بررسی کارکرد روش‌های یادگیری ماشین در تخمین کیفیت لینک در شبکه‌های بی‌سیم

نوع مقاله : مقاله پژوهشی کوتاه

نویسندگان

1 گروه هوش مصنوعی، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران

2 گروه مهندسی نرم افزار، دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران

چکیده

امروزه با فراگیر شدن استفاده از اینترنت و توسعه شبکه‌های بی‌سیم که جریان‌های داده بزرگی را منتقل می‌کنند، اهمیت سنجش و کنترل کیفیت لینک‌های ارتباطی موجود در شبکه بی‌سیم بسیار مورد توجه قرار گرفته است. با پیش‌بینی کیفیت لینک می‌توان مصرف انرژی گره‌های موجود و پایداری کلی شبکه را بهبود بخشید. دسته‌ای از روش‌ها که برای پیش‌بینی کیفیت لینک‌های بی‌سیم، مورد استفاده قرار می‌گیرند، روش‌های یادگیری ماشین هستند. در این مقاله، کارکرد روش‌های تجمعی که یکی از انواع روش‌های یادگیری ماشین نظارت‌شده هستند که پیشتر کمتر در زمینه پیش‌بینی کیفیت لینک‌های بی‌سیم به آنها پرداخته شده است، مورد بررسی قرار گرفته است. همچنین بدلیل مزیت روش‌های بدون نظارت که بر روی مجموعه داده‌های بدون برچسب نیز قابل آموزش هستند، عملکرد روش k-میانگین، بررسی قرار گرفته است. نتایج نشان می‌دهد که الگوریتم‌های تجمیعی بخوبی می‌توانند کیفیت لینک‌های ارتباطی در شبکه بی‌سیم را پیش‌بینی کنند. از میان روش‌های تجمیعی، بهترین عملکرد را روش تقویت گرادیان با امتیاز F1، 95.79 دارد و روش k-میانگین نیز در معیار فراخوانی با مقدار 96.47، عملکرد بهتری نسبت به سایر روش‌ها داشته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigating the Performance of Machine Learning Methods for Link Quality Estimation in Wireless Networks

نویسندگان [English]

  • Mohammad Javad Nasri-Lowshani 1
  • Salman Goli-Bidgoli 2
1 Department of Artificial Intelligence, Faculty of Electrical and Computer Engineering, University of Kashan, Kashan, Iran
2 Department of Software Engineering, Faculty of Electrical and Computer Engineering, University of Kashan, Kashan, Iran
چکیده [English]

With the widespread use of the internet and the development of wireless networks that transfer large data streams, the importance of assessing and controlling the quality of communication links in wireless networks has gained significant attention. By predicting link quality, energy consumption of network nodes and the overall stability of the network can be improved. One category of methods used for predicting the quality of wireless links is machine learning techniques. This paper examines the performance of ensemble methods, a type of supervised machine learning approach that has previously received less focus in the context of wireless link quality prediction. Additionally, due to the advantages of unsupervised methods that can be trained on unlabeled datasets, the performance of the k-means algorithm is also evaluated. The results show that ensemble algorithms are highly effective in predicting the quality of communication links in wireless networks. Among the ensemble methods, Gradient Boosting achieved the best performance with an F1 score of 95.79, while the k-means method demonstrated superior performance in the recall metric, achieving a value of 96.47 compared to other methods.

کلیدواژه‌ها [English]

  • Ensemble Methods
  • K-Means Clustering
  • Link Quality Classification
  • Principal Component Analysis
  • Received Signal Strength Indicator

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 28 اردیبهشت 1404
  • تاریخ دریافت: 26 آذر 1403
  • تاریخ بازنگری: 09 اردیبهشت 1404
  • تاریخ پذیرش: 28 اردیبهشت 1404