بهبود فرآیند انتقال بین سلول ها با استفاده از الگوریتم های یادگیری ماشین و پارامترهای قدرت سیگنال دریافتی

در شبکه های نسل پنجم (۵G)، کاهش اندازه سلول ها منجر به افزایش چشمگیر تعداد فرآیندهای انتقال بین سلولی (Handover) شده است. با توجه به تاثیر مستقیم این فرآیند بر کیفیت خدمات (QoS) و تجربه کاربران، مدیریت کارآمد آن از اهمیت ویژه ای برخوردار است. در این راستا، پژوهش حاضر با استفاده از الگوریتم های یادگیری ماشین و ترکیب سه روش خوشه بندی K-means، DBSCAN وGMM، به بهبود فرآیند انتقال پرداخته است. در روش پیشنهادی، با اصلاح ویژگی های مورداستفاده در تحقیقات پیشین، تلاش شده است تا کارایی شبکه بهینه سازی شده و تعداد انتقال های غیرضروری کاهش یابد. الگوریتم K-Means به دلیل سادگی و کارایی بالا، جهت کاهش واریانس درون خوشه ای استفاده شده، اما چالش هایی مانند حساسیت به نویز و نیاز به تعیین تعداد خوشه ها دارد. در مقابل، DBSCAN بدون وابستگی به تعداد خوشه ها، بر اساس چگالی نقاط عمل کرده و قابلیت حذف داده های نویزی را دارد. همچنین، الگوریتم GMM با مدل سازی آماری پیچیده، خوشه بندی دقیق تری را فراهم می کند. در این پژوهش، پس از پیش پردازش ویژگی های موقعیت کاربران، قدرت سیگنال دریافتی و وضعیت سلول ها، ترکیب این سه الگوریتم در سه روش موازی، سری و ترکیبی جهت تصمیم گیری بهینه در فرآیند انتقال بررسی شده است. به کارگیری این رویکرد تطبیقی نه تنها موجب کاهش تعداد انتقال ها و اثرات منفی ناشی از آن شده، بلکه کیفیت ارتباطات و توان عملیاتی شبکه را نیز بهبود داده است. نتایج پیاده سازی نشان می دهد که روش پیشنهادی می تواند تجربه کاربری بهتری را در شبکه های متراکم نسل پنجم، فراهم کند.

کلیدواژه ها:

الگوریتم های یادگیری ماشین ، انتقال بین سلولی ، خوشه بندی ، شبکه های نسل پنجم ، قدرت سیگنال دریافتی ، کیفیت خدمات