Aplicación de sistemas neuromórficos con aprendizaje profundo para sistemas de comunicación basados en radio cognitiva

Abstract

Una de las principales limitaciones para la implantación práctica de dispositivos IoT (Internet Of Things) se encuentra en la banda del espectro electromagnético empleado para comunicaciones, el cual ha de ser compartido entre un número creciente de dispositivos que procesan una gran cantidad de información. La tecnología denominada Radio Cognitiva (RC) permite hacer un uso más e ciente del espectro electromagnético, modificando de forma dinámica los parámetros de transmisión y recepción de los dispositivos en función de la información sensada del entorno en términos de interferencias, ocupación de la banda, nivel de la batería, etc. Este trabajo explora el concepto de un sistema de radio cognitiva con perspectiva a poder ser implementable con técnicas de digitalización altamente programables y adaptativas usando un Software Dened Radio (SDR), junto con un procesamiento de la información asistido mediante técnicas de aprendizaje automático basados en procesamiento neuromórfico. Es decir, esta Inteligencia Artificial (IA) va a enfocarse en una de las tecnologías clave de hoy en día conocida como aprendizaje profundo o en inglés Deep Learning (DP) que, a su vez, presenta diferentes estructuras lógicas o redes neuronales que se asemejan a la organización del sistema nervioso de los mamíferos. En concreto se usa la red Long Short-Term Memory (LSTM) para la predicción en series temporales del nivel de ocupación para distintos anchos de banda del espectro electromagnético. El concepto del sistema radio cognitivo es implementado mediante una red LSTM con la que se obtiene una predicción futura de las ondas electromagnéticas y que haciendo uso de esta información, se podrá decidir que ancho de banda es el más adecuado modificando los parámetros necesarios de un filtro analógico/RF paso de banda.