La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Mécanismes d'adaptation autonome pour la radio cognitive Nicolas COLSON 06 mai 2009.

Présentations similaires


Présentation au sujet: "Mécanismes d'adaptation autonome pour la radio cognitive Nicolas COLSON 06 mai 2009."— Transcription de la présentation:

1 Mécanismes d'adaptation autonome pour la radio cognitive Nicolas COLSON 06 mai 2009

2 2 Plan Problématique de la thèse Positionnement des travaux Modèle de prise de décision autonome adopté Organisation du moteur cognitif Evaluation du moteur cognitif Conclusions et perspectives

3 3 Problématique de la thèse Positionnement des travaux Modèle de prise de décision autonome adopté Organisation du moteur cognitif Evaluation du moteur cognitif Conclusions et perspectives

4 4 Défis pour la conception des futurs systèmes de communication Optimiser la gestion des ressources disponibles –En développant de nouvelles techniques pour transmettre linformation plus efficacement –En adaptant le comportement de la radio à son environnement Développer lintelligence embarquée –Limites des mécanismes dadaptation actuels – Définis sur des périmètres daction étroits – Basés sur un nombre limité dévénements anticipés –Motivations – Arrivée de la radio (définie) logicielle – Explosion du nombre d'objets communicants – Accroissement de la complexité – Conjoncture économique ultra compétitive Radio adaptative Radio cognitive [Mitola99]

5 5 Adaptation totale et autonome au contexte opérationnel –Respecter le cadre de régulation contrôlant laccès au spectre –Satisfaire les besoins de lutilisateur en termes de qualité de service –Assurer une gestion optimisée des ressources disponibles Exemples d'applications –Accès opportuniste au spectre –Conception cognitive du lien radio Raisonner Apprendre Observer Agir Radio cognitive [Mitola99] Sensibilité au contexte (mesures, estimations, …) Reconfiguration du système de communication Décision sur la meilleure ligne de conduite à adopter Amélioration des performances avec les expériences vécues Conception dun moteur cognitif Introduction dun cycle cognitif

6 6 Synoptique d'un moteur cognitif

7 7 Problématique de la thèse Positionnement des travaux Modèle de prise de décision autonome adopté Organisation du moteur cognitif Evaluation du moteur cognitif Conclusions et perspectives

8 8 Approche exploratoire Approche prédictive Approche experte Règles/politiques [Mitola00][DARPA07] [Rieser04][Rondeau07] [Weingart07][Baldo08] Algorithmes génétiques Raisonnement par cas Réseaux de neurones, HMM, réseaux bayésiens, SVM, modèles de régression, … + Exploite les connaissances établies Respect du cadre de régulation - Dépendance à la qualité des connaissances Effort humain important Apprentissage assisté + Méthodologie générique Exploration de larges espaces - Complexité des mécanismes Dépendance à des modèles analytiques + Autonomie décisionnelle - Choix dun modèle représentatif Données dapprentissage à collecter Risque de complexité algorithmique Approches cognitives existantes

9 9 Critères de conception du moteur cognitif Autonomie décisionnelle –Capacités de prédiction –Exploration en ligne de lespace de conception –Apprentissage incrémental Efficacité dans la recherche dune configuration adaptée –Maximiser les décisions optimales –Minimiser les mauvaises décisions –Assurer une bonne réactivité du moteur cognitif –Limiter limpact des mécanismes cognitifs sur lautonomie de la batterie Mécanismes génériques –Souci de flexibilité et de pérennité

10 10 Problématique de la thèse Positionnement des travaux Modèle de prise de décision autonome adopté Organisation du moteur cognitif Evaluation du moteur cognitif Conclusions et perspectives

11 11 Etapes de résolution dun problème de conception 1) Contraintes de faisabilité 2) Contraintes de performance 3) Préférences doptimisation

12 12 Introduction de relations dordre entre les alternatives de configuration Echelle relative de performance –Ordonne les configurations en fonction de leur robustesse face aux contraintes de performance –Structure lexploration de lespace de conception pour lapprentissage dun modèle prédictif fiable –Etablie par le modèle prédictif en fonction de lenvironnement radio – Confortée par des connaissances expertes plus ou moins fortes sur la robustesse relative des configurations Echelle relative doptimalité –Ordonne les configurations en fonction de leur satisfaction vis-à-vis des préférences doptimisation –Structure lexploration de lespace de conception pour la sélection dune configuration adaptée –Etablie par un système de notation – Sappuyant sur des fonctions objectifs paramétrées

