پيام كريمي نژاد

Access Point selec‎tion in Cell-Free Massive MIMO Systems Based on Energy Efficiency Using Machine Learning Methods

در اين پروژه، به دنبال يافتن روش بهينه براي انتخاب AP در يك سيستم Cell Free Massive MIMO بودم تا بتوانيم بهره‌وري انرژي (EE) و طيف(SE) را در سناريوي شهري Urban Microcell بالا ببريم. ابتدا با مدل‌سازي دقيق كانال شامل تضعيف بزرگ‌مقياس و shadowing، شبكه را شبيه‌سازي كردم و براي مقايسه، سه روش كلاسيك All AP، Delta APS، N APS را پياده‌سازي و خروجي آن‌ها را ثبت كردم. سپس الگوريتم يادگيري تقويتي عميق DDPG را با تعريف دقيق state، action و reward حاوي جريمه سنگين براي كاربران زير نرخ مينيمم R_th آموزش دادم. نتايج نشان داد كه حتي سياست‌هاي بهينه قادر به حذف كامل جريمه نيستند، اما تعداد كاربران ناقض محدوديت به‌طور محسوس كاهش يافته و EE و SE رشد كرده است. نتيجه كلي اين است كه روش‌هاي DRL به‌ويژه DDPG، برتري قابل توجهي نسبت به روش‌هاي كلاسيك دارند و مي‌توانند در طراحي سيستم‌هاي آينده مثل G6 نقش كليدي ايفا كنند.

سيستم هاي انبوه آنتني , انتخاب نقطه دسترسي , يادگيري تقويتي عميق