人工智能驱动的6G网络：智慧内生

发布时间：2022-01-01 14:41

　　为了满足智能适配人-机-物深度互联需求,第六代移动通信系统（6G）将基于全频谱、面向全场景、支撑全业务,其核心组成是智慧内生,也是驱动5G演进的趋势。探讨了人工智能驱动的6G智慧内生网络的特征与组成,描述了智慧内生网络的关键技术和产业应用现状,介绍了国内外相关进展和标准化工作,也对未来的挑战进行了展望。 

【文章来源】：电信科学. 2020,36(09)

【文章页数】：9 页

【图文】：

人工智能驱动的6G智慧内生网络基本架构

·19·电信科学2020年第9期现覆盖和容量的在线自动调整。通过适当地管理和分配诸如发射功率、天线方位角和倾斜度等参数，能提高网络覆盖范围和系统吞吐量。人工智能驱动的发射功率控制系统如图4所示，整体架构基于卷积神经网络，其输入为归一化信道矩阵H，输出为归一化发射功率PN。卷积层对输入数据进行二维空间卷积和非线性整流，全连接层（FC部分）对高度抽象化的特征进行整合和归一化用来确定发射功率，最后由S形部分输出天线参数。通过卷积神经网络（CNN）离线估计Q函数，并在线进行深度Q学习，确定合适的发射功率以最大化频谱效率或能量效率，进行覆盖和容量优化。3.3智能组网和运维技术6G网络设备异构且业务多样，同时新兴的车联网、无人机、高速铁路等场景中网络节点动态变化，对传统的基于静态网络的组网和运维都提出了很大的挑战，需要寻求更高效的解决方案，降低组网和运维成本[15]。3.3.1接入和切换在用户接入方面，一般期望通过合适的接入方法实现最大化频谱效率和能量效率、提升运营商收益、实现基站负载均衡等目标，这种以结果为导向的决策过程与强化学习十分适配。强化学习通过模型与环境动态交互调整输出策略，适用于解决无须说明具体完成过程的复杂任务。在用户接入问题求解时，可以将其转化为马尔可夫决策过程，使用状态、动作、转移概率和奖惩函数描述问题。例如当优化目标为最大化运营商收益时，奖惩函数可以定义为所有用户平均服务费率的偏差值，从最大长期累积奖励中获得最佳接入决策[16]。在基站切换方面，解决用户数量和流量需求爆炸性增长的有效方法是部署多个基站，但是大量基站同时运行会增大网络开销。?

【参考文献】：
期刊论文
[1]智简6G无线接入网:架构、技术和展望[J]. 彭木根,孙耀华,王文博.  北京邮电大学学报. 2020(03)
[2]6G移动通信网络:愿景、挑战与关键技术[J]. 赵亚军,郁光辉,徐汉青.  中国科学:信息科学. 2019(08)
[3]移动边缘计算综述[J]. 李子姝,谢人超,孙礼,黄韬.  电信科学. 2018(01)
[4]5G无线网部署策略[J]. 程日涛,张海涛,王乐.  电信科学. 2018(S1)
[5]5G边缘计算和网络切片技术[J]. 项弘禹,肖扬文,张贤,朴竹颖,彭木根.  电信科学. 2017(06)



本文编号：3562333