13 13 Apprentissage de la carte de performance 1) Exemple despace de conception totalement ordonné Echelle de performance C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 [N. Kasabov, Evolving Connectionist Systems. The Knowledge Engineering Approach, Springer, 2007] Systèmes connexionnistes évolutifs 6 MCS (HCR: rang de plus haute compatibilité) Méthode choisie pour cet apprentissage:

14 14 Apprentissage de la carte de performance 2) Exemple despace de conception partiellement ordonné Prédiction de léchelle de performance Prédiction de la configuration compatible la moins robuste –Déduction du rang de plus haute compatibilité (HCR) Echelles de performance possibles C0C0 C4C4 C2C2 C3C3 C5C5 C1C1 C6C6 C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 HCR = 3 HCR = 0HCR = 1HCR = 2 HCR = 4 HCR = 5HCR = 6 HCR = 3

15 15 C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 Prédiction des performances et prise de décision C1C1 C2C2 C3C3 C4C4 C5C5 C6C6 Identification de léchelle de performance Identification du HCR C6C6 C0C0 Espace de conception réduit Plus grande robustesse à l'environnement radio Plus grande probabilité de vérifier la contrainte Calcul de léchelle doptimalité Compromis plus intéressant (OP 2 ) Compromis plus intéressant (OP 1 ) Prise de décision Prédiction qualitative –Réduit le nombre dinformations à mémoriser –Tolérance aux erreurs de prédiction C4C4 C2C2 C1C1 C3C3 C3C3 C4C4 C1C1 C2C2 C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 1) 3) Scénario 1 C0C0 2) Scénario 2

16 16 Décision prise Performances prédites C3C3 C2C2 C4C4 C5C5 C1C1 Tolérance aux erreurs de prédiction C6C6 C0C0 Compromis plus intéressant (OP 2 ) Compromis plus intéressant (OP 1 ) C4C4 C2C2 C1C1 C3C3 C3C3 C4C4 C1C1 C2C2 C5C5 C5C5 Scénario 1 Scénario HCR Rée l HCR Prédi t Oui Non Erreurs de classement Qualité de la décision ErronéeOptimale Erronée OptimaleSous optimale Optimale Scénario 2Scénario 1 Performances réelles C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 C0C0 = = < > > Une erreur de prédiction n'entraîne pas systématiquement une mauvaise décision

17 17 Mise au point dune stratégie stochastique dexploration –Mémorisée par une équipe dautomates dapprentissage – Chaque automate retient la probabilité dexploration locale (P i ) –Sappuyant sur le partitionnement de lespace de conception (réalisé par le système connexionniste) Intérêt dune stratégie stochastique –Lexpérimentation ne garantit pas toujours de trouver la configuration optimale dans un espace partiellement ordonné –Le partitionnement de lespace réalisé est incertain La mise à jour de la stratégie dépend des résultats dexpérimentation –Succès de la phase dexpérimentation – Modification des relations dordre – Mise à jour du rang de plus haute compatibilité –Echec de la phase dexpérimentation – Aucune mise à jour des connaissances Gestion du dilemme exploration/exploitation [ M. A. L. Thathachar and P. S. Sastry, Varieties of learning automata : An overview, IEEE Transactions on Systems, Man and Cybernetics, vol. 32, no. 6, pp. 711–722, Dec. 2002] PiPi PiPi

18 18 Régression le long de léchelle de performance 3 Processus dexpérimentation (exploration en ligne) 1) Exemples de déroulement dans un espace de conception totalement ordonné C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 Attitude prudente Attitude agressive C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 HCR: C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 HCR: Progression le long de léchelle de performance (succès) C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 C6C6 HCR: 2 2 Progression le long de léchelle de performance (échec) Vérification de létat actuel des connaissances –Tester la configuration associée au HCR Réaction adaptée aux retours de lenvironnement C0C0 C3C3 C2C2 C4C4 C5C5 C1C1 C6C

