سنجش طيف كارا يكي از پيشنيازهاي اساسي براي تحقق و پياده سازي فنآوريهايي نظير اشتراك طيف فرصتطلبانه و راديوهاي شناختي ميباشد. به طوريكه كارايي آشكارسازي سنجش طيف مستقيما بر كارايي فنآوريهاي مبتني بر آن تاثير ميگذارد. لذا وجود يك الگوريتم سنجش طيف كارا و سريع، مسير را براي بسياري از فنآوريهاي مديريت طيف راديويي هموار ميكند. در ميان الگوريتمهاي سنجش طيف، الگوريتمهاي سنجش طيف همكارانه بر يكي از عوامل ناپايداري دقت الگوريتمهاي سنجش طيف فائق ميآيند. آنها با استفاده از تلفيق دادههاي سنجش طيف كاربران موجود در شبكه، دقت سنجش طيف ناشي از محو شدگي كانال و گره هاي مخفي را بهبود ميدهند. اما از سويي ديگر، يافتن الگوريتمي بهينه براي تلفيق داده هاي كاربران موجود در شبكه مسالهاي پيچيده است كه الگوريتمهاي كلاسيك به خوبي قادر به برازش آن نيستند.
در اين پايان نامه با استفاده از الگوريتمهاي يادگيري عميق كه به خودي خود قادر به آموختن الگوريتمي بهينه به منظور حل مساله ميباشند، الگوريتمي بهينه براي تلفيق دادههاي كاربران مشاركت كننده در سنجش طيف همكارانه ارائه شده است. با بكارگيري شبكه LSTM و دو لايه تماما متصل، شبكه عميقي ارائه شده كه قادر است علاوه بر ارائه عملكردي بهتر نسبت به الگوريتم هاي پيشنهادي موجود، برخي معايب اين روش ها را نيز رفع نمايد. در اين روش نيازي به تعيين پيشاپيش تعداد كاربران مشاركت كننده نميباشد و لذا اين روش نسبت به تاخير در دريافت اطلاعات كاربران هم پاياست. در اين روش نيازي به دانستن اطلاعات مكاني كاربر نبوده و شناسايي كاربر نيز اهميتي ندارد.
اين الگوريتم با دستيابي به نرخ آشكارسازي %85 به ازاي احتمال هشدار خطاي %10 و مساحت زير نمودار مشخصه عملكرد گيرنده 944/0 نسبت به الگوريتمهاي مقايسهاي عملكرد بهتري داشته است. در فصل يافتههاي پژوهش ، به منظور ارزيابي و مقايسه الگوريتم، جدول مقايسه مساحت زير نمودار مشخصه عملكرد گيرنده براي الگوريتمهاي پيشين و پيشنهادي و همچنين نمودارهاي مشخصه عملكرد گيرنده آورده شده است.
