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

Présentations similaires


Présentation au sujet: "Mécanismes d'adaptation autonome pour la radio cognitive"— Transcription de la présentation:

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

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 presentation title

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 presentation title

4 Défis pour la conception des futurs systèmes de communication
Optimiser la gestion des ressources disponibles En développant de nouvelles techniques pour transmettre l’information plus efficacement En adaptant le comportement de la radio à son environnement Développer l’intelligence embarquée Limites des mécanismes d’adaptation actuels Définis sur des périmètres d’action étroits Basés sur un nombre limité d’événements 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] presentation title

5 Radio cognitive [Mitola99]
Adaptation totale et autonome au contexte opérationnel Respecter le cadre de régulation contrôlant l’accès au spectre Satisfaire les besoins de l’utilisateur 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 Introduction d’un cycle cognitif Décision sur la meilleure ligne de conduite à adopter Observer Raisonner Sensibilité au contexte (mesures, estimations, …) Apprendre Amélioration des performances avec les expériences vécues Reconfiguration du système de communication Agir Conception d’un moteur cognitif presentation title

6 Synoptique d'un moteur cognitif
presentation title

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 presentation title

8 Approches cognitives existantes
+ 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 d’un modèle représentatif Données d’apprentissage à collecter Risque de complexité algorithmique Approche experte Approche exploratoire Approche prédictive Règles/politiques Algorithmes génétiques Raisonnement par cas Réseaux de neurones, HMM, réseaux bayésiens, SVM, modèles de régression, … [Mitola00][DARPA07] [Rieser04][Rondeau07] [Weingart07][Baldo08] presentation title

9 Critères de conception du moteur cognitif
Autonomie décisionnelle Capacités de prédiction Exploration en ligne de l’espace de conception Apprentissage incrémental Efficacité dans la recherche d’une configuration adaptée Maximiser les décisions optimales Minimiser les mauvaises décisions Assurer une bonne réactivité du moteur cognitif Limiter l’impact des mécanismes cognitifs sur l’autonomie de la batterie Mécanismes génériques Souci de flexibilité et de pérennité presentation title

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 presentation title

11 Etapes de résolution d’un problème de conception
1) Contraintes de faisabilité 2) Contraintes de performance 3) Préférences d’optimisation presentation title

12 Introduction de relations d’ordre entre les alternatives de configuration
Echelle relative de performance Ordonne les configurations en fonction de leur robustesse face aux contraintes de performance Structure l’exploration de l’espace de conception pour l’apprentissage d’un modèle prédictif fiable Etablie par le modèle prédictif en fonction de l’environnement radio Confortée par des connaissances expertes plus ou moins fortes sur la robustesse relative des configurations Echelle relative d’optimalité Ordonne les configurations en fonction de leur satisfaction vis-à-vis des préférences d’optimisation Structure l’exploration de l’espace de conception pour la sélection d’une configuration adaptée Etablie par un système de notation S’appuyant sur des fonctions objectifs paramétrées presentation title

13 (HCR: rang de plus haute compatibilité)
Apprentissage de la carte de performance 1) Exemple d’espace de conception totalement ordonné Echelle de performance C0 C3 C2 C4 C5 C1 C6 6 MCS Méthode choisie pour cet apprentissage: Systèmes connexionnistes évolutifs (HCR: rang de plus haute compatibilité) [N. Kasabov, “Evolving Connectionist Systems. The Knowledge Engineering Approach”, Springer, 2007] presentation title

14 Apprentissage de la carte de performance 2) Exemple d’espace de conception partiellement ordonné
Echelles de performance possibles C0 C4 C2 C3 C5 C1 C6 HCR = 3 HCR = 4 HCR = 4 HCR = 0 HCR = 1 HCR = 2 HCR = 5 HCR = 6 HCR = 3 Prédiction de l’échelle de performance Prédiction de la configuration compatible la moins robuste Déduction du rang de plus haute compatibilité (HCR) presentation title

15 Prédiction des performances et prise de décision
Espace de conception réduit Identification de l’échelle de performance C5 Plus grande probabilité de vérifier la contrainte C1 1) C2 2) C0 C1 C2 C3 C4 C5 C6 C3 C4 C0 C6 Plus grande robustesse à l'environnement radio Calcul de l’échelle d’optimalité C1 C2 C3 C4 Identification du HCR Scénario 1 Compromis plus intéressant (OP1) 3) C0 C1 C2 C3 C4 C5 C6 C1 C4 C2 C3 Scénario 2 Prédiction qualitative Réduit le nombre d’informations à mémoriser Tolérance aux erreurs de prédiction Compromis plus intéressant (OP2) Prise de décision presentation title