19 19 Introduction de connaissances expertes Accélérant lapprentissage dun modèle prédictif fiable –Exploitées lors de lexpérimentation en ligne De portée plus générale que des connaissances quantitatives Faciles à identifier par –Un expert humain –Un processus hors-ligne –Le moteur cognitif lors de son opération Simples à utiliser c3m3e3 (27) c1m1e1 (1) c2m1e1 (2) c1m1e2 (4) c1m2e1 (10) c3m1e1 (3) c2m1e2 (5) c2m2e1 (11) c1m1e3 (7) c1m2e2 (13) c1m3e1 (19) c3m1e3 (9) c3m2e2 (15) c3m3e1 (21) c2m2e3 (17) c2m3e2 (23) c1m3e3 (25) c3m1e2 (6) c3m2e1 (12) c2m1e3 (8) c2m2e2 (14) c2m3e1 (20) c1m2e3 (16) c1m3e2 (22) c3m2e3 (18) c3m3e2 (24) c2m3e3 (26) Modulation Codage canal Égalisation Graphe de robustesse c1 c2 c3 m1 m2 m3 e1 e2 e3

20 … … Rang … … Echelle de performance prédite Configuration … C 23 Processus dexpérimentation 2) Exemples de déroulement dans un espace de conception partiellement ordonné C9C9 C 19 C3C3 C6C6 C7C7 C8C8 C 11 C 13 C 18 C 24 C 26 C 27 C9C9 C 15 C 21 C 17 C 18 C3C3 C5C5 C 11 C7C7 C 13 C 19 C6C6 C 12 C8C8 C 14 C 20 C 16 C2C2 C4C4 C 10 C1C1 C 22 C (région non explorée) Nombre déchecs dexploration C1C1 Mémoire dexploration Oui Non-Incohérence 2110N Erreurs NonOuiNonOui Contrainte vérifiée TEB C6C6 C3C3 C7C7 C 13 (vérification) Config. testée ExploitationExploration Mode P P Exploration 88777HCR 1 2 TEB cible = 10 -3

21 … … Rang … … Echelle de performance prédite Configuration … C 23 Processus dexpérimentation 2) Exemples de déroulement dans un espace de conception partiellement ordonné C9C9 C 19 C3C3 C6C6 C7C7 C8C8 C 11 C 13 C 18 C 24 C 26 C 27 C9C9 C 15 C 21 C 17 C 18 C3C3 C5C5 C 11 C7C7 C 13 C 19 C6C6 C 12 C8C8 C 14 C 20 C 16 C2C2 C4C4 C 10 C1C1 C 22 C Nombre déchecs dexploration C1C1 Mémoire dexploration Prise de décision stochastique (région déjà explorée)

22 22 Problématique de la thèse Positionnement des travaux Modèle de prise de décision autonome adopté Organisation du moteur cognitif Evaluation du moteur cognitif Conclusions et perspectives

23 23 Algorithme de supervision

24 24 Organisation structurelle du moteur cognitif Résolution du problème de conception Analyse du contexte opérationnel Reason And Learn From Experience

25 25 Problématique de la thèse Positionnement des travaux Modèle de prise de décision autonome adopté Organisation fonctionnelle du moteur cognitif Evaluation du moteur cognitif Conclusions et perspectives

26 26 Illustration de l'étude de cas sur un scénario de test BCH(127, 92, 5)c1 BCH(127, 120, 1)c2 Pas de codagec3 Pas dégaliseure3 Égaliseur linéairee2 MLSEe1 Modulation Codage canal Égalisation BPSKm1 QPSKm2 8-PSKm3 Carte de performance pour un canal déterministe à deux trajets Options de reconfiguration considérées = 27 configurations disponibles Objectif: Evaluer les capacités d'apprentissage autonome du moteur cognitif

27 27 Evaluation de la qualité des décisions prises Pourcentage de problèmes résolus sans prendre de mauvaise décision Pourcentage de problèmes se terminant par la sélection de la configuration optimale Le moteur cognitif –améliore son expertise sur lespace de conception –apprend à limiter les risques dexpérimentation La décision finale est quasiment toujours optimale 22% 81% 100% 97%

28 28 Evaluation de lefficacité du moteur cognitif dans sa recherche dune configuration adaptée Nombre moyen de décisions prises par problème traité Nombre moyen de mauvaises décisions prises par problème traité (erreurs de prédiction, tentatives dexploration ratées) Le moteur cognitif trouve une solution adaptée de plus en plus rapidement Le moteur cognitif apprend à minimiser les mauvaises décisions responsables dune dégradation de la QoS Lintroduction de connaissances expertes accélère lexploration de lespace de conception ,5 0 12,1 2,8 0,26

29 29 Evolution de la stratégie stochastique dexploration Après 100 problèmes Après 500 problèmes Après 2000 problèmes Après 5000 problèmes Après problèmes Après problèmes Probabilité dexploration moyennée sur lensemble des automates dapprentissage 0,26 1 0

