无线网络中基于深度学习的预测式频带切换
网络与互联网体系结构
2020-09-15 v4 机器学习
信号处理
机器学习
摘要
在蜂窝系统中，当用户设备（UE）在当前频带上的速率降至阈值以下时，可请求更换频带。基站（BS）随后指示 UE 测量候选频带质量，这需要在数据传输中插入测量间隙，从而降低数据速率。我们提出一种基于在线学习的频带切换方法，无需任何测量间隙。我们提出的基于分类器的频带切换策略转而利用不同频带间射频信号基于 UE 位置知识的空间与频谱相关性。我们聚焦于在较低频带（如 3.5 GHz）与毫米波频带（如 28 GHz）间切换，并设计评估了在射线追踪数据集上训练的两个分类模型。一个关键洞见是测量间隙属于过度设计，因为频带选择仅需频带的相对顺序，而非完整信道估计。我们提出的基于机器学习策略相较行业标准策略在平均有效速率上取得约 30% 的提升，同时误分类误差远低于 0.5% 并对阻塞不确定性保持鲁棒性。
引用
@article{arxiv.1910.05305,
title = {Deep Learning Predictive Band Switching in Wireless Networks},
author = {Faris B. Mismar and Ahmad AlAmmouri and Ahmed Alkhateeb and Jeffrey G. Andrews and Brian L. Evans},
journal= {arXiv preprint arXiv:1910.05305},
year = {2020}
}
备注
31 pages, 15 figures, revised and resubmitted to IEEE Transactions on Wireless Communications on October 2, 2019, March 9, 2020, July 2, 2020, and September 1, 2020