用于预测式按需部署无线通信无人机机的机器学习方法
信号处理
2018-05-02 v1 信息论
math.IT
摘要
本文提出一种新颖的机器学习 (ML) 框架，用于实现无人机 (UAV)（作为空中基站 (BS)）的预测式高效部署，以向蜂窝用户提供按需无线服务。为全面分析蜂窝流量，引入基于高斯混合模型 (GMM) 与加权期望最大化 (WEM) 算法的 ML 框架来预测潜在的网络拥塞。随后，基于预测的蜂窝流量，研究 UAV 的最优部署，以最小化满足用户下行链路通信需求所需发射功率，同时最小化 UAV 移动所需功率。为此，首先基于公平性原则推导每个 UAV 服务区域的最优划分；接着推导使总功耗最小化的每个 UAV 最优位置。仿真结果表明，与无 ML 预测的最优 UAV 部署相比，所提 ML 方法可降低所需下行链路发射功率并将功率效率提升超过 20%。
引用
@article{arxiv.1805.00061,
title = {Machine Learning for Predictive On-Demand Deployment of UAVs for Wireless Communications},
author = {Qianqian Zhang and Mohammad Mozaffari and Walid Saad and Mehdi Bennis and Merouane Debbah},
journal= {arXiv preprint arXiv:1805.00061},
year = {2018}
}