毫米波系统中回程容量受限的应对：一种深度强化学习方法
信号处理
2019-03-19 v1 机器学习
机器学习
摘要
毫米波(MmWave)通信是第五代(5G)无线系统实现预期1000倍数据速率的关键技术之一。由于毫米波频段具有大带宽，用户与基站(BS)之间的链路容量可比sub-6GHz无线系统高得多。同时，由于基础设施升级成本高昂，运营商难以大幅提升毫米波基站与核心网之间回程链路的容量。因此，回程提供的数据速率可能不足以支撑所有毫米波链路，回程连接成为限制系统性能的新瓶颈。另一方面，由于毫米波信道存在随机阻塞，毫米波用户的数据速率随时间显著变化。在回程容量有限且用户数据速率高度动态的情况下，如何为每个用户分配回程资源仍是毫米波系统面临的挑战。本文提出一种深度强化学习(DRL)方法来应对该挑战。通过学习阻塞模式，可捕捉并预测系统动态，从而实现回程资源的高效利用。我们首先讨论DRL及其在无线系统中的应用，进而研究回程资源分配问题并提出基于DRL的解决方案。最后，我们讨论未来研究的开放问题并总结本文。
引用
@article{arxiv.1901.01119,
title = {Dealing with Limited Backhaul Capacity in Millimeter Wave Systems: A Deep Reinforcement Learning Approach},
author = {Mingjie Feng and Shiwen Mao},
journal= {arXiv preprint arXiv:1901.01119},
year = {2019}
}
备注
Appear to IEEE Communications Magazine. Version with math contents and equations