快时变信道下 5G 及未来网络中基于学习的多信道接入
信号处理
2020-04-01 v1
摘要
我们提出一种基于学习的方案，研究具有快时变信道（信道参数未知）的第五代（5G）及未来网络中的动态多信道接入（DMCA）问题。所提基于学习的方案可在长时间内保持近最优性能，即便在急剧变化的信道中亦如此。该方案大幅降低处理时延，并有效缓解由信息获取与处理非即时性所导致的决策滞后误差。我们首先在引入未知信道参数的网络模型与流模型后，提出一种基于心理学的个性化服务质量模型。随后，针对实时流模型与缓冲流模型给出两种接入准则，并构建了相应的优化问题。这些优化问题由结合循环神经网络与深度强化学习的基于学习的 DMCA 方案求解。在该方案中，智能体主要调用所提出的基于预测的深层确定性策略梯度算法作为学习算法。作为一种新技术范式，我们的方案具有强通用性，可轻易扩展至解决无线通信中的其他问题。基于真实信道数据的仿真结果验证：该学习方案在每时隙决策时的性能接近于穷举搜索所得，而在每隔若干时隙决策时优于穷举搜索方法。
引用
@article{arxiv.2003.14403,
title = {Learning-Based Multi-Channel Access in 5G and Beyond Networks with Fast Time-Varying Channels},
author = {Shaoyang Wang and Tiejun Lv and Xuewei Zhang and Zhipeng Lin and Pingmu Huang},
journal= {arXiv preprint arXiv:2003.14403},
year = {2020}
}
备注
16 pages, 20 figures