30 30 Fiabilité du modèle prédictif Après 100 problèmes Après 500 problèmes Après 2000 problèmes Après 5000 problèmes Après problèmes Après problèmes Fiabilité des prédictions et impact sur la qualité des décisions prises 88% 83% 40%

31 31 Impact du moteur cognitif sur les indicateurs de performance de la radio

32 Comportement sur dautres scénarios de test Aucune mauvaise décision Solution finale optimale Nombre de décisions Nombre de mauvaises décisions Probabilité dexploration Fiabilité du moteur cognitif Nombre de règles La progression du moteur cognitif dépend de –la difficulté de lespace de conception – Nombre et taille des régions de classification – Croisement des courbes de performance –la qualité des connaissances embarquées

33 33 Prise en compte dune contrainte de performance différente Passage dune carte 2D à une carte 4D Généralisation à dautres études de cas Méthodologie applicable à tout espace de conception –Apprentissage de la carte de performance

34 34 Problématique de la thèse Positionnement des travaux Modèle de prise de décision autonome adopté Organisation fonctionnelle du moteur cognitif Evaluation du moteur cognitif Conclusions et perspectives

35 35 Contributions principales Mise au point dun modèle original de prise de décision autonome –Prédiction qualitative des performances des configurations –Conception dun processus dexpérimentation en ligne –Apprentissage incrémental de cartes de performance –Identification de connaissances expertes permettant dassister le moteur cognitif dans ses prises de décision –Gestion innovante du dilemme exploration/exploitation Sélection et intégration de techniques dintelligence artificielle appropriées –Systèmes connexionnistes évolutifs –Automates dapprentissage Organisation des mécanismes cognitifs –Architecture structurée, modulaire et évolutive –Réflexions sur des mécanismes complémentaires pour améliorer le comportement du moteur cognitif

36 36 Perspectives Validation expérimentale des propositions d'amélioration du moteur cognitif Prise en compte de différentes échelles de temps des variations du contexte Exploration des limites du moteur cognitif pour des espaces de conception toujours plus complexes Application des concepts à laccès opportuniste au spectre dans une optique d'optimisation des performances

37 37 Publications 1 article de revue internationale –N. Colson, A. Kountouris, A. Wautier, L. Husson, "A Generic Cognitive Framework for Supervising the Radio Dynamic Reconguration. An AI approach based on design problem classication", Annals of Telecommunications, special issue on Cognitive Radio, to be published 3 communications internationales avec actes –N. Colson, A. Kountouris, A. Wautier, L. Husson, "Autonomous Decision Making Process Supporting Cognitive Waveform Design", Proc. PIMRC08, Cannes, France, Sept –N. Colson, A. Kountouris, A. Wautier, L. Husson, "Autonomous Decision Making Process for Dynamic Reconguration of Cognitive Radios", Proc. ICCCN08, Virgin Island, USA, Aug –N. Colson, A. Kountouris, A. Wautier, L. Husson, "Cognitive Decision Making Process Supervising the Radio Dynamic Reconguration", Proc. CROWNCOM08, Singapore, May 2008 Participation au projet IST européen ORACLE –B. Bochow, S. Chantaraskul, N. Colson, A. Kountouris, K. Moessner, S. Thilakawardana, J. Tiemann, "Denition of context ltering mechanisms and policy framework", ORACLE WP4, Deliverable D4.2, May 2007 –B. Bochow, N. Colson, L. Huang, A. Kountouris, K. Moessner, S. Thilakawardana, M. Smirnov, "Draft OR Policy Framework", ORACLE WP4, Deliverable D4.1, Nov communication nationale sans acte –N. Colson, A. Kountouris, "Une application de la radio intelligente : Adaptation dynamique de la complexité algorithmique", Journées Scientiques du CNFRS intitulée "Vers des radiocommunications recongurables et cognitives", Paris, France, Mars rapports internes –N. Colson, A. Kountouris "Wireless Radio and the Internet of Things : a case for Cognitive Radio", Novembre 2007 –N. Colson "Réseaux de neurones", Novembre 2006 –N. Colson "Techniques de prise de décision", Octobre 2006 –N. Colson "Canal radio", Octobre 2006 –N. Colson "Logique oue et théorie des possibilités", Septembre 2006 –N. Colson "Systèmes experts et systèmes experts ous", Août 2006


Télécharger ppt "Mécanismes d'adaptation autonome pour la radio cognitive Nicolas COLSON 06 mai 2009."

Présentations similaires


Annonces Google