基于深度学习的超密集网络能效优化技术研究

发布时间：2024-06-15 01:55

　　随着现代社会移动应用的快速发展,人们对无线通信的数据速率和服务质量的要求越来越高。作为5G通信中的关键技术,超密集网络(Ultra Dense Network,UDN)近年来受到了学者们的广泛研究和关注。灵活、密集地部署小型基站,可以减小用户设备与接入节点之间的距离,有效地提高通信网络的频谱效率。然而,众多的基站数量与浮动的网络负载同时带来了能源和通信资源的浪费,使得提高超密集网络能量效率的需求越来越迫切。功率分配技术和基站休眠技术作为提升超密集网络的关键技术,目前仍面临计算复杂度高,泛化性能差、二者未能有效联合优化的问题。在这一背景下,本文研究了超密集网络中基于深度学习的网络能效优化问题。本文主要的工作和贡献如下:1、针对现有功率分配方法计算复杂度高,泛化性能差的问题,提出了一种基于序贯分数规划及其深度神经网络实现的功率分配方法和一种基于深度域适应的功率分配方法。先从传统的数学优化方法出发,使用序贯分数规划方法,对最优功率分配问题进行求解,然后使用数据增强的深度神经网络拟合信道增益到功率分配的映射关系。对于障碍物位置发生变化的超密集网络,进一步考虑数据的迁移性,通过差异度量与加权偏移...

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图1.2论文研究方法与流程

综合本论文的主要研究工作和章节安排,则其研究方法与流程如图1.2所示:2.1引言

图2.15G网络中的致密化过程[1]

目前宏单元的部署已经接近其理论边界。进一步部署宏单元不会提高[44]的性能。网络部署从传统的宏单元网络,即同构网络(HomogeneousNetwork,HomNet),发展到一种异构网络(HeterogeneousNetworkHetNet,Hetnet),将小基站分布在宏....

图2.2超密集网络示意图

值得注意的是,除了基站和用户设备的密度之外,超密集无线网络与传统无线蜂窝网络之间的主要区别还反映在大尺度衰落的路径损耗模型中[11]。传统的蜂窝网络仿真和分析,通常使用标准单斜率路径损耗模型,其中接收功率是以∥x∥-α的形式随着距离∥x∥以衰减参数α衰减。该标准单斜率路径损耗模型....

图2.3基站能耗组成

随着涉及的设备数量的增加,超密集网络消耗的能源也不断增加,因此,相关的能效问题近年来受到了学术界和工业界的广泛关注,如何提升超密集网络的能效为一个重要的挑战。能效是一种综合评估网络能耗和网络其他性能之间关系的指标,可以综合度量通信网络的性能,也在判别节能策略实现的增益上起了关键作....

本文编号：3994747