基于机器学习的多址接入无人机预测性部署
信号处理
2020-07-31 v2 机器学习
机器学习
摘要
本文研究一种基于机器学习的无人机（UAVs）部署框架。在所考虑模型中，无人机作为飞行基站（BS）部署以卸载地面BS的重流量。由于时变流量分布，引入基于长短期记忆（LSTM）的预测算法以预测未来蜂窝流量。为预测用户服务分布，提出一种KEG算法，即基于高斯混合模型（GMM）的联合K-means与期望最大化（EM）算法，用于确定每架无人机的服务区域。基于预测流量推导最优无人机位置，并比较三种多址接入技术以最小化总发射功率。仿真结果表明，所提方法相比无流量预测的传统方法最多可降低24%的总功耗。此外，速率分割多址接入（RSMA）相比频域多址接入（FDMA）与时域多址接入（TDMA）所需发射功率更低。
引用
@article{arxiv.2003.02631,
title = {Machine Learning for Predictive Deployment of UAVs with Multiple Access},
author = {Linyan Lu and Zhaohui Yang and Mingzhe Chen and Zelin Zang and Mohammad Shikh-Bahaei},
journal= {arXiv preprint arXiv:2003.02631},
year = {2020}
}