22481

گروه بندي كاربران براساس يادگيري ماشين در سيستم هاي mmwave-noma

كارشناسي ارشد

مخابرات - سيستم

1396

1399/3/21

دكتر وحيد طباطباوكيلي

برق

با افزايش ترافيك در شبكه هاي بي سيم، پهناي باند بيشتر يك نياز ضروري است. ارتباطات ميلي متري با پهناي باند زياد براي نسل پنجم ارتباطات بي سيم موردتوجه مي باشد. علاوه بر اين، با توجه به رشد سريع تعداد دستگاه هاي تلفن همراه، استفاده از تكنيك دسترسي چندگانه ي جديد با ارتباطات امواج ميلي متري براي تحقق بخشيدن به اتصال گسترده و افزايش دسترسي به طيف امواج ميلي متري ضروري است. با استفاده از مالتي پلكسينگ در حوزه ي توان همراه با لغو متوالي تداخل، NOMAيك كانديد مهم در مخابرات نسل پنجم به حساب مي آيد. تخصيص منابع در سيستم mmWave-NOMA يك مساله ي ضروري است، كه تخصيص آن به صورت بهينه مي تواند از ظرفيت هاي NOMAدر سيستم هاي امواج ميلي متري حداكثر بهره را ببرد. اين مساله ي بهينه سازي يك مسئله برنامه ريزي عدد صحيح مختلط است و بنابراين غيرمحدب است. سيستم mmWave-NOMA چندين كاربر را قادر مي سازد تا به طور همزمان در يك بردار پرتودهي ارتباط برقرار كنند، كه معماري سيستم هاي mmWave-NOMAرا پيچيده تر مي سازد. براي حل اين مساله ي بهينه سازي مي توان از روش هاي يادگيري ماشين استفاده نمود. هدف اين پروژه، طراحي توان و خوشه ي تخصيص داده شده به هر كاربر است، به صورتي كه بتوان به حداكثر مجموع نرخ دست يافت. خوشه بندي در ادبيات حوزه ي يادگيري ماشين با عنوان گروه بندي نيز شناخته مي شود. براي طراحي خوشه بندي، از يك از روش هاي يادگيري ماشين با عنوان يادگيري تقويتي عميق استفاده مي شود. از آنجا كه اطلاعات دقيق و مدل كامل تغيير شكل محيط در محيط هاي موبايل ناشناخته است، از روش بدون مدل يادگيري تقويتي براي حل مسائل بهينه سازي تصادفي در شبكه هاي بي سيم استفاده مي شود. يادگيري تقويتي راه حلي موثر براي مشكلات تصميم گيري پي در پي در حالتي كه محيط ناشناخته است را فراهم مي كند و عملكرد بهينه از طريق تعامل با محيط ياد گرفته مي شود. در اين پايان نامه، تخصيص منابع در سيستم هاي mmWave-NOMAبه صورت فروسو براي توابع هدف مختلف مانند مجموع نرخ و كارايي انرژي در نظر گرفته شده است. نتايج شبيه سازي تأييد مي كند كه سيستم و الگوريتم پيشنهادي از لحاظ كارايي طيفي تا حدود 50 درصد و كارايي انرژي 20درصد از كارايي طيفي و انرژي ساير طرح هاي خوشه بندي كاربران در مراجع كه براي مقايسه ارائه شده است، بهتر عمل مي كند

1399/06/30

machine learning based user grouping in mmwave-noma systems

6/10/2020 12:00:00 AM

As traffic on wireless networks increases, more bandwidth is needed. High-bandwidth millimeterwave (mmWave) communications are of interest to the fifth generation of wireless communications. Besides, due to the rapid growth in the number of mobile devices, it is necessary to use the new multiple access technique with mmWave communication to achieve extensive connectivity and increase access to the mmWave spectrum. Using multiplexing in the power domain with successive interference cancellations (SIC), non-orthogonal multiple access (NOMA) is an essential candidate in fifth-generation telecommunications. The resource allocation in the mmWave-NOMA systems is a crucial issue, the optimal allocation of which can maximize the NOMA capacity of mmWave systems. This optimization problem is a mixed integer programming problem and, therefore, nonconvex. The mmWave-NOMA systems enable multiple users to communicate simultaneously on a single beamforming (BF) vector, which complicates the architecture of mmWave-NOMA systems. To solve this optimization problem, machine learning methods can be used. The goal of this project is to design the power and cluster allocated to each user so that the maximum sum rate can be achieved. Clustering in the field of machine learning literature is also known as a grouping. To design user clustering, one of the machine learning methods is called deep reinforcement learning. Because accurate information and a complete model of environmental behavior in mobile environments are unknown, the model-free reinforcement learning algorithm is used to solve the stochastic optimization problems in wireless networks. Reinforcement learning provides an effective solution to the problems of successive decision-making when the environment is unknown, and optimal performance is learned through interaction with the environment. In this project, the resource allocation in the downlink mmWave-NOMA systems considered for objective functions such as spectral efficiency and energy efficiency. The simulation results confirm that the proposed system performs better in terms of spectral efficiency and energy efficiency up to about 50 percent and 20 percent than other clustering schemes in the references.