16 Tolérance aux erreurs de prédiction
HCRPrédit HCRRéel Erreurs de classement Qualité de la décision Scénario 1 Scénario 2 4 = 4 Non Optimale Optimale 4 < 5 Non Sous optimale Optimale 4 > 3 Non Erronée Optimale 4 = 4 Oui Optimale Optimale 4 > 3 Oui Optimale Erronée Une erreur de prédiction n'entraîne pas systématiquement une mauvaise décision C5 Décision prise C1 C2 C3 C4 Performances prédites Scénario 1 Compromis plus intéressant (OP1) C0 C1 C2 C3 C4 C5 C6 C1 C4 C2 C3 Scénario 2 Performances réelles Compromis plus intéressant (OP2) C5 C0 C1 C2 C3 C4 C5 C6 presentation title

17 Gestion du dilemme exploration/exploitation
Mise au point d’une stratégie stochastique d’exploration Mémorisée par une équipe d’automates d’apprentissage Chaque automate retient la probabilité d’exploration locale (Pi) S’appuyant sur le partitionnement de l’espace de conception (réalisé par le système connexionniste) Intérêt d’une stratégie stochastique L’expérimentation ne garantit pas toujours de trouver la configuration optimale dans un espace partiellement ordonné Le partitionnement de l’espace réalisé est incertain La mise à jour de la stratégie dépend des résultats d’expérimentation Succès de la phase d’expérimentation Modification des relations d’ordre Mise à jour du rang de plus haute compatibilité Echec de la phase d’expérimentation Aucune mise à jour des connaissances Pi Pi [ 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] presentation title

18 Processus d’expérimentation (exploration en ligne) 1) Exemples de déroulement dans un espace de conception totalement ordonné Vérification de l’état actuel des connaissances Tester la configuration associée au HCR Réaction adaptée aux retours de l’environnement C0 C1 C2 C3 C4 C5 C6 C0 C1 C2 C3 C4 C5 C6 Régression le long de l’échelle de performance Progression le long de l’échelle de performance (succès) Attitude prudente C0 C1 C2 C3 C4 C5 C6 C0 C1 C2 C3 C4 C5 C6 HCR: 2  3  4 5  4 HCR: 5  1  2 3  2 Progression le long de l’échelle de performance (échec) Attitude agressive C0 C1 C2 C3 C4 C5 C6 C0 C1 C2 C3 C4 C5 C6 HCR: 5 4 3  2 HCR: 2 3  2 presentation title

19 Introduction de connaissances expertes
Codage canal Modulation Égalisation c1m1e1 (1) c1 m1 e1 c2m1e1 (2) c1m1e2 (4) c1m2e1 (10) c2 m2 e2 c3m1e1 (3) c2m1e2 (5) c2m2e1 (11) c1m1e3 (7) c1m2e2 (13) c1m3e1 (19) c3 m3 e3 c3m1e2 (6) c3m2e1 (12) c2m1e3 (8) c2m2e2 (14) c2m3e1 (20) c1m2e3 (16) c1m3e2 (22) c3m1e3 (9) c3m2e2 (15) c3m3e1 (21) c2m2e3 (17) c2m3e2 (23) c1m3e3 (25) Accélérant l’apprentissage d’un modèle prédictif fiable Exploitées lors de l’expérimentation 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 c3m2e3 (18) c3m3e2 (24) c2m3e3 (26) c3m3e3 (27) Graphe de robustesse presentation title

20 Echelle de performance prédite
Processus d’expérimentation 2) Exemples de déroulement dans un espace de conception partiellement ordonné (région non explorée) Rang 8 10 13 14 9 11 12 6 7 1 Echelle de performance prédite Configuration C1 C11 C13 C7 C8 C3 C6 C9 C19 C14 Nombre d’échecs d’exploration 1 1 1 1 1 2 Mémoire d’exploration C1 C2 C4 C10 HCR 7 7 7 8 8 PExploration 0.85 0.85 0.61 0.61 0.44 C3 C5 C11 C7 C13 C19 P 0.42 - 0.12 - 0.77 Mode Exploration Exploration Exploration Exploration Exploitation C6 C12 C8 C14 C20 C16 C22 Config. testée C13 (vérification) C7 C3 C6 TEB 6.10-5 2.10-2 8.10-5 4.10-3 C9 C15 C21 C17 C23 C18 Contrainte vérifiée Oui Non Oui Non C18 C24 C26 NErreurs 1 1 2 Incohérence - Non Oui Oui C27 TEB cible = 10-3 presentation title

