Domaines d’application de la radio cognitive

La radio cognitive

Radio logicielle (software radio)

C’est grâce aux travaux de Joseph Mitola que le terme Radio logicielle est apparu en 1991 pour définir une classe de radio reprogrammable et reconfigurable. La radio logicielle est une radio dans laquelle les fonctions typiques de l’interface radio généralement réalisées en matériel, telles que la fréquence porteuse, la largeur de bande du signal, la modulation et l’accès au réseau sont réalisés sous forme logicielle. La radio logicielle moderne intègre également l’implantation logicielle des procédés de cryptographie, codage correcteur d’erreur, codage source de la voix, de la vidéo ou des données.[2] Le concept de radio logicielle doit également être considéré comme une manière de rendre les usagers, les fournisseurs de services et les fabricants plus indépendants des normes. Ainsi, avec cette solution, les interfaces radio peuvent, en principe, être adaptées aux besoins d’un service particulier pour un usager particulier dans un environnement donné à un instant donné. La radio logicielle est le but ultime intégrant toute les fonctionnalités en logiciel, mais elle impose des phases intermédiaires combinant anciennes et nouvelles techniques, on parle alors de radio logicielle restreinte (software defined radio). Les contraintes de puissance de calcul, de consommation électrique, de coûts, etc. imposent actuellement de passer par cette phase intermédiaire [3].

Définitions

La « cognition » est un processus par lequel on acquiert des connaissances, elle regroupe les divers processus mentaux allant de l’analyse perceptive de l’environnement à la commande motrice (en passant par la mémorisation, le raisonnement, les émotions, le langage…). [6] Le terme radio cognitive est utilisé pour décrire un système ayant la capacité de détecter et de reconnaître son cadre d’utilisation, ceci afin de lui permettre d’ajuster ses paramètres (fréquence, puissance, modulation, bande passante) de fonctionnement radio de façon dynamique et autonome et d’apprendre des résultats de ses actions et de son cadre environnemental d’exploitation, comme le souligne Dr. Mitola. Cette capacité permet d’adapter chaque appareil aux conditions spectrales du moment et offre donc aux utilisateurs un accès plus souple, efficace et complet à cette ressource. Cette approche peut améliorer considérablement le débit des données et la portée des liaisons sans augmenter la bande passante ni la puissance de transmissions. La radio cognitive offre également une solution équilibrée au problème de l’encombrement du spectre en accordant d’abord l’usage prioritaire au propriétaire du spectre, puis en permettant à d’autres de se servir des portions inutilisées du spectre.

Composantes de la radio cognitive

Les différentes composantes d’un émetteur/récepteur radio cognitive qui mettent en oeuvre ces fonctionnalités sont présentées dans la Figure I.5. Emetteur / Récepteur: un émetteur/récepteur SDR sans fil est le composant majeur avec les fonctions du signal de transmission de données et de réception. En outre, un récepteur sans fil est également utilisé pour observer l’activité sur le spectre de fréquence (spectre de détection). Les paramètres émetteur/récepteur dans le noeud de la RC peuvent être modifiés dynamiquement comme dicté par les protocoles de couche supérieure. Analyseur de spectre: l’analyseur de spectre utilise les signaux mesurés pour analyser l’utilisation du spectre (par exemple pour détecter la signature d’un signal provenant d’un utilisateur primaire et trouver les espaces blancs du spectre pour les utilisateurs secondaires). L’analyseur de spectre doit s’assurer que la transmission d’un utilisateur primaire n’est pas perturbée si un utilisateur secondaire décide d’accéder au spectre. Dans ce cas, diverses techniques de traitement du signal peuvent être utilisées pour obtenir des informations sur l’utilisation du spectre.

Extraction de connaissances et apprentissage: l’apprentissage et l’extraction de connaissances utilisent les informations sur l’utilisation du spectre pour comprendre l’environnement ambiant RF (par exemple le comportement des utilisateurs sous licence). Une base de connaissances de l’environnement d’accès au spectre est construite et entretenue, qui est ensuite utilisée pour optimiser et adapter les paramètres de transmission pour atteindre l’objectif désiré sous diverses contraintes. Les algorithmes d’apprentissage peuvent être appliqués pour l’apprentissage et l’extraction de connaissances. Prise de décision: après que la connaissance de l’utilisation du spectre soit disponible, la décision sur l’accès au spectre doit être faite. La décision optimale dépend du milieu ambiant, elle dépend du comportement coopératif ou compétitif des utilisateurs secondaires. Différentes techniques peuvent être utilisées pour obtenir une solution optimale. Par exemple, la théorie d’optimisation peut être appliquée lorsque le système peut être modélisé comme une seule entité avec un seul objectif. En revanche, les modèles de la théorie des jeux peuvent être utilisés lorsque le système est composé d’entités multiples, chacun avec son propre objectif. L’optimisation stochastique peut être appliquée lorsque les états du système sont aléatoires.

