Adaptive beamforming in 5G networks using deep reinforcement learning
Derin güçlendirmeli öğrenmeyi kullanan 5G ağlarında uyarlanabilir hüzmeleme
- Tez No: 687606
- Danışmanlar: YRD. DOÇ. DR. ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Mobil hücresel ağa bağlanan her istemci için ek bant genişliği ihtiyacı ve bu ağlara hızla artan sayıda cihaz eklenmesi, ek kapasite ihtiyacı son yıllarda hızla artmıştır. Bu talep, beşinci nesil (5G) olan bu ağların yeni bir neslini önerdi. Bu nesilde, müşteriler ile baz istasyonları arasında bağlantı kurmak için kullanılan frekansların spektrumu, milimetre dalgalarını (mmWaves) içerecek şekilde genişletilmiştir. Bu dalgaların engellerden geçme yeteneğinin olmaması ve sistemin kapasitesini artırmak için Çoklu Giriş Çoklu Çıkış (MIMO) teknolojisinin kullanılmasıyla, Baz İstasyonundaki (BS) çok sayıda anten kirişler oluşturmak için kullanılıyor. bu dalgaları ortadan kaldırır ve onları belirlenen müşteri ile iletişimi kuran en iyi yöne yönlendirir. Müşterinin ortamdaki durumunu temsil eden girdinin işlenmesini ve bağlantıyı kurmak için bir anten seçilmesini gerektiren karar verme görevinin yüksek karmaşıklığını idare etmek için Yapay Zeka (AI) kullanılıyor. Ortamda meydana gelebilecek geçici ve kalıcı değişikliklerin üstesinden gelmek için önerilen yöntem, karar verme için Takviye Öğrenmeyi (RL) kullanır. Daha sonra, her bir antenin sağlayabileceği tahmin edilen bant genişliklerine dayalı olarak bir anten seçilir ve gerçek bant genişliği ölçülür ve RL aracısının sinir ağını eğitmek için kullanılır, böylece herhangi bir değişiklik gelecekteki tahminlerde dikkate alınır. Sonuçlar, önerme yönteminin, bir regresyon eğitimi yaklaşımı kullanan mevcut Makine Öğrenimi (ML) tabanlı yönteme kıyasla daha yüksek bant genişliğine ulaşabildiğini göstermektedir. Sonuçlar ayrıca Geçitli Tekrarlayan Ünite ix kullanımının daha yüksek bant genişliği, daha hızlı adaptasyon ve daha düşük yürütme süresi açısından en yüksek performansa sahip olduğunu göstermektedir.
Özet (Çeviri)
The need for additional bandwidth per each client that is being connected to the mobile cellular network and the rapidly growing number of devices being added to these networks, the need for additional capacity has increased rapidly in recent years. This demand has induced the proposal of a new generation of these networks, which is the fifth generation (5G). In this generation, the spectrum of the frequencies that are used to establish links between the clients and the base stations is widened to include millimeter waves (mmWaves). With the lack of ability of these waves to travel through obstacles and the use of Multiple Input Multiple Output (MIMO) technology to increase the capacity of the system, the enormous number of antennas in the Base Station (BS) is being used to create beams of these waves and direct them towards the best direction that establishes the communications with the designated client. Artificial Intelligence (AI) is being used to handle the high complexity of the decisionmaking task, which requires processing the input that represents the state of the client in the environment and select an antenna to establish the connection. To handle the temporary and permanent changes that may occur in the environment, the proposed method uses Reinforcement Learning (RL) for the decision making. Then, an antenna is selected based on the predicted bandwidths that each antenna may provide and the actual bandwidth is measured and used to train the neural network of the RL agent, so that, any changes are taken into consideration in future predictions. The results show that the propose method has been able to achieve higher bandwidth, compared to the existing Machine Learning (ML) based method, vii which uses a regression training approach. The results also show that the use of the Gated Recurrent Unit has the highest performance, in terms of higher bandwidth, faster adaption and lower execution time.
Benzer Tezler
- Model tabanlı adaptif LMS hüzmeleme tasarımı ve FPGAüzerinde gerçeklenmesi
Model-based design and FPGA implementation of adaptive LMS beamforming
EŞREF TEMEL
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN COŞKUN KARALAR
- Evaluation of the 801.11 ad network in terms of quality of service in 5G
801.11 ad ağının 5G hizmet kalitesi açısından değerlendirilmesi
ALI ABBAS ABDULRAZZAQ ALSABBAGH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ
- Telsiz haberleşmesinde uyarlanır hüzme şekillendirme
Adaptive beamforming in wireless communications
OĞUZHAN ÇAKIR
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYSEL ŞAFAK
- Adaptif antenlerde ışın oluşturma algoritmaları
Beamforming algorithms in adaptive antennas
ŞEVKET GÖĞÜSDERE
Yüksek Lisans
Türkçe
2000
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HAYDAR KAYA
- Doğrusal anten dizilerinde ortak bağlaşım durumunda uyarlanır huzme oluşturma yöntemlerinin karşılaştırılması
Comparison of adaptive beamforming methods in the presence of mutual coupling of linear antenna arrays
CİHAD SİNAN ATEŞAVCI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SULTAN ALDIRMAZ ÇOLAK