Artificial Intelligence For Satellite Communication
Artificial Intelligence For Satellite Communication
COMMUNICATION: A REVIEW
• AI bertujuan untuk membuat mesin menjadi lebih pintar, baik dengan mengikuti
beberapa aturan atau dengan memfasilitasi pembelajaran terpandu. Yang pertama
mengacu pada AI simbolis; yang terakhir mengacu pada ML.
• ML, yang mencakup DL dan RL, adalah bagian dari AI. Berbeda dengan AI simbolik, di mana
mesin diberikan semua aturan untuk menyelesaikan masalah tertentu, dalam ML, mesin
diberikan konteks untuk mempelajari aturan itu sendiri untuk menyelesaikan masalah.
• Proses pembelajaran memerlukan data untuk mengekstrak pola dan struktur tersembunya.
• Fokusnya adalah menemukan representasi data yang optimal agar mendekati hasil yang
diharapkan dengan mencari dalam ruang kemungkinan yang telah ditentukan menggunakan
panduan dari sinyal umpan balik.
• Untuk mencapai hal itu, ada tiga hal yang wajib dilakukan: input data,sampel keluaran yang
diharapkan, dan cara mengukur kinerja algoritme.
2.1.1 SUPERVISED, UNSUPERVISED, AND SEMISUPERVISED
LEARNING
Unsupervised Semi-supervised
Supervised learning : learning :
Algoritma ML juga dapat learning : Pelabelan tidak
diklasifikasikan menjadi supervised, Semua data pelatihan mungkin dilakukan Sebagai jalan tengah
semisupervised, unsupervised, and diberi label, dapat karena kurangnya antara pembelajaran
memeriksa apakah informasi atau tidak yang diawasi dan tidak
RL, seperti yang ditunjukkan pada
prediksinya benar mungkin dilakukan diawasi, pembelajaran
Gambar 3. atau salah pada titik karena biaya tinggi. semi supervise
mana pun dalam memungkinkan
proses training. campuran bagian data
Dengan pelatihan yang tidak
menggunakan data diberi label dan diberi
Model yang diawasi yang tidak berlabel, label.
mempelajari pola model dapat
dari data training mengekstrak pola
untuk kemudian atau struktur Pembelajaran semi-
dapat memprediksi tersembunyi dalam supervisi merupakan
label untuk data yang data yang mungkin pilihan yang sangat
tidak berlabel selama berguna untuk baik ketika hanya
inferensi. SL telah memahami sebagian kecil dari data
diterapkan untuk fenomena tertentu yang tersedia diberi
tugas klasifikasi dan atau keluarannya label dan/atau proses
regresi. dapat digunakan pelabelannya sulit atau
sebagai masukan. mahal. Contoh teknik
ini adalah
pseudolabelling.
2.1.2 PROBABILISTIC MODELING
• CNN, adalah jenis Deep Neural Network (DNN) yang terdiri dari layer-layer
konvolusi dan telah umum digunakan dalam aplikasi visi komputer seperti
klasifikasi gambar, deteksi objek, dan pelacakan objek, speech dan natural
language processing.
• Arsitektur CNN ditentukan dengan memilih ukuran, jumlah, posisi filter
(kernel), dan fungsi aktivasi.
• Training kemudian melibatkan pencarian serangkaian filter terbaik yang
dapat diterapkan pada masukan untuk mengekstrak informasi berguna dan
memprediksi keluaran yang benar.
2.2.2 RECURRENT NEURAL NETWORKS
• Deep generative model melibatkan penemuan dan pembelajaran otomatis keteraturan dalam data masukan
sedemikian rupa sehingga sampel baru dapat dihasilkan.
• Model-model ini telah menunjukkan berbagai aplikasi, khususnya di bidang computer vision. Model generatif yang
paling populer adalah AE variasional (VAE) dan jaringan adversarial generatif (GAN).
• VAE mempelajari distribusi data yang rumit menggunakan NN tanpa pengawasan. Meskipun VAE adalah salah satu
jenis AE, distribusi pengkodeannya diatur selama pelatihan untuk memastikan bahwa ruang latennya (yaitu
representasi data terkompresi) memiliki properti yang baik untuk menghasilkan data baru.
• GAN terdiri dari dua NN dalam kompetisi, di mana jaringan generator G belajar menangkap distribusi data dan
menghasilkan data baru dan model diskriminator D memperkirakan probabilitas bahwa sampel tertentu berasal dari
generator daripada initial training data. Generator digunakan untuk menghasilkan misleading sampel dan untuk
memverifikasi bahwa diskriminator dapat menentukan apakah sampel yang diberikan asli atau palsu.
2.3 REINFORCEMENT LEARNING (RL)
• Pemilihan model AI adalah bidang luas yang mencakup berbagai pendekatan, yang masing-masing mencakup beberapa algoritma.
AI dapat didasarkan pada aturan yang telah ditentukan sebelumnya atau pada ML. Pembelajaran ini dapat berupa pembelajaran
upervised, semi- supervised, unsupervised, atau reinforcement learning.
• Karena setiap pendekatan menawarkan sesuatu yang berbeda pada dunia AI, minat terhadap masing-masing pendekatan harus
bergantung pada masalah yang ada; pendekatan atau algoritma yang lebih kompleks tidak serta merta memberikan hasil yang lebih
baik.
• Oleh karena itu, pilihan pendekatan atau algoritma tidak boleh didasarkan pada keanggunan yang dirasakan, namun dengan
mencocokkan metode dengan karakteristik masalah yang dihadapi, termasuk tujuan, kualitas data, sumber daya komputasi, batasan
waktu. , dan pembaruan prospektif di masa mendatang. Memecahkan suatu masalah mungkin memerlukan kombinasi lebih dari satu
pendekatan.
• Setelah menilai masalah dan memilih pendekatan, suatu algoritma harus dipilih. Algoritma dibandingkan dengan membagi data
menjadi set pelatihan dan set pengujian. Set pelatihan kemudian digunakan untuk melatih model, sedangkan set pengujian
digunakan untuk membandingkan keluaran antar model.
2.4.2 MODEL REGULARIZATION
• Setelah pendekatan dan algoritma dipilih, penyetelan hyperparameter umumnya dilakukan untuk
meningkatkan keluaran algoritma.
• Jebakan umum dalam ML adalah overfitting, yang menyebabkan mesin berhenti belajar
(menggeneralisasi) dan malah mulai menghafal data.
• model dapat mencapai hasil yang baik pada data yang dilihat tetapi gagal ketika dihadapkan dengan
data baru, yaitu, kesalahan pelatihan berkurang dan kesalahan pengujian meningkat, seperti yang
ditunjukkan pada Gambar 7.
• Overfitting dapat ditemukan dengan membagi data menjadi pelatihan , set validasi dan pengujian, yang
mana baik set validasi maupun pengujian tidak digunakan untuk melatih model.
• Set pelatihan digunakan untuk melatih model, set validasi digunakan untuk memverifikasi prediksi
model pada data yang tidak terlihat dan untuk penyetelan hyperparameter, dan set pengujian digunakan
untuk pengujian akhir model.
• Berbagai metode dapat digunakan untuk mengurangi overfitting. Hal ini dapat dikurangi dengan
menambah ukuran kumpulan data, yang biasa dilakukan di bidang computer vision. Metode lain
melibatkan penggunaan validasi silang daripada membagi data menjadi set pelatihan dan set validasi.
• Pembelajaran ansambel, yaitu proses dimana berbagai model dihasilkan dan digabungkan secara cerdik
untuk memecahkan masalah tertentu, juga umum digunakan.
2.4.3 HYPE AND HOPE
• Kemajuan pesat telah dicapai dalam penelitian AI, termasuk berbagai subbidangnya,
selama sepuluh tahun terakhir sebagai hasil dari peningkatan investasi secara eksponensial.
• Meskipun beberapa orang tidak dapat memperkirakan potensi sebenarnya, konsekuensi,
dan relevansi AI, AI akan menjadi bagian integral dari teknologi global.
• Para penulis percaya bahwa kemajuan AI yang tak terelakkan kemungkinan besar akan
mempunyai dampak jangka panjang dan bahwa AI kemungkinan akan menjadi bagian
utama dari beragam penerapan di semua bidang ilmu pengetahuan, mulai dari matematika
hingga komunikasi satelit.
3. APLIKASI AI
DALAM BEBERAPA
ASPEK KOMUNIKASI
SATELIT YANG
BERBEDA
3.1 BEAM HOPPING (BH)
Solusi berbasis AI :
Definisi dan Limitasi :
• Solusi berbasis AI untuk beam hopping telah sepenuhnya
• Sumber daya satelit mahal dan karenanya didasarkan pada pendekatan pembelajaran yaitu pembelajaran
end-to-end. Untuk peningkatan algoritme optimisasi dengan
memerlukan sistem efisien yang menambahkan learning layer, sehingga menggabungkan
melibatkan pengoptimalan dan pembelajaran dan optimasi.
pembagian waktu. • Beberapa penelitian Beam Hopping berbasis AI yang pernah
dilakukan :
• Beam hopping telah muncul sebagai Untuk mengoptimalkan penundaan transmisi dan
teknik yang menjanjikan untuk mencapai throughput sistem dalam sistem satelit multibeam,
fleksibilitas yang lebih besar dalam peneliti merumuskan masalah optimasi dan
memodelkannya sebagai proses keputusan Markov
mengelola permintaan lalu lintas yang (MDP).
tidak seragam dan bervariasi sepanjang Algoritma pembelajaran dan optimasi untuk menangani
hari, tahun, dan masa pakai satelit di pemilihan iluminasi pola beam hopping, di mana
pendekatan pembelajaran, berdasarkan Neural Network
wilayah cakupan. yang terhubung penuh, digunakan untuk memprediksi
pola Beam hopping yang tidak optimal.
• Untuk satelit dengan ratusan atau ribuan
Algoritma DRL multi-tujuan (MO-DRL) dengan
pancaran, algoritma optimasi klasik kompleksitas rendah dapat memastikan keadilan setiap
mungkin memerlukan waktu komputasi sel, dan meningkatkan throughput lebih baik dari teknik
sebelumnya.
yang lama sehingga tidak praktis dalam
Teknik pemilihan multi-aksi berdasarkan pembelajaran
banyak skenario. loop ganda dan memperoleh keadaan multidimensi
menggunakan DNN, dapat mengalokasikan sumber daya
secara cerdas dengan beradaptasi terhadap kebutuhan
pengguna dan kondisi saluran.
3.2 ANTI-JAMMING
disebarkan; itu dimodelkan sebagai respons impuls • perkiraan parameter saluran, termasuk deviasi standar bayangan dan
saluran dalam domain frekuensi atau waktu. eksponen kehilangan jalur, dari citra satelit menggunakan CNN dalam tanpa
menggunakan parameter masukan tambahan apa pun, seperti yang
• Saluran nirkabel menghadirkan berbagai tantangan untuk ditunjukkan pada Gambar 11.
komunikasi berkecepatan tinggi yang andal, karena
• Dengan menggunakan model DL pada citra satelit dan parameter masukan
rentan terhadap kebisingan, interferensi, dan hambatan lainnya untuk memprediksi daya penerimaan sinyal referensi (RSRP) untuk
saluran lainnya, termasuk kehilangan jalur dan bayangan. lokasi penerima tertentu dalam skenario/area tertentu, Thrane dkk.
• Model saluran yang tepat diperlukan untuk menilai menunjukkan peningkatan gain.
• Penerapan AI telah menunjukkan hasil yang luar biasa dalam berbagai aspek
komunikasi satelit, termasuk beam-hopping, AJ, prakiraan lalu lintas
jaringan, channel modeling, telemetry mining, pendeteksian kilau ionosfer,
pengelolaan interferensi, penginderaan jauh, pemodelan perilaku, space-air-
ground integrating, dan pengelolaan energi.
• Pekerjaan di masa depan harus bertujuan untuk menerapkan AI, ke sistem
komunikasi yang lebih efisien, aman, andal, dan berkualitas tinggi.