基于深度学习方法的 5G 下行调度信道质量指示预测
网络与互联网体系结构
2020-08-04 v1
摘要
与先前移动网络相比，5G 网络提供了更大带宽与更复杂的控制以提升用户体验，同时也要求对通信信道进行更精确的估计。本文提出一种基于深度学习的信道质量指示（CQI）预测方法，采用长短期记忆（LSTM）算法。为降低过时 CQI 导致通信劣化的负面影响（尤其在高速移动场景中），我们为 5G 新空口（NR）系统的下行调度引入了在线训练模块。首先，我们分析 5G NR 系统下行调度中过时 CQI 的影响；随后，设计数据生成与在线训练模块，在 ns-3 中评估所提预测方法。仿真结果表明，所提 LSTM 方法在提升下行传输系统性能方面优于前馈神经网络（FNN）方法。本研究可为设计新深度学习算法以增强 5G NR 系统网络性能提供见解。
引用
@article{arxiv.2008.01000,
title = {Predicting Channel Quality Indicators for 5G Downlink Scheduling in a Deep Learning Approach},
author = {Hao Yin and Xiaojun Guo and Pengyu Liu and Xiaojun Hei and Yayu Gao},
journal= {arXiv preprint arXiv:2008.01000},
year = {2020}
}