در تسهیم طیف بین کاربران مختلف، مقابله با تداخلگر موجود در شبکه بسیار حیاتی است. اهمیت این کار به ویژه زمانی دوچندان می‌شود که تداخلگر، هوشمند بوده و قادر به یادگیری الگوهای ارتباطی بین کاربران باشد. در این مقاله، روشی برای تسهیم طیف با هدف مقابله با تداخلگر شبکه پیشنهاد می گردد. شیوه پیشنهادی بر پایه یادگیری تقویتی چندعاملی است. در مرحله اول، طیف‌های مورد حمله تداخلگر توسط ایستگاه پایه به دست می آیند. در مرحله بعد، یک چارچوب یادگیری تقویتی عمیق طراحی می‌شود که به هرکدام از کاربران طیف امن و مناسب را پیشنهاد می‌دهد. برای این منظور از همبستگی بین سیگنال راهنمای ارسالی و سیگنال دریافتی در هر بازه فرکانسی، میزان تاثیر تداخلگر در آن زیرباند حاصل می شود. سپس ضریب تخفیف الگوریتم یادگیری تقویتی بر پایه مقدار همبستگی به صورت وفقی تنظیم می گردد. به این ترتیب، زیرباندهایی که کمتر تحت تاثیر تداخلگر واقع شده اند، به کاربران اختصاص می یابند. روش پیشنهادی در سناریوهای مختلف مورد شبیه سازی و ارزیابی قرار گرفته و نتایج حاکی از آن است که نرخ مجموع شبکه با سرعت بالایی به نرخ مطلوب همگرا می شود و شیوه پیشنهادی مقاومت خوبی در برابر تداخلگر از خود نشان می دهد.
kazemi N, azghani M. Spectrum Sharing in Anti-jamming Using Multi-agent Reinforcement Learning. Nonlinear Systems in Electrical Engineering 2023; 10 (2) : 3 URL: http://journals.sut.ac.ir/jnsee/article-1-451-fa.html
کاظمی ندا، آذغانی معصومه. تسهیم طیف برای مقابله با تداخلگر با استفاده از یادگیری عمیق تقویتی چندعاملی. سامانه های غیر خطی در مهندسی برق. 1402; 10 (2) :55-73
نشریه سامانه‌های غیرخطی در مهندسی برق در خصوص اصول اخلاقی انتشار مقاله، از توصیه‌های «کمیته بین‌المللی اخلاق نشر» موسوم به COPE و «منشور و موازین اخلاق پژوهش» مصوب معاونت پژوهش و فناوری وزارت علوم، تحقیقات و فناوری تبعیت می‌کند.
