شماره ركورد
9968
پديد آورنده
حسين بخشي
عنوان
بهينه سازي توان در سيستم هاي انبوه آنتني بدون سلول با محدوديت لينك فرانتهاول با استفاده از روشهاي يادگيري ماشين
مقطع تحصيلي
كارشناسي
رشته تحصيلي
مهندسي برق
سال فارغ التحصيلي
1404
استاد راهنما
سيد محمد رضوي زاده
دانشجوي وارد كننده اطلاعات
حسين بخشي
تاريخ ورود اطلاعات
1404/08/11
دانشكده
دانشكده برق
عنوان به انگليسي
Power Optimization in Cell-Free Massive MIMO Systems with Fronthaul Capacity Constraints Using Machine Learning Methods
چكيده
در سالهاي اخير، سامانههاي سلولآزاد مايمو عظيم (Cell-Free Massive MIMO) بهعنوان يكي از معماريهاي نوين شبكههاي بيسيم مطرح شدهاند كه با توزيع آنتنها در سطح گسترده، پوشش يكنواختتري براي كاربران فراهم ميكنند. با اين حال، در اين ساختار، هر ايستگاه دسترسي از طريق لينكهاي فرانتهاول با ظرفيت محدود به واحد پردازش مركزي متصل است و همين محدوديت، به يكي از چالشهاي اصلي طراحي سيستم تبديل ميشود.
براي مواجهه با اين محدوديت، دو استراتژي انتقال داده موسوم به Compress–Forward–Estimate (CFE) و Estimate–Compress–Forward (ECF) مطرح ميشوند كه تفاوت آنها در محل انجام تخمين كانال و نحوه ارسال دادههاي فشردهشده به مركز پردازش است. در اين پژوهش، عملكرد اين دو استراتژي در حضور نقص سختافزاري در فرستنده و گيرنده بررسي شده و چند روش براي دستيابي به تخصيص بهينه توان و ظرفيت فرانتهاول ارائه ميشود.
در ادامه، براي استراتژي ECF علاوه بر روشهاي تحليلي كلاسيك، يك رويكرد نوين مبتني بر يادگيري ماشين معرفي ميگردد. در اين روش، با استفاده از يك شبكه عصبي عميق موسوم به PowerNet ، تخصيص توان كاربران و تقسيم ظرفيت لينك فرانتهاول ميان ارسال داده و اطلاعات كانال، بهصورت يادگيري بدونناظر و با پيچيدگي محاسباتي بسيار پايينتر انجام ميشود.
نتايج شبيهسازيها نشان ميدهد كه روش يادگيريمحور، با وجود كاهش چشمگير زمان محاسبه، كارايياي نزديك يا حتي برتر از روشهاي بهينهسازي سنتي دارد و ميتواند بهعنوان راهكاري كارآمد و مقياسپذير براي مديريت منابع در سامانههاي سلولآزاد مايمو عظيم مورد استفاده قرار گيرد.
كليدواژه ها
سامانه سلولآزاد مايمو عظيم , ظرفيت محدود لينك فرانتهاول , تخصيص توان كاربران , تخصيص ظرفيت فرانتهاول , شبكه عصبي عميق