26040

انتخاب مدولاسيون و آنتن در سيستم‌هاي چند-ورودي چند-خروجي با استفاده از الگوريتم يادگيري تقويتي عميق

كارشناسي ارشد

مهندسي برق- مخابرات سيستم

1400

1400/10/18

دكتر سيد محمد رضوي زاده

دكتر شاهرخ فرهمند

مهندسي برق

طراحي فرستنده و گيرنده به صورت منطبق بر شرايط محيط مخابراتي مي‌تواند منجر به افزايش نرخ داده و ظرفيت در شبكه‌هاي مخابراتي شود. از جمله‌ي اين روش‌ها مي‌توان به انتخاب مرتبه‌ي مدولاسيون و انتخاب آنتن اشاره كرد. انتخاب تطبيقي مرتبه‌ي مدولاسيون يك روش قدرتمند به منظور افزايش گذردهي و بازدهي طيفي سيستم مي‌باشد. همچنين در سيستم‌هاي چند-ورودي چند-خروجي(MIMO ) با استفاده از چند آنتن در سمت فرستنده و گيرنده بدون نياز به افزايش توان و پهناي باند مي‌تواند منجر به افزايش ظرفيت و قابليت اطمينان لينك شود، اما از سوي ديگر تعداد زنجيره‌هاي فركانسي(RF ) منجر به افزايش هزينه و پيچيدگي در فرستنده و گيرنده مي‌شود. به همين دليل، تعداد زنجيره‌هاي فركانسي معمولا كمتر از تعداد آنتن‌ها مي‌باشد كه در نتيجه‌ يك زير مجموعه از آنتن‌ها بايد براي ارتباط انتخاب شوند. در اين پايان نامه اين دو مسئله به صورت مجزا مورد بررسي قرار گرفته اند. در مسئله‌ي اول انتخاب مدولاسيون با اطلاعات منسوخ شده‌ي حالت كانال(CSI ) در نظر گرفته شده-است. از روش‌هاي موجود براي حل اين مشكل، استفاده از يك مدل ميانگين متحرك اتورگرسيو خطي و يا غير خطي(Nonlinear ARMA ) به منظور پيش بيني CSI فعلي از نمونه‌ي منسوخ شده‌ي آن است، كه تنها در صورتي امكان پذير است كه تغييرات كانال خطي و يا در صورت غير خطي بودن به اندازه كافي هموار باشد، كه لزوما در محيط‌هاي مخابراتي بر قرار نمي‌باشد. در اين پايان نامه به منظور حل اين مشكل، يك رويكرد انتخاب تطبيقي مدولاسيون مبتني بر يادگيري تقويتي عميق(DRL ) مطرح مي‌شود. با وجود آن كه DRL نسبت به روش‌هاي مطرح شده پيچيدگي بيشتري دارد ولي شبيه¬سازي‌ها با داده‌ي واقعي نشان مي‌دهد عملكرد به مراتب بهتري نيز دارد. در مسئله‌ي دوم، محدوديت تعداد زنجيره‌هاي RF كه معمولا كمتر از تعداد آنتن‌هاي سيستم چند-ورودي چند-خروجي است بررسي شده¬است. در نتيجه مسئله انتخاب آنتن در يك سيستم چند-ورودي چند-خروجي در نظر گرفته شده¬است و مي‌خواهيم زير مجموعه‌اي از آنتن‌ها را در سمت فرستنده و گيرنده به صورت مشترك به گونه‌اي انتخاب كنيم كه منجر بيشينه شدن نرخ سيگنال به نويز(SNR ) دريافتي شود. سپس از روش DRL به منظور حل اين مسئله استفاده شده¬است. نتايج شبيه¬سازي نشان مي‌دهد روش پيشنهادي مي‌تواند عملكردي تقريبا مشابه با حالت بهينه‌ي انتخاب آنتن مبتني بر جستجوي جامع داشته باشد.

1400/11/20

Deep Reinforcement Learning based Adaptive Modulation and Antenna selection in MIMO Systems

1/8/2023 12:00:00 AM

Adapting transmission parameters, such as the constellation size and transmit or receive antennas selection, to the channel conditions can achieve higher data rate and capacity in wireless systems compared to their non-adaptive counterparts. Adaptive modulation is a powerful technique to enhance the spectral efficiency and throughput of the wireless systems. Multiple-Input Multiple-Output(MIMO) wireless systems, characterized by multiple antenna elements at the transmitter and receiver, can improve the capacity and reliability of the link without any increase in bandwidth or transmit power. However, multiple RF chains associated with multiple antennas are costly in terms of size, power, and hardware. Therefore, number of RF chains are usually smaller than number of antennas. Hence, a subset of existing antennas should be selected for communication. Here we consider these two problems separately. In the first problem, adaptive modulation with outdated channel state information (CSI) is considered. The best existing approach to tackle this problem relies on using a (non-)linear auto-regressive moving average (ARMA) model to predict current CSI from outdated values. This approach is valid only if the wireless channel variations over time behave in a linear or smooth enough nonlinear fashion, which is not necessarily the case. We propose a deep reinforcement learning-based adaptive modulation (DRL-AM) approach that can handle this limitation. While DRL-AM is more complex than (non-)linear AR(MA), it performs significantly better as corroborated via numerical results on real channel measurements. In the second problem, the limitation of the number of RF chains, which is usually less than the number of antennas, is investigated. As a result, we consider a joint transmit and receive antenna subset selection to maximize the received signal-to-noise ratio(SNR). We propose a DRL-based antenna selection approach to solve this problem. The numerical results demonstrate that the proposed method can obtain almost the same performance as the exhaustive-search-based optimal antenna selection algorithm.

انتخاب تطبيقي مدولاسيون , انتخاب آنتن، سيستم چند-ورودي چند-خروجي , يادگيري تقويتي عميق , اطلاعات منسوخ شده‌ي كانال

Adaptive modulation selection , antenna selection, multi-input multi-output(MIMO) system , deep reinforcement learning(DRL) , outdated channel state information(CSI)