English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Cognitive radios are considered critical for better spectrum use in 5G networks. Spectrum sensing is a technology that allows channel status to be determined on a decentralized basis. Collaborative spectrum sensing improves detection by collecting more data from different users in different places, increasing the amount of information available to making decisions. This paper presents a Markov chain-based technique that improves spectrum detection and decreases the number of sensing notifications. Thus, the technique improves the result of classic fusion algorithms for co-operative sensing in the case of wellbehaved access. There was a reduction of up to∼ 99.67% in the false alarm rate and up to ∼ 98% of the associated control traffic, preserving the false negative rate below the tolerable limit of 10%, mitigating the interference to a channel user. Resumo. Os rádios cognitivos são considerados fundamentais para melhorar o uso do espectro em redes 5G. O sensoriamento de espectro é uma tecnologia que permite que o estado do canal seja determinado de forma descentralizada. O sensoriamento colaborativo do espectro melhora a detecção ao coletar mais dados de diferentes usuários, em diferentes lugares, aumentando a quantidade de informação disponı́vel para a toma de decisões. Este artigo apresenta uma técnica baseada em cadeias de Markov que melhora a detecção do espectro e diminui o número de notificações de sensoriamento. Dessa forma, a técnica melhora o resultado dos algoritmos de fusão clássicos para sensoriamento colaborativo no caso de acesso bem comportado. Observou-se uma redução de até ∼ 99.67% da taxa de alarmes falsos e até ∼ 98% do tráfego de controle associado, preservando a taxa de falsos negativos abaixo do limite tolerável de 10%, minimizando interferência ao usuário do canal.

Uso de Cadeias de Markov para Otimizar o Sensoriamento Colaborativo do Espectro em Redes 5G