面向 5G-NR 毫米波网络的迁移强化学习
网络与互联网体系结构
2020-12-10 v1
摘要
本文旨在通过采用波束赋形与非正交多址接入（NOMA）技术来抑制 5G 毫米波（mm-Wave）通信中的干扰，以提升网络总速率。尽管毫米波与 NOMA 具有潜在的容量增益，诸多技术挑战可能阻碍该性能增益。特别地，串行干扰消除（SIC）的性能随每波束用户数增加迅速恶化，导致更高的波束内干扰。此外，相邻小区交叠区域引发波束间小区间干扰。为抑制这两类干扰，最优选择波束数量并最佳分配用户至各波束至关重要。本文研究联合用户-小区关联与波束数选择问题，以最大化网络总容量。我们提出三种基于机器学习的算法：迁移 Q-learning（TQL）、Q-learning 以及基于带噪声应用的基于密度的空间聚类（BSDC）的最佳 SINR 关联算法，并比较它们在不同场景下的性能。在移动性场景下，TQL 与 Q-learning 在最高业务负载下相较 BSDC 实现 12% 的速率提升。在静止场景中，Q-learning 与 BSDC 优于 TQL，但 TQL 相较 Q-learning 实现约 29% 的收敛加速。
引用
@article{arxiv.2012.04840,
title = {Transfer Reinforcement Learning for 5G-NR mm-Wave Networks},
author = {Medhat Elsayed and Melike Erol-Kantarci and Halim Yanikomeroglu},
journal= {arXiv preprint arXiv:2012.04840},
year = {2020}
}