تخصیص منابع هوشمند در سیستم های مخابراتی بی سیم مبتنی بر شبکه های عصبی عمیق

شبکه موبایل نسل پنجم (۵G) با هدف ارائه نرخ داده بالاتر، مصرف انرژی کمتر و تاخیر بسیار کوتاه طراحی شده است. با افزایش تقاضا برای خدمات سلولی و محدودیت منابع موجود برای ارائه آن، مدیریت کارآمد ترافیک و عملیات شبکه به چالش توزیع منابع، تبدیل شده است. تخصیص منابع (RA) در سیستم های مخابراتی بی سیم، فرآیندی هوشمندانه با هدف برآوردن نیازهای کاربران نهایی است. در مقابل رویکردهای سنتی که در آنها استراتژی بهینه برای RA بر اساس مدل های تحلیلی و با استفاده از مجموعه ای از مفروضات تعیین می شود، روش مبتنی بر شبکه های عصبی عمیق می تواند با اتکا به توانایی تطبیق پذیری آن با محیط، به طور مستقیم از داده های واقعی کانال برای دستیابی به استراتژی مطلوب استفاده کند و عملکردی برتر ارائه دهد. در این مقاله، طرحی هوشمند مبتنی بر شبکه های عصبی عمیق برای RA در شبکه های ۵G ارائه می شود که شامل مخابره سلولی کاربر (CUE) با ایستگاه پایه و ارتباط D۲D بین کاربران است. در این مقاله، با در نظر گرفتن مدل سیستم غیرایده آل، تخصیص منابع با اهداف حداکثر بهره وری طیفی (Max SE)، حداکثر کارایی انرژی (Max EE) و حداقل توان انتقالی Min PW)) با در نظر گرفتن محدودیت های تداخل، کیفیت خدمات (QoS) و حداقل توان انتقالی، ارائه می گردد. این مدل سیستم در مقایسه با مدل های ایده آل و بدون نویز در مطالعات گذشته، به مدل سیستم واقعی نزدیک تر است. در سیستم مدل غیرایده آل، نقیصه های سخت افزاری در گره های فرستنده و گیرنده (DUE و UE) در نظر گرفته شده و همچنین پس از پردازش داده های ورودی در شبکه عصبی عمیق (DNN)، جهت رفع خطاهای موجود در داده های ورودی به دلیل خطا در تخمین اطلاعات کانال، از شبکه خودرمزنگار خودکار حذف نویز (DAE) استفاده می شود. نتایج شبیه سازی نشان دهنده دستیابی به نتایج بهتر برای Max SE، Max EE و Min PW با حذف نویزهای ناخواسته کانال برای این مدل سیستم است.

کلیدواژه ها:

Wireless communication systems (WCS) ، resource allocation (RA) ، deep neural networks (DNN) ، denoising auto encryption network (DAE). ، سیستم های مخابراتی بی سیم ، تخصیص منابع ، شبکه های عصبی عمیق ، شبکه ی خودرمزنگار حذف نویز