رویکرد فازی-عصبی برای کنترل توان انتقال در زیرشبکههای صنعتی بیسیم پویا نسل ششم

در این پژوهش، بهینه سازی توان انتقال در زیرشبکه های صنعتی بی سیم نسل ششم با تمرکز بر معرفی و تحلیل یک مدل پویا مبتنی بر سیستم فازی-عصبی تطبیقی داینامیک مورد بررسی قرار گرفته است. هدف اصلی مطالعه، ارائه روشی کارآمد برای تخصیص توان است که بتواند با تغییرات مداوم شرایط کانال، تداخل ها و توپولوژی شبکه، تصمیمات بهینه اتخاذ کند. برخلاف مدل های استاتیک مانند PCGNN که برای آموزش نیازمند حجم بالایی از داده ها بوده و زمان محاسباتی طولانی دارند، روش پیشنهادی از قابلیت های تطبیقی خود بهره می برد و به صورت بلادرنگ با شرایط محیطی تغییر می یابد. شبیه سازی ها در سناریوهای dD، hDو hH نشان داد که D-ANFIS توانسته است بهبود قابل توجهی نسبت به روش مرجع یکنواخت ارائه دهد؛ به طوری که در حالت hH، بهبود بازده طیفی برابر با ۲۶.۵۴٪ و در حالت hD برابر با ۲۶.۰۷٪ ثبت شد. همچنین این مدل حتی نسبت به PCGNN نیز عملکرد بهتری نشان داد. علاوه بر این، زمان اجرای D-ANFIS در تمامی سناریوها کمتر از ۳ دقیقه بوده، در حالی که مدل PCGNN (Abode & Adeogun, ۲۰۲۳: ۱-۲) برای همان شرایط بیش از ۱۲ دقیقه زمان نیاز داشته است. این ویژگی نشان دهنده توانایی مدل در پاسخ سریع به شرایط پویا و نزدیکی آن به نیازهای واقعی شبکه های صنعتی است. بنابراین، می توان نتیجه گرفت که سیستم فازی-عصبی داینامیک علاوه بر دستیابی به بازده طیفی بالا، از نظر کارایی محاسباتی، انعطاف پذیری و قابلیت انطباق با محیط های پویا، گزینه ای عملی و مناسب برای شبکه های صنعتی نسل ششم محسوب می شود. این مدل می تواند نقش مهمی در بهبود عملکرد و کاهش مصرف انرژی در زیرشبکه های ۶Gایفا کند و راهکاری موثر برای کاربردهای صنعتی حساس به زمان ارائه نماید.

کلیدواژه ها:

۶G ، کنترل توان ، PCGNN ، D-ANFIS ، بازده طیفی ، شبکه های صنعتی پویا.