Deep learning based resources allocation for 5G networks
Başlık çevirisi mevcut değil.
- Tez No: 726654
- Danışmanlar: DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Artan sayıda 5G inovasyonu, araştırmaları sermaye için yeni ağ yönetimi tekniklerine itiyor. Geleneksel kaynaklar, bu tür buluşsal yöntemler kullanılarak dağıtılır, örneğin optimizasyon probleminin bağlamsal olmayan doğası, kapsamlı analiz, genetik algoritma veya birleştirici ve dal bağlantılı tekniklerdir. Bu yaklaşımlar bilgisayar maliyetlidir ve bu nedenle BS, büyük bağlantılar ve çeşitli kullanıcı sınıfı QoS spesifikasyonlarına sahip büyük ölçekli heterojen hücresel ağların kullanımı için çekici değildir. Makine Öğrenimi (ML) veri odaklı yaklaşımlar, uygun maliyetli bir cihaz karmaşıklığı ile en iyi performansı elde etmek için yakın zamanda geliştirilmiştir. Derin Öğrenme, ağ bilgisini kullanarak çok katmanlı bir sinir ağı aracılığıyla kaynak yönetimi algoritmalarının nasıl modelleneceğini öğrenmenin güçlü bir yoludur. Bu nedenle, kaynakların tahsisine ilişkin kararlar, aksi takdirde kaynakların tahsisi sorununu çözmek için gerekli olan ayrıntılı çevrimiçi hesaplamalar olmadan alınabilir. Bu araştırmada, toplam ağ verimini optimize etmek için kapsamlı, çok hücreli kablosuz ağlar kaynak tahsis sistemi kuruyoruz. Derin Q-ağları (DQN) algoritmasını ve DQN'nin Rain-bow uzantılarını kullanarak çoklu pekiştirmeli öğrenme aracılarını eğitiyor ve test ediyoruz. Her aracının performansı, 5G Kentsel Makro simülasyon senaryolarında test edilir ve sabit bir güç tahsisi yaklaşımıyla kıyaslanır.
Özet (Çeviri)
The growing number of 5G innovations is pushing research into new network management techniques for capital. Traditional resources are distributed using such heuristic methods, for example the noncontextually nature of the problem of optimization is exhaustive analysis, genetic algorithm or combinatory and branch bound techniques. These approaches are computer costly, and thus do not appeal for the use of large-scale heterogeneous cellular networks with BS, large connections, and various user class QoS specifications. Machine Learn (ML) data-driven approaches have recently been developed to achieve optimal performance with a cost-efficient device complexity. Deep Learning is a powerful way to learn how to model resource management algorithms through a multilayer neural network using network knowledge. Therefore, decisions on the allocation of resources could be taken without detailed online calculations otherwise necessary to solve the problem of the allocation of resources. In this research, we establish a comprehensive, multi-cell wireless networks resource allocation system to optimize total network throughput. We train and test multiple reinforcement learning agents using the deep Q-networks (DQN) algorithm, and the so-called Rain-bow extensions of DQN. The performance of each agent is tested on 5G Urban Macro simulation scenarios, and is benchmarked against a fixed power allocation approach.
Benzer Tezler
- Cellular network based resources allocation using machine learning approaches
Başlık çevirisi yok
BANDAR ABDULABBAS ALMANKOSHI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM
- Deep learning based resource allocation for ultra-reliable communications in wireless control systems
Kablosuz kontrol sistemlerinde ultra güvenilir iletişim için deep learning tabanlı kaynak tahsisi
AMIRHASSAN BABAZADEH DARABI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SİNEM ÇÖLERİ
- Artificial intelligence based flexible preamble allocation for radio access network slicing in 5g networks
5g ağlarındaki radyo erişim ağı dilimlemleme için yapay zeka tabanlı esnek başlangıç sinyali paylaştırma
AHMET MELİH GEDİKLİ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. SEVİL ŞEN AKAGÜNDÜZ
- Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services
5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları
HASAN ANIL AKYILDIZ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. İBRAHİM HÖKELEK
- Inter-numerology interference minimization in 5G: A deep reinforcement learning based approach
5G ağlarda numerolojı kaynaklı kırışım minimizasyonu: Derin takviyeli öğrenme dayalı yaklaşım
TUĞRUL CAN ERK
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ EMRE PUSANE