面向5G中多样化服务质量需求的深度学习无线资源分配
信号处理
2020-04-02 v1 机器学习
机器学习
摘要
为适配第五代蜂窝网络中的多样化服务质量（QoS）需求，基站在时变网络条件下需实时优化无线资源。这带来了高昂的计算开销与较长的处理时延。本文中，我们开发了一种深度学习框架来近似最优资源分配策略，该策略通过优化带宽与发射功率分配使基站总功耗最小。我们发现，由于子载波数量的近似误差与量化误差，全连接神经网络（NN）无法完全保证QoS需求。为解决该问题，我们提出一种级联NN结构，其中第一个NN近似最优带宽分配，第二个NN输出在给定带宽分配下满足QoS需求所需的发射功率。考虑到无线网络中无线信道分布与业务类型的非平稳性，我们应用深度迁移学习来更新非平稳无线网络中的NN。仿真结果验证了级联NN在QoS保证方面优于全连接NN。此外，深度迁移学习可显著减少训练NN所需的训练样本数量。
引用
@article{arxiv.2004.00507,
title = {Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G},
author = {Rui Dong and Changyang She and Wibowo Hardjawana and Yonghui Li and Branka Vucetic},
journal= {arXiv preprint arXiv:2004.00507},
year = {2020}
}
备注
The manuscript has been submitted to IEEE TWC. It is in the second round of review