21 Echelle de performance prédite
Processus d’expérimentation 2) Exemples de déroulement dans un espace de conception partiellement ordonné (région déjà explorée) Rang 8 10 13 14 9 11 12 6 7 1 Echelle de performance prédite Configuration C1 C11 C13 C7 C8 C3 C6 C9 C19 C14 Nombre d’échecs d’exploration 2 2 1 2 4 1 Mémoire d’exploration C1 1 0.14 0.36 0.57 C2 C4 C10 0.88 C3 C5 C11 C7 C13 C19 C6 C12 C8 C14 C20 C16 C22 C9 C15 C21 C17 C23 C18 C18 C24 C26 Prise de décision stochastique C27 presentation title

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 presentation title

23 Algorithme de supervision
presentation title

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

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 presentation title

26 Illustration de l'étude de cas sur un scénario de test
Options de reconfiguration considérées Carte de performance pour un canal déterministe à deux trajets BCH(127, 92, 5) c1 BCH(127, 120, 1) c2 Pas de codage c3 Pas d’égaliseur e3 Égaliseur linéaire e2 MLSE e1 Modulation Codage canal Égalisation BPSK m1 QPSK m2 8-PSK m3 333 = 27 configurations disponibles Objectif: Evaluer les capacités d'apprentissage autonome du moteur cognitif presentation title

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 100% 97% 81% 22% Le moteur cognitif améliore son expertise sur l’espace de conception apprend à limiter les risques d’expérimentation La décision finale est quasiment toujours optimale presentation title

28 Evaluation de l’efficacité du moteur cognitif dans sa recherche d’une configuration adaptée
Nombre moyen de décisions prises par problème traité Nombre moyen de mauvaises décisions prises par problème traité (erreurs de prédiction, tentatives d’exploration ratées) 28 12,1 13 2,8 1,5 0,26 1 Le moteur cognitif trouve une solution adaptée de plus en plus rapidement Le moteur cognitif apprend à minimiser les mauvaises décisions responsables d’une dégradation de la QoS L’introduction de connaissances expertes accélère l’exploration de l’espace de conception presentation title

29 Evolution de la stratégie stochastique d’exploration
1 Probabilité d’exploration moyennée sur l’ensemble des automates d’apprentissage Après 100 problèmes Après 500 problèmes 0,26 Après 2000 problèmes Après 5000 problèmes Après problèmes Après problèmes presentation title

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

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

32 Comportement sur d’autres scénarios de test
La progression du moteur cognitif dépend de la difficulté de l’espace de conception Nombre et taille des régions de classification Croisement des courbes de performance la qualité des connaissances embarquées + + Aucune mauvaise décision Solution finale optimale Nombre de décisions Nombre de mauvaises décisions Probabilité d’exploration Fiabilité du moteur cognitif Nombre de règles 94.8 95.4 1.16 0.052 0.079 93.9 255.8 80.9 97.0 1.51 0.26 0.258 87.6 1521.8 82.5 97.5 1.46 0.22 0.242 87.9 1379.0 - + + + + + + + + + + + presentation title

33 Généralisation à d’autres études de cas
Méthodologie applicable à tout espace de conception Apprentissage de la carte de performance Prise en compte d’une contrainte de performance différente Passage d’une carte 2D à une carte 4D presentation title

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 presentation title

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

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 l’accès opportuniste au spectre dans une optique d'optimisation des performances presentation title

37 Publications 1 article de revue internationale
N. Colson, A. Kountouris, A. Wautier, L. Husson, "A Generic Cognitive Framework for Supervising the Radio Dynamic Reconfiguration. An AI approach based on design problem classification", 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. 2008 N. Colson, A. Kountouris, A. Wautier, L. Husson, "Autonomous Decision Making Process for Dynamic Reconfiguration of Cognitive Radios", Proc. ICCCN08, Virgin Island, USA, Aug. 2008 N. Colson, A. Kountouris, A. Wautier, L. Husson, "Cognitive Decision Making Process Supervising the Radio Dynamic Reconfiguration", 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, "Definition of context filtering 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. 2006 1 communication nationale sans acte N. Colson, A. Kountouris, "Une application de la radio intelligente : Adaptation dynamique de la complexité algorithmique", Journées Scientifiques du CNFRS intitulée "Vers des radiocommunications reconfigurables et cognitives", Paris, France, Mars 2006 6 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 floue et théorie des possibilités", Septembre 2006 N. Colson "Systèmes experts et systèmes experts flous", Août 2006 presentation title


Télécharger ppt "Mécanismes d'adaptation autonome pour la radio cognitive"

Présentations similaires


Annonces Google