1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Telecomunicaciones

Title:	Diseño y análisis de un algoritmo de predicción del espectro basado en Machine Learning para la banda ISM 2.4GHz
Authors:	Medina Moreira, Washington Adolfo, Director Vera Cabello, David Josué Riofrio Muñoz,Lilly Cristina
Keywords:	Algoritmo de predicción Machine Learning LSTM Espectro
Issue Date:	2024
Publisher:	ESPOL.FIEC
Citation:	Vera Cabello, D. J. y Riofrio Muñoz, L. C. (2024). Diseño y análisis de un algoritmo de predicción del espectro basado en Machine Learning para la banda ISM 2.4GHz. [Proyecto Integrador]. ESPOL.FIEC .
Description:	Este proyecto aborda el diseño y análisis de un algoritmo de predicción de espectro basado en técnicas de Machine Learning (ML) para la banda ISM de 2.4GHz, ampliamente utilizada en aplicaciones inalámbricas como Wi-Fi, Bluetooth y dispositivos IoT. La creciente congestión de esta banda ha motivado la implementación de un algoritmo de predicción del uso del espectro para mejorar la eficiencia en entornos de alta densidad de usuarios. El trabajo se centra en el desarrollo de un modelo de redes neuronales tipo LSTM (Long Short-Term Memory) para predecir la disponibilidad del espectro. El sistema fue entrenado con datos recolectados en entornos reales y se validó con pruebas controladas. Los resultados obtenidos demuestran la eficacia del modelo con un nivel de precisión del 80%, lo que permite optimizar el uso del espectro en redes inalámbricas, reduciendo interferencias y mejorando la calidad de servicio. Finalmente, se presentan recomendaciones para mejorar la precisión del modelo y su aplicabilidad en futuros estudios sobre redes cognitivas y aplicaciones de IoT. Palabras Clave: algoritmo de predicción, Machine Learning, LSTM, espectro
metadata.dc.description.abstractenglish:	This project focuses on the design and analysis of a spectrum prediction algorithm based on Machine Learning (ML) techniques for the 2.4GHz ISM band, widely used in wireless applications such as Wi-Fi, Bluetooth, and IoT devices. The increasing congestion in this band has driven the development of a prediction algorithm to enhance spectrum efficiency in high density user environments. The work involves the development of a Long Short-Term Memory (LSTM) neural network model to predict spectrum availability. The system was trained with real world data and validated through controlled tests. The results show the effectiveness of the model with an accuracy rate of 80%, optimizing spectrum usage in wireless networks, reducing interference, and improving service quality. Finally, recommendations are provided to enhance the model's accuracy and its applicability in future studies on cognitive networks and IoT applications. Keywords: prediction algorithm, Machine Learning, LSTM, spectrum
URI:	http://www.dspace.espol.edu.ec/handle/123456789/62205
metadata.dc.identifier.codigoproyectointegrador:	INGE-251233
Appears in Collections:	Tesis de Telecomunicaciones

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.