Deep Learning L’objectif de la recherche en intelligence artificielle (IA) est de doter un système informatique de capacités de réflexion similaires à celles des humains. Il y a donc un défi dans la compréhension du raisonnement humain, mais surtout dans la modélisation et dans la reproduction de celui-ci.[9] L’IA est devenue un sujet en vogue dans les médias et magazines scientifiques en raison des nombreuses réalisations, dont beaucoup sont le fruit des progrès accomplis dans le domaine de l’apprentissage automatique. De grandes entreprises dont Google, Facebook, IBM, Microsoft mais aussi des constructeurs automobiles à l’instar de Toyota, Volvo et Renault, sont très actifs dans la recherche en IA et prévoient d’y investir davantage encore dans le futur. Plusieurs scientifiques spécialisés dans l’IA dirigent désormais les laboratoires de recherche de ces grandes entreprises et de nombreuses autres. La recherche en IA a permis de réaliser d’importants progrès dans la dernière décennie, et ce dans différents secteurs.

Les avancées les plus connues sont celles réalisées dans l’apprentissage automatique, grâce notamment au développement d’architectures d’apprentissage profond, des réseaux de neurones convolutifs multicouche dont l’apprentissage s’opère à partir de gros volumes de données sur des architectures de calcul intensif. Parmi les réalisations de l’apprentissage automatique, il convient de citer la résolution de jeux Atari (Bricks, Space invaders, etc.) par Google DeepMind, utilisant les pixels images affichés à l’écran comme données d’entrée afin de décider quelle action adopter pour atteindre le plus haut score possible à la fin de la partie.[10] Dans ce chapitre, nous allons parler des différents types d’apprentissage automatique et détailler leur principe de façon très brève, nous passerons ensuite à l’apprentissage profond et nous passerons en revue ses différents types.

Perceptron multicouches (PMC)

La famille de réseau de neurones majoritairement employée est le perceptron multicouches. À lui seul ce type de réseau recouvre plus de 95 % des applications scientifiques et industrielles. Il comporte quelques dizaines à quelques centaines de neurones dans les cas usuels, voir plusieurs milliers pour les applications graphiques. Le PMC est un modèle de réseau à propagation par couche (Figure II. 1). Les neurones y sont organisés en couches successives : une couche d’entrée, une couche de sortie et entre les deux une ou plusieurs couches intermédiaires, appelées aussi couches cachées. Il n’existe pas de connexion entre les neurones d’une même couche, en revanche tout neurone d’une couche est connecté à tous les neurones de la couche suivante. La « couche » d’entrée n’est pas une réelle couche de neurones car elle se contente de coder les variables d’observation. La couche de sortie code la variable de discrimination. Les valeurs d’activité des neurones sont propagées dans le réseau, de l’entrée vers la sortie, sans retour arrière. La présence d’une couche cachée permet de modéliser des relations non linéaires entre les entrées et la sortie. En théorie une seule couche cachée suffit, mais le fait de disposer d’une seconde couche cachée permet de modéliser plus facilement une fonction de discrimination non continue. En pratique, la plupart des problèmes sont résolus avec un ou deux niveaux, trois au maximum. [14] La figure II.5 illustre l’estimation de l’âge au décès à partir de l’observation de critères osseux de la surface sacro-pelvienne iliaque. Les entrées correspondent à l’observation de critères morphologiques sur la surface sacro.

Table des matières

Liste des figures
Liste des abréviations
Introduction générale
CHAPITRE I : La radio cognitive
I.1 Introduction
I.2 Radio logicielle (software radio)
I.2.1 Radio logicielle restreinte (Software Defined Radio: SDR)
I.3 Radio cognitive
I.3.1 Historique
I.3.2 Définitions
I.3.3 Principe
I.3.4 Architecture
I.3.5 Cycle de cognition
I.3.6 Composantes de la radio cognitive
I.3.7 Fonctions de la radio cognitive
I.3.8 Domaines d’application de la radio cognitive
I.4 Conclusion
Chapitre II: Deep Learning
II.1 Introduction IA
II.2 Apprentissage automatique
Apprentissage Supervisé
Apprentissage Non-Supervisé
Apprentissage par Renforcement
II.3 Réseaux de neurones (RN)
Perceptron simple
Perceptron multicouches (PMC)
II.4 Apprentissage profond
II.4.1 Les réseaux de neurones récurrents (RNN ou Recurrent Neural Networks)
II.4.2 Les réseaux de neurones convolutionnels (CNN ou Convolutional Neural Networks)
II.4.3 La machine de Boltzmann profonde (DBN ou Deep Belief Network)
II.4.4 Domaines d’applications de Deep Learning
II.5 Deep learning dans la Radio cognitive :
II.6 Conclusion
Chapitre III : Contribution et résultats
III.1 Introduction
III.2 Outils utilisés
III.2.1 Plateforme de développement (TensorFlow)
III.2.2 Autres outils de développement
III.3 Travail effectué
III.3.1 Construction de la base d’apprentissage
III.3.2 Choix des critères
III.3.3 Choix de l’algorithme
III.3.4 Scénario proposé
III.3.5 Résultats obtenus
III.4 Conclusion
Conclusion générale
Références bibliographies
Annexe

Télécharger le rapport complet