| dc.contributor.author | Олійник, А. О. | uk |
| dc.contributor.author | Грабчак, Н. В. | uk |
| dc.contributor.author | Нагорний, Д. М. | uk |
| dc.date.accessioned | 2025-10-10T07:54:19Z | |
| dc.date.available | 2025-10-10T07:54:19Z | |
| dc.date.issued | 2025 | |
| dc.identifier.citation | | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/49709 | |
| dc.description.abstract | У роботі розглянуто підвищення спектральної ефективності когнітивних телекомунікаційних систем на основі інтелектуального налаштування робочих частот вторинних користувачів. Для цього здійснено оцінювання зайнятості спектра, що використовує адаптивний енергетичний детектор, а також алгоритм динамічного доступу до спектра, який враховує великі масиви даних (Big Data) та особливості розріджених матриць. | uk |
| dc.description.abstract | The paper considers the improvement of spectral efficiency of cognitive telecommunication systems based on intelligent tuning of secondary users' operating frequencies. For this purpose, the spectrum occupancy is estimated using an adaptive energy detector and a dynamic spectrum access algorithm that takes into account large data sets and features of sparse matrices. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | // Матеріали LIV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2025 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-frtzp/all-frtzp-2025/paper/view/24396 | |
| dc.subject | когнітивне радіо | uk |
| dc.subject | спектральна ефективність | uk |
| dc.subject | штучні нейронні мережі | uk |
| dc.subject | динамічний доступдо спектра | uk |
| dc.subject | SDR | uk |
| dc.subject | Big Data | uk |
| dc.subject | прогнозування спектра | uk |
| dc.subject | cognitive radio | uk |
| dc.subject | spectral efficiency | uk |
| dc.subject | artificial neural networks | uk |
| dc.subject | dynamic spectrum access | uk |
| dc.subject | SDR | uk |
| dc.subject | Big Data | uk |
| dc.subject | spectrum forecastingВступВ останні десятиліття активне впровадження нових технологій зв’язку | uk |
| dc.subject | а також зростання обсягукористувацького трафіку та кількості абонентів призвели до високого рівня завантаженості радіочастотного спектра (РЧС) Цей факт спричинив проблему дефіциту частотного ресурсу | uk |
| dc.subject | що | uk |
| dc.subject | у свою чергу | uk |
| dc.subject | призвело до зниження якості послуг зв’язку [1] | uk |
| dc.title | Метод підвищення спектральної ефективності когнітивних телекомунікаційних систем | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 621.391 | |
| dc.relation.references | Wyglinski, A.M. Memory Enabled Bumblebee-Based Dynamic Spectrum Access for Platooning Environments / A. M. Wyglinski, K. S. Gill, P. Kryszkiewicz, P. Sroka, A. Kliks // IEEE Transactions on Vehicular Technology. 2023. Vol. 72. Iss. 5. P. 56125627. | |
| dc.relation.references | Haykin, S. Coordinated Cognitive Risk Control for Bridging Vehicular Radar and Communication Systems / S. Haykin, S. Feng // IEEE Transactions on Intelligent Transportation Systems. 2022. Vol. 23. Iss. 5. P. 41354150. | |
| dc.relation.references | Bokobza, Y. Deep Reinforcement Learning for Simultaneous Sensing and Channel Access in Cognitive Networks / Y. Bokobza, R. Dabora, K. Cohen // IEEE Transactions on Wireless Communications. 2023. Vol. 22. Iss. 7. P. 49304946. | |
| dc.relation.references | Kim, S. Multi-Agent Learning and Bargaining Scheme for Cooperative Spectrum Sharing Process / S. Kim // IEEE Access. 2023. Vol. 11. P. 4786347872. | |
| dc.relation.references | Liu, X. Reinforcement learning based dynamic spectrum access in cognitive Internet of Vehicles / X. Liu, C. Sun, M. Zhou, B. Lin and Y. Lim // China Communications. 2021. Vol. 18. Iss. 7. P. 5868. | |
| dc.relation.references | Mosavat-Jahromi, H. Prediction and Modeling of Spectrum Occupancy for Dynamic Spectrum Access Systems / H. Mosavat-Jahromi, Y. Li, L. Cai, J. Pan // IEEE Transactions on Cognitive Communications and Networking. 2021. Vol. 7. Iss. 3. P. 715728. | |
| dc.relation.references | Li, X. Deep Learning for Spectrum Prediction from SpatialTemporalSpectral Data / X. Li, Z. Liu, G. Chen, Y. Xu, T. Song // IEEE Communications Letters. 2021. Vol. 25. Iss. 4. P. 12161220. | |
| dc.relation.references | Alipour-Fanid, A. Multiuser Scheduling in Centralized Cognitive Radio Networks: A Multi-Armed Bandit Approach / A. Alipour-Fanid, M. Dabaghchian, R. Arora, K. Zeng // IEEE Transactions on Cognitive Communications and Networking. 2022. Vol. 8. Iss. 2. P. 10741091. | |
| dc.relation.references | Han, H. Primary-User-Friendly Dynamic Spectrum Anti-Jamming Access: A GAN-Enhanced Deep Reinforcement Learning Approach / H. Han // IEEE Wireless Communications Letters. 2022. Vol. 11. Iss. 2. P. 258262. | |
| dc.relation.references | Baldesi, L. ChARM: NextG Spectrum Sharing Through Data-Driven Real-Time O-RAN Dynamic Control / L. Baldesi, F. Restuccia, T. Melodia // IEEE INFOCOM 2022 - IEEE Conference on Computer Communications. 2022. P. 240249. | |
| dc.relation.references | Ubom, E. Comparative evaluation of spectrum occupancy of the broadcasting bands in urban, suburban and rural environments / E. Ubom, U. Ukommi // Nigerian Journal of Technology. 2023. Vol. 41. Iss. 6. P. 10081016. | |
| dc.relation.references | Engiz, B.K. Spectrum Occupancy Measurements in Cellular Frequency Band in Samsun / B. K. Engiz, Y. A. Rajab // Balkan journal of electrical and computer engineering. 2021. Vol. 9. Iss. 2. P. 138143. | |
