دانلود ترجمه مقاله یادگیری ماشین برای ارتباطات بیسیم در اینترنت اشیا

1. مقدمه 2. مروری کلی بر روش های یادگیری ماشین 3. یادگیری ماشین برای لایه فیزیکی 4. یادگیری ماشین برای هوش سیگنال 5. یادگیری ماشین برای لایه های بالاتر 6. سنجش طیف و پیاده سازی سخت افزاری 7. یادگیری ماشین در IoT فراتر از ارتباطات 8. نتیجه گیری

چکیده – انتظار می رود تا اینترنت اشیا (IoT) به ارتباطات بیسیم موثرتر و کارآمدتری نسبت به گذشته نیاز داشته باشد. به همین دلیل، روش هایی مانند سنجش طیف، دسترسی به طیف پویا، استخراج هوش سیگنال و مسیریابی بهینه، به زودی تبدیل به مولفه های اساسی الگوی ارتباطات بیسیم در IoT خواهند شد. در این چشم انداز، دستگاه های IoT باید قادر باشند تا نه تنها به طور مستقل، استخراج دانش طیف از شبکه را یاد بگیرند، بلکه باید چنین دانشی را به کار گیرند تا پارامترهای بیسیم مناسب (به عنوان مثال، باند فرکانس، مدولاسیون نماد، نرخ کدگذاری، انتخاب مسیر و غیره) را به طور دینامیکی تغییر دهند تا به نقطه عملیاتی بهینه شبکه برسند. با توجه به اینکه اکثریت IoT، از دستگاه های کوچک، موبایل، و دستگاه های دارای محدودیت انرژی تشکیل شده، روش های سنتی مبتنی بر یک بهینه سازی شبکه اولیه ممکن است مناسب نباشد، زیرا (i) مدل دقیقی از محیط ممکن است در سناریوهای عملی در دسترس نباشد؛ و (ii) ملزومات محاسباتی روش های بهینه سازی سنتی ممکن است برای ادوات IoT، غیر قابل تحمل باشد. به منظور پرداختن به چالش های فوق، تحقیقات زیادی به بررسی استفاده از یادگیری ماشین برای رفع مسائل در حوزه ارتباطات بیسیم IoT پرداخته اند. دلیل محبوبیت یادگیری ماشین، این است که چارچوبی کلی برای حل پیچیده ترین مسائل ارائه می دهد که در آنها مدلی از پدیده ای که یاد گرفته می شود، برای استخراج، بسیار پیچیده بوده و یا برای خلاصه شدن در اصطلاحات ریاضیاتی، بسیار پویا است. این مقاله، یک بررسی جامع از پیشرفت های اخیر در کاربرد روش های یادگیری ماشینی برای بررسی مسائل کلیدی در ارتباطات بیسیم IoT با تاکید بر جنبه شبکه ادهاک آن را ارائه داده است. در ابتدا، ما مفهوم پیشینه گسترده ای از روش های یادگیری ماشین را ارائه داده ایم. سپس، با اتخاذ یک رویکرد پایین به بالا، کار موجود را در یادگیری ماشین برای IoT در لایه فیزیکی، لینک – داده و شبکه پشته پروتکل، بررسی کرده ایم. پس از آن نیز، روی مسیرهای اتخاذ شده توسط جامعه در راستای پیاده سازی سخت افزاری برای اطمینان از امکان پذیر بودن این روش ها، بحث کرده ایم. علاوه بر این، قبل از نتیجه گیری، بررسی مختصری از کاربرد یادگیری ماشین در IoT فراتر از ارتباطات بیسیم را ارائه داده ایم. نهایتا، هر کدام از این بحث و بررسی ها، با استفاده از تحلیل مفصلی از چالش ها و مسائل باز مرتبط، همراه شده اند.

The Internet of Things (IoT) is expected to require more effective and efficient wireless communications than ever before. For this reason, techniques such as spectrum sharing, dynamic spectrum access, extraction of signal intelligence and optimized routing will soon become essential components of the IoT wireless communication paradigm. In this vision, IoT devices must be able to not only learn to autonomously extract spectrum knowledge on-the-fly from the network but also leverage such knowledge to dynamically change appropriate wireless parameters (e.g., frequency band, symbol modulation, coding rate, route selection, etc.) to reach the network’s optimal operating point. Given that the majority of the IoT will be composed of tiny, mobile, and energy-constrained devices, traditional techniques based on a priori network optimization may not be suitable, since (i) an accurate model of the environment may not be readily available in practical scenarios; (ii) the computational requirements of traditional optimization techniques may prove unbearable for IoT devices. To address the above challenges, much research has been devoted to exploring the use of machine learning to address problems in the IoT wireless communications domain. The reason behind machine learning’s popularity is that it provides a general framework to solve very complex problems where a model of the phenomenon being learned is too complex to derive or too dynamic to be summarized in mathematical terms. This work provides a comprehensive survey of the state of the art in the application of machine learning techniques to address key problems in IoT wireless communications with an emphasis on its ad hoc networking aspect. First, we present extensive background notions of machine learning techniques. Then, by adopting a bottom-up approach, we examine existing work on machine learning for the IoT at the physical, data-link and network layer of the protocol stack. Thereafter, we discuss directions taken by the community towards hardware implementation to ensure the feasibility of these techniques. Additionally, before concluding, we also provide a brief discussion of the application of machine learning in IoT beyond wireless communication. Finally, each of these discussions is accompanied by a detailed analysis of the related open problems and challenges.