机器学习辅助的方法优化光束选择和更新周期在5G网络和超越
Ludwing Marenco1, Luiz E Hupalo2, Naylson F Andrade2
1Instituto Nacional de Telecomunicações-INATEL, Santa Rita do Sapucaí, Brazil. ludwing@inatel.br.
Scientific reports
|August 29, 2024
概括
本研究介绍了一种机器学习方法,以优化5G毫米波网络中的光束对选择和更新时间. 该方法通过智能地管理光束对程序,显著提高了信号质量和数据吞吐量.
科学领域:
- 电信工程 电信工程 电信工程
- 机器学习应用 机器学习应用
- 无线通信系统无线通信系统
背景情况:
- 使用毫米波 (mmWave) 频率的5G系统面临着耗时和资源的光束对选择和更新程序的挑战.
- 这些程序的效率对于在动态移动环境中保持最佳性能至关重要.
研究的目的:
- 提出和评估一种基于机器学习的新方法,用于优化5G毫米波网络中的光束对选择和更新时间.
- 提高无线通信系统中光束管理的效率和性能.
主要方法:
- 在收集的光束对数据上培训机器学习模型的开发.
- 实施三模块结构:服务区域的空间特征,模型训练和优化算法.
- 利用用户设备的空间位置和速度来计算最佳的光束对更新时间.
主要成果:
- 在模拟的毫米波场景中观察到信号与干扰加噪声比 (SINR) 和传输率高达15%的改善.
- 在光束对选择中实现了20%的减少.
- 波束对搜索之间的有效时间增加了约10%.
结论:
- 拟议的机器学习方法为5G和未来的无线网络中的束对程序提供实时优化.
- 这种智能方法解决了传统,资源密集型光束管理技术的局限性.


