> Detailanzeige

Algarra Ulierte, Teresa de Jesus [VerfasserIn] ; Timm-Giel, Andreas [AkademischeR BetreuerIn]; Turau, Volker [AkademischeR BetreuerIn]; Lindner, Sebastian [AkademischeR BetreuerIn] Technische Universität Hamburg, Technische Universität Hamburg Institute of Communication Networks

Machine learning-based dynamic spectrum access for aircraft-to-aircraft communication under coexistence with legacy radio systems

Literatur-
verwaltung

Zur
Merkliste

Lösche von
Merkliste

Per Whatsapp teilen

Schließen

Merkliste



Sie können Bookmarks mittels Listen verwalten, loggen Sie sich dafür bitte in Ihr SLUB Benutzerkonto ein.
  • Medientyp: E-Book; Hochschulschrift
  • Titel: Machine learning-based dynamic spectrum access for aircraft-to-aircraft communication under coexistence with legacy radio systems
  • Paralleltitel: Dynamischer Kanalzugriff durch Maschinelles Lernen für Flugzeug-zu-Flugzeug Kommunikation unter Koexistenz mit klassischen Funksystemen
  • Beteiligte: Algarra Ulierte, Teresa de Jesus [VerfasserIn]; Timm-Giel, Andreas [AkademischeR BetreuerIn]; Turau, Volker [AkademischeR BetreuerIn]; Lindner, Sebastian [AkademischeR BetreuerIn]
  • Körperschaft: Technische Universität Hamburg ; Technische Universität Hamburg, Institute of Communication Networks
  • Erschienen: Hamburg, 01.07.2022
  • Umfang: 1 Online-Ressource (63 Seiten); Illustrationen, Diagramme
  • Sprache: Englisch
  • DOI: 10.15480/882.5107
  • Identifikator:
  • Schlagwörter: L-band Digital Aeronautical Communications System (LDACS) ; Distance measuring Equipment (DME) ; Machine learning (ML) ; Cognitive Radio ; Dynamic Spectrum Access ; Hochschulschrift
  • Entstehung:
  • Hochschulschrift: Masterarbeit, Technische Universität Hamburg, 2022
  • Anmerkungen: Sonstige Körperschaft: Technische Universität Hamburg, Institut für Kommunikationsnetze
  • Beschreibung: Spectrum scarcity is viewed as one of the key obstacles in the area of wireless communications. The lack of available unlicensed resources is impairing the development of newer and more modern communications systems. This is the case of L-band Digital Aeronautical Communications System (LDACS), an innovative air communication system that aims to use the part of the frequency spectrum licensed by Distance Measuring Equipment (DME), a legacy radio navigation system. DME has a low channel utilization rate, leaving idle numerous resources that could be used by LDACS through the use of Dynamic Spectrum Access (DSA) in Cognitive Radio (CR). In order to avoid interferences and collisions while taking advantage of these idle resources, this thesis proposes a new LDACS Machine Learning (ML)-based Medium Access Control (MAC). It incorporates a Long Short Term Memory (LSTM) Recurrent Neural Network (RNN) in order to observe, learn, predict and avoid the DME licensed users. The results from this new MAC are analyzed and compared to two alternative approaches, showing the advantages of a ML-based approach.
  • Zugangsstatus: Freier Zugang
  • Rechte-/Nutzungshinweise: Namensnennung (CC BY)