температуры» интерференции. Результаты измерений собираются с нескольких фиксированных и мобильных узлов, по этим данным строится карта распределения мощности сигнала по большой территории. Этот метод пока не получил одобрения Федеральной комиссии по связи, поскольку не разработано эффективных методов измерения актуальной информации об интерференции.

Когнитивный процессор

32

Когнитивный процессор – это интеллектуальный агент, управляющий работой когнитивной радиосистемы, принимающий решения и вырабатывающий команды для достижения поставленной цели.

Когнитивный процессор отвечает за механизмы получения ресурсов и за ихпоследующее использование. На основе алгоритмов искусственного интеллекта он справляется со своими задачами даже в тех случаях, когда модель системы недостаточно известна, или когда цель меняется. Эвристические методы обеспечивают наиболее эффективное решение в случаях, когда требования известны и модель системы описана точно.

Еще один подход основан на системе правил. Правила выражаются в формате: «Если – условие, то – действие». Этот подход отличается простотой и позволяетдедуктивным методом выбрать действия для любых условий. Точность данного метода в значительной степени определяется полнотой базы правил.

Похожий подход основан на базе случаев, когда система выбирает случаи, наиболее близко подходящие к поставленной проблеме и потом среди отобранных случаев выбирается один, который адаптируется под текущую проблему. Преимуществом данного подхода является умение действовать в неизвестной обстановке.

Управление ресурсами Динамическое управление спектром близко к управлению мощностью передачи. На

основе данных о детектированных промежутках в спектре и уровне мощности передаваемых сигналов производится выбор схемы модуляции для текущих условий в канале. Также производится выбор каналов для передачи. Для направления ресурсов в те участки, где потребность в них наиболее высока, используются направленные антенны. Алгоритм также подстраивается под условия, меняющиеся со временем. Цель заключается в том, чтобы использовать частотный спектр эффективно и гарантировать надежную передачу по беспроводному каналу.

Управление ресурсами производится на всех уровнях, например:

QoS – контроль и управление допуском в сеть;

HAR Q – планирование в динамическом режиме и адаптация линии (канальный уровень);

адаптация канала управления, CQI и управление мощностью (физический уровень).

ПРАКТИЧЕСКАЯ ЧАСТЬ

Задание 1. Смоделировать схему для передачи сигналов с модуляцией OFDM. Первый блок — это распределитель несущей (gr::digital::ofdm_carrier_allocator_cvc). Он сортирует входящие комплексные скаляры по несущим OFDM, а также помещает символы пилотсигнала в правильные позиции. Должна быть возможность передавать символы OFDM, которые добавляются перед каждым кадром. Их можно использовать для обнаружения, синхронизации и оценки канала. Распределитель несущих выводит символыOFDM (то есть комплексные векторы длины FFT). Они должны быть преобразованы в сигналы во временной области, поэтому они передаются в блок IFFT. Обратите внимание, что поскольку все символы OFDM обрабатываются в сдвинутой форме, блок IFFT также должен быть сдвинутым. Наконец, к символам OFDM добавляется циклический префикс. gr::digital::ofdm_cyclo_prefixer также может выполнять формирование импульсов для символов OFDM (фланги приподнятого косинуса во временной области).

33

Основные элементы передатчика OFDM

Задание 2. Смоделировать схему для приѐма сигналов с модуляцией OFDM. Блоксхема предполагает, что ввод начинается с кадра OFDM. Проводится грубая частотная коррекции и оценки канала. Также предполагается, что точное смещение частоты уже скорректировано и циклический префикс удален. Последнее может быть достигнуто с помощью gr::digital::header_payload_demux, первое — с помощью gr::digital::ofdm_sync_sc_cc.

Во-первых, БПФ сдвигает символы OFDM в частотную область, где выполняется обработка сигнала (таким образом, кадр OFDM находится в памяти в матричной форме). Он передается в блок, который использует преамбулы для выполнения оценки канала и грубого смещения частоты. Оба эти значения добавляются в выходной поток как теги; преамбулы затем удаляются из потока и не распространяются.

Обратите внимание, что этот блок не корректирует кадр OFDM. Как грубая коррекция смещения частоты, так и выравнивание (с использованием начальной оценки состояния канала) выполняются в следующем блоке gr::digital::ofdm_frame_equalizer_vcvc. Интересным свойством этого блока является то, чтоон использует производный объект gr::digital::ofdm_equalizer_base для выполнения реальной коррекции.

Последним блоком в частотной области является gr::digital::ofdm_serializer_vcc, который является обратным блоком по отношению к распределителю несущей. Он извлекает символы данных из busy_carriers и выводит их в виде потока комплексных скаляров. Затем их можно напрямую преобразовать в биты или передать в декодер прямого исправления ошибок.

34

ЛАБОРАТОРНАЯ РАБОТА № 6

Кластерный анализ с использованием языков программирования Python и R

Цель работы – ознакомиться с методом машинного обучения, используемый для идентификации кластеров объектов данных в наборе данных.

ТЕОРЕТИЧЕСКАЯ ЧАСТЬ

Метод кластеризации k-средних — это неконтролируемый метод машинного обучения, используемый для идентификации кластеров объектов данных в наборе данных.Существует множество различных методов кластеризации, но метод k-средних является одним из самых старых и доступных. Эти черты делают реализацию кластеризации k- средних в Python достаточно простой даже для начинающих программистов и специалистов по данным.

Кластеризация — это набор методов, используемых для разделения данных на группыили кластеры. Кластеры в общих чертах определяются как группы объектов данных, которые больше похожи на другие объекты в своем кластере, чем на объекты данных в других кластерах.

Возможно выполнить кластеризацию, используя множество различных подходов — на самом деле так много, что существуют целые категории алгоритмов кластеризации. Каждая из этих категорий имеет свои уникальные сильные и слабые стороны. Это означает, что определенные алгоритмы кластеризации приведут к более естественному распределению кластеров в зависимости от входных данных.

Выбор подходящего алгоритма кластеризации для набора данных часто затруднен изза большого количества доступных вариантов. Некоторые важные факторы, влияющие на это решение, включают характеристики кластеров, особенности набора данных, количество выбросов и количество объектов данных.

Три популярные категории алгоритмов кластеризации:

1.Частичная кластеризация

2.Иерархическая кластеризация

3.Кластеризация на основе плотности Алгоритм K-средних

Обычные k-средние требуют всего несколько шагов. Первый шаг — случайным образом

выбрать k центроидов, где k равно количеству выбранных вами кластеров. Центроиды — это точки данных, представляющие центр кластера.

Основной элемент алгоритма работает с помощью двухэтапного процесса, называемого максимизацией ожидания. Шаг ожидания присваивает каждой точке данных ее ближайший центр тяжести. Затем на этапе максимизации вычисляется среднее значение всех точек для каждого кластера и устанавливается новый центроид.

Качество назначений кластеров определяется путем вычисления суммы квадратовошибок (SSE) после того, как центроиды сходятся или совпадают с назначением предыдущей итерации. SSE определяется как сумма квадратов евклидовых расстояний от каждой точки до ее ближайшего центроида. Поскольку это мера ошибки, цель k-средних состоит в том, чтобы попытаться минимизировать это значение.

Ссылка https://proglib.io/p/unsupervised-ml-with-python

ПРАКТИЧЕСКАЯ ЧАСТЬ Задание на лабораторную работу

1.Подобрать датасет пригодный для решения задач кластеризации

2.Подготовить тренировочные и тестовые выборки

3.Произвести кластеризацию тестовой выборки, вычислить точность кластеризации

4.Исследовать зависимость количества кластеров модели от точности кластеризации

35

Кислицын Дмитрий Игоревич

Языки программирования систем искусственного интеллекта

Учебно-методическое пособие

по выполнению лабораторных работ для обучающихся по дисциплине «Языки программирования систем искусственного интеллекта»

по направлению подготовки 09.04.02 Информационные системы и технологии, профиль «Искусственный интеллект в системах и сетях передачи данных»

Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»

603950, Нижний Новгород, ул. Ильинская, 65. http://www.nngasu.ru, srec@nngasu.ru