MMFeb, 2017

基于深度学习的 LTE 非授权频谱主动资源管理

PDF
TL;DR本文提出了一种基于深度学习的资源分配机制，使得 LTE-LAA 小基站可以在与 WLAN 网络和其他 LTE-LAA 运营商公平竞争的情况下，实现动态选择频道，载波聚合和分数谱访问。该机制可以解决频谱稀缺的问题，避免 LTE-LAA 网络在低峰期内频谱利用率不足跟上未来的数据需求。实验结果表明，与传统反应式方法和比例公平机制相比，该方案可以使总服务 LTE-LAA 流量负载提高 28% 和 11%。
发现论文，激发创造
  • Wi-Fi 和 LTE-LAA 共存的公平性

    本文通过新的分析模型来研究 LTE 和 802.11 网络的协同工作，重点关注它们的公平性和共存能力，并比较形式化的访问和比例公平性定义。

    Apr, 2018

  • LTE 和 NR 的动态频谱共享的深度强化学习

    本文提出一种新型的动态频谱共享方案，并使用深度强化学习算法基于蒙特卡罗树搜索进行资源分配，该方案能够在考虑未来网络状态的情况下执行操作，比当前的其他方案表现更好。

    Feb, 2021

  • 应用液态状态机学习实现 LTE-U 无人机网络资源及缓存管理

    针对具有缓存功能的无人机网络服务，提出了基于机器学习框架的分布式算法，解决了用户关联、频谱分配、内容缓存等问题，实验结果表明相比基于 Q-learning 算法的缓存和不缓存算法，优化后的算法在稳定队列用户数上分别有 33.3% 和 50.3% 的提高。

    Jan, 2018

  • 深度强化学习在蜂窝网络中联合频谱和功率分配中的应用

    本文提出了一个学习框架来优化无线网络的频谱和功率分配，使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练，模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。

    Dec, 2020

  • 基于学习的近似 POMDP 的认知无线电频谱感知和接入

    提出了一种新的 LEarning-based Spectrum Sensing and Access (LESSA) 框架，采用 Baum-Welch 算法学习参数化 Markov 转移模型以控制决策，通过随机点值迭代方法将频谱感知和接入定义为部分可观测的 Markov 决策过程，并提出基于协作的 TD-SARSA 方法以及贪心分布式学习的 MA-LESSA，其中，MA-LESSA 在 DARPA SC2 平台上取得了显著的性能优势和实现可行性的验证.

    Jul, 2021

  • LTE-U 和 Wi-Fi 网络的协调动态频谱管理

    本篇论文研究了 Wi-Fi 和 LTE 在新兴无线电频率中的共存，提出了分析模型来评估共存 Wi-Fi 和 LTE 的基本性能，并得出两者对彼此都会产生显著干扰的结论；提出了基于逻辑集中的无线电资源管理的解决方案来实现两者的协同，数值结果表明，该方法可以大幅提升 Wi-Fi 和 LTE 的性能。

    Jul, 2015

  • 针对 5G 不同服务质量需求的无线资源分配的深度学习

    本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

    Mar, 2020

  • 基于分布式动态 6G 应用的语义感知多址方案

    本研究介绍了在语义感知的范式下，如何通过资源分配决策来优化利用公平度的权衡，同时考虑到用户数据相关性。通过引入自我和协助吞吐量的概念，提出了一种新的无线频谱多接入问题的解决方法，利用 α 公平度度量优化。通过单信道和多信道的场景评估，发现在各种 α 值、关联矩阵和信道条件下，SAMA-D3QL 方法都表现优于其他方法，从而为未来联邦动态应用的实现提供了有希望的候选方案。

    Jan, 2024

  • LTE-U 中用于自组织资源分配的 Echo State 网络，通过上下行解耦

    本篇论文研究了包含 LTE-U 的异构小型蜂窝网络中的上下行解耦资源分配问题，提出了一个基于回声状态网络框架的分布式算法，该算法可以使小型基站自主选择其最优的带宽分配策略，并在用户关联、频谱分配和负载均衡方面取得了显著的增益。

    Jan, 2016

  • 太赫兹通信系统的无监督学习频谱分配方法

    提出了一种无监督学习辅助的新的频谱分配策略，其中考虑了自适应子带宽，能够将感兴趣的频谱划分为带宽不均的子带，减少了用户之间分子吸收损耗的差异，进而提高数据传输速率性能。在该策略中，首先提出了一个优化问题以确定最佳子带宽度和发射功率，然后提出了无监督学习方法以获得该问题的接近最优解。结果表明，相对于现有方法，我们提出的无监督学习方法可以获得更高的数据传输速率，尤其是在感兴趣的频谱内分子吸收系数变化非常非线性的情况下。

    Aug, 2022