非平稳无线电环境下基于深度学习的无线电资源管理
信号处理
2020-05-07 v1
摘要
本文研究非平稳无线电环境下用于资源管理的学习方法在实际中的局限性。我们提出两个精心设计的深度学习模型,以在用户移动性下支持速率最大化目标。我们研究了延迟与可靠性等实际系统因素对基于深度学习模型的速率最大化的影响。针对非平稳环境下的通用测试,我们提出一种通用数据集生成方法,以在不同学习模型与传统最优资源管理方案间进行基准比较。我们的结果表明,学习模型存在与训练相关的实际挑战,限制了其应用。这些模型需要针对环境的设计才能达到最优算法的精度。
引用
@article{arxiv.2005.02501,
title = {On Deep Learning for Radio Resource Management in A Non-stationary Radio Environment},
author = {Suren Sritharan and Harshana Weligampola and Haris Gacanin},
journal= {arXiv preprint arXiv:2005.02501},
year = {2020}
}
备注
20 pages