توصيفگر ها :
شبكه هاي ارتباطي بيسيم , تبديل كننده , كيفيت پيوند , TransTM
چكيده فارسي :
شبكه‌هاي ارتباطي بيسيم به عنوان يك شبكه مهم و فراگير در زندگي روزمره، نقش مهمي در كابرد‌هاي اينترنت اشياء، خودرو‌هاي خودران،
جراحي از راه دور، كنترل دستگاه‌هاي صنعتي بستر اينترنت و ... ايفا مي‌كند.
شبكه‌هاي ارتباطي بيسيم از تعداد زيادي گره و پيوند تشكيل شده كه در ميان آن‌ها گره‌هاي كم توان هم وجود دارند. كم توان بودن به معني
محدود بودن منبع انرژي است. از اين رو روش‌هاي متنوع سخت‌افزاري و نرم‌افزاري در جهت بهبود مصرف انرژي در طي اين سال‌ها معرفي و
مورد استفاده قرار گرفته‌اند. يكي از روش‌هاي بهبود انرژي مصرفي، ارسال داده در پيوند‌هاي باكيفيت است. چرا كه ارسال داده در پيوند با كيفيت بالا منجر
به عدم باز ارسالي داده، عدم وجود ازدحام و در نهايت عدم از دست رفتن داده خواهد شد. كيفيت پيوند معياري است كه از ديگر معيارها مانند
نسبت دريافت بسته، نسبت سيگنال به نويز، شاخص قدرت سيگنال دريافتي و شاخص كيفيت پيوند تخمين
زده مي‌شود كه به آن تخمين كيفيت پيوند گفته مي‌شود. در نهايت، ارسال داده مستلزم داشتن كيفيت پيوند در زمان بعدي است كه بايد پيش‌بيني صورت بگيرد و به آن پيش‌بيني
كيفيت پيوند گفته مي‌شود. پيش‌بيني كيفيت پيوند وابسته به زمان است، به طوري كه بايد پيشينه كيفيت‌هاي يك پيوند را در طول زمان داشته باشيم و لحظه بعدي را بر اساس
آن‌ها پيش‌بيني كنيم. از جمله روش‌هاي قابل استفاده براي كارهاي وابسته به زمان يا سري زماني، روش‌هاي مبتني بر يادگيري عميق هستند كه از معروف‌ترين آن‌ها
شبكه‌هاي عصبي بازگشتي است. از مهمترين مشكل اين شبكه‌ها ميتوان به ناپديد شدن گراديان، سرعت پايين در آموزش و استخراج كننده ويژگي ضعيف از ورودي اشاره كرد
براي حل اين مشكل‌ها شبكه‌هاي تبديل‌كننده
معرفي شدند و مي‌توانند با ساختار رمزكننده و رمزگشاي خود به پيش‌بيني كارهاي وابسته به زمان بپردازند.
از سوي ديگر با پيش‌بيني كيفيت پيوند در يك واحد زماني بعد نمي‌توان اطلاعات مفيدي از پيوند بدست آورد و در نهايت تصميم گيري براي ارسال داده با مشكل روبرو مي‌شود.
در اين پايان‌نامه پيش‌بيني كيفيت پيوند در 4 گام زماني بعدي انجام گرفته كه اين كار با پيشنهادي الهام گرفته از شبكه حافظه كوتاه مدت طولاني و تبديل‌كننده تحت عنوان TransTM تحقق يافته است.
شبكه پيشنهادي 44 درصد بهبود در تابع ميانگين مربعات خطا كه به عنوان مهمترين معيار در اين پايان‌نامه بررسي شده را ارائه داده است.
چكيده انگليسي :
Wireless Communication Networks (WCNs) are an important part of various fields such as the Internet of Things, autonomous vehicles, industrial device control, etc. WCNs are made up of many nodes and links, including those with low power and low energy resources. This is the reason why different hardware and software techniques have been developed and used throughout the years to enhance energy efficiency. In these networks, one way to increase efficiency is by transmitting data using high-quality links. The ability to send packets over goodquality links eliminates retransmission, congestion, and data loss. Link Quality is an estimated metric that is calculated from other metrics, such as Packet Reception Ratio and Signal to Noise Ratio, a process known as Link Quality Estimation. Finally, the transmission of data is based on the knowledge of future link quality, and that is why Link Quality Prediction (LQP) is needed. LQP is time-dependent. Over time, past link quality information is needed to predict future link quality. In time-series tasks, Recurrent Neural Networks, are widely applied. On the other hand, having link quality prediction for just one future time step is not enough to enable effective data transmission decision-making. In this paper, the link quality is predicted for four future time steps, which is done through a network that is inspired by both Long Short Term Memory (LSTM) and Transformer architectures, named TransTM. The proposed network demonstrates a 44% improvement in Mean Squared Error performance compared to the LSTM method.}
