Dynamiczne wygaszanie punktów transmisyjnych w wieloantenowej sieci piątej generacji z użyciem głębokiego uczenia ze wzmocnieniem

• Autorzy: Hoffmann Marcin

Identyfikatory

DOI

10.15199/59.2022.4.71

Warianty tytułu

EN

Dynamic point blanking in 5G massive MIMO network driven by deep reinforcement learning

• Konferencja: Multikonferencja Krajowego Środowiska Tele- i Radiokomunikacyjnego (7-9.09.2022 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

Dynamiczne wygaszanie punktów transmisyjnych to jedna z technik skoordynowanej transmisji z wielu punktów transmisyjnych, w której niektóre stacje bazowe mogą być tymczasowo wyciszone, np. w celu poprawy przepustowości użytkowników na obrzeżach komórki. W niniejszym artykule zaproponowano wykorzystanie głębokiego uczenia ze wzmocnieniem do wyboru schematu wygaszania, który zwiększa przepływność użytkowników znajdujących się na skraju komórki. Zaproponowany algorytm wykorzystuje sieć neuronową do wyboru schematu wygaszania na podstawie lokalizacji użytkowników. Badania symulacyjne wykazały, że dzięki zaproponowanemu rozwiązaniu przepływność użytkownika na krawędzi komórki możne wzrosnąć około 14,14 razy.

EN

Dynamic Point Blanking (DPB) is one of the Coordinated MultiPoint (CoMP) techniques, where some Base Stations (BSs) can be temporarily muted, e.g., to improve the cell-edge users throughput. In this paper, it is proposed to obtain the muting pattern that improves cell-edge users throughput with the use of Deep Reinforcement Learning technique. The proposed algorithm utilizes deep neural network to select muting pattern on the basis of user locations. Simulation studies have shown that cell-edge user throughput can be improved by the ratio of about 14.14, while using the proposed algorithm.

Słowa kluczowe

PL

5G; punkt transmisyjny; głębokie uczenie; uczenie ze wzmocnieniem; systemy wieloantenowe

EN

5G; transmission point; deep learning; reinforcement learning; massive MIMO

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2022
• Tom: nr 4
• Strony: 416--420
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Hoffmann Marcin

• Instytut Radiokomunikacji, Politechnika Poznańska, Poznań

Bibliografia

• [1] Dahlman, Erik, Parkvall, Stefan, Skold, Johan. 2018. "Chapter 4 - LTE- An Overview, 5G NR: the Next Generation Wireless Access Technology”. Academic Press, 39