Diseño y análisis de un algoritmo de predicción del espectro basado en Machine  Learning para la banda ISM 2.4GHz

Vera Cabello, David Josué; Riofrio Muñoz,Lilly Cristina

DSpace Home
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Telecomunicaciones
→
View Item

dc.contributor.advisor	Medina Moreira, Washington Adolfo, Director
dc.contributor.author	Vera Cabello, David Josué
dc.contributor.author	Riofrio Muñoz,Lilly Cristina
dc.creator	ESPOL.FIEC
dc.date.accessioned	2024-10-13T23:34:30Z
dc.date.available	2024-10-13T23:34:30Z
dc.date.issued	2024
dc.identifier.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 .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/62205
dc.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
dc.format	application/pdf
dc.format.extent	39 página
dc.language.iso	spa
dc.publisher	ESPOL.FIEC
dc.rights	openAccess
dc.subject	Algoritmo de predicción
dc.subject	Machine Learning
dc.subject	LSTM
dc.subject	Espectro
dc.title	Diseño y análisis de un algoritmo de predicción del espectro basado en Machine Learning para la banda ISM 2.4GHz
dc.type	Ingeniero en Telecomunicaciones
dc.identifier.codigoespol	T-76922
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	INGE-251233
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