人工智能辅助的动态端口和波形切换,用于增强5G NR中的UL覆盖范围
Alejandro Villena-Rodríguez1, Francisco J Martín-Vega1, Gerardo Gómez1
1Communications and Signal Processing Lab, Telecommunication Research Institute (TELMA), E.T.S. Ingeniería de Telecomunicación, Universidad de Málaga, Bulevar Louis Pasteur 35, 29010 Málaga, Spain.
本研究介绍了使用深度强化学习 (DRL) 的5G网络的智能波形切换机制. DRL方法优化了信号噪声比 (SNR) 值,以提高吞吐量,特别是对于细胞边缘用户.
科学领域:
- 电信工程 电信工程 电信工程
- 无线通信系统无线通信系统
- 机器学习应用 机器学习应用
背景情况:
- 5G网络使用循环前直角频率分割复杂化 (CP-OFDM) 和离散里叶变换扩散 OFDM (DFT-S-OFDM) 波形.
- 波形选择影响功率放大器 (PA) 的效率和用户吞吐量,特别是在单元内部与单元边缘用户之间.
- 由于动态网络条件,现有的静态信号噪声比 (SNR) 值不足.
研究的目的:
- 开发一个适应性波形切换机制,用于5G上链.
- 为细胞平均和细胞边缘用户优化吞吐量.
- 为了解决基于静态值的波形选择的局限性.
主要方法:
- 实施深度强化学习 (DRL) 代理用于智能波形切换.
- 基于真实网络吞吐量百分比的函数的优化,以公平度加权.
- 使用聚合信号噪声比 (SNR) 和时间提前 (TA) 测量.
- 在DRL模型中包含切换成本 (通信中断).
主要成果:
- 拟议的DRL方案为细胞边缘用户实现了显著的吞吐量增长.
- 平均网络吞吐量保持在没有退化的情况下.
- 适应机制有效地处理不同的用户和道动态.
结论:
- 深度强化学习为5G网络中的自适应波形选择提供了有效的解决方案.
- 拟议的方法增强了用户体验,特别是对于具有挑战性的细胞边缘场景.
- 考虑切换成本可以提高波形选择策略的实际适用性.
更多相关视频
07:49Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization
Published on: November 26, 2019
07:46Author Spotlight: Revolutionizing Remote Surgery with Augmented Reality and Robotics for Enhanced Precision and Accessibility
Published on: August 9, 2024
相关概念视频
Maximum Power Transfer
By substituting the entire circuit with...
Fast Decoupled and DC Powerflow
Standing Electromagnetic Waves
Suppose a sheet of a perfect conductor is placed in the yz-plane, and a linearly polarized electromagnetic wave traveling in the...
Transmission Line Design Considerations
PD Controller: Design
Designing a continuous-data controller requires selecting and linking components like adders and integrators, which are fundamental in Proportional,...
Wave Parameters
