一种基于机器学习的用于 Beyond 5G 通信系统中功率控制、链路自适应与容量联合改进的算法
网络与互联网体系结构
2022-01-19 v1 机器学习
摘要
在本研究中，我们提出一种新颖的基于机器学习的算法，以改进由正交频分复用（OFDM）与非正交多址（NOMA）技术辅助的超越五代（B5G）无线通信系统的性能。我们利用非线性软间隔支持向量机（SVM）问题来提供自动调制分类器（AMC）与信号功率对噪声及干扰比（SINR）估计器。AMC 与 SINR 的估计结果用于通过 eNode B 连接的帧重新分配调制类型、编码速率与发射功率。针对 OFDM-NOMA 辅助的 5G 系统，评估了 AMC 成功率随 SINR 的变化、总功耗与总和容量。结果显示成功率较若干已发表方法有所提升。此外，该算法在信号经连续干扰消除（SIC）检测后、任意信号解码前直接计算 SINR。而且，由于对物理信道有直接感知，所提算法可扣除网络通信信令中用于信道质量信息（CQI）的占用符号（开销信令）。结果还证明，所提算法通过 eNode B 连接降低了总功耗并提升了总和容量。与其他算法的仿真结果表明，其具有更成功的 AMC、高效的 SINR 估计器、更易实际实现、更少开销信令、更低功耗与更高容量获取。
引用
@article{arxiv.2201.07090,
title = {A Machine Learning Based Algorithm for Joint Improvement of Power Control, link adaptation, and Capacity in Beyond 5G Communication systems},
author = {Jafar Norolahi and Paeiz Azmi},
journal= {arXiv preprint arXiv:2201.07090},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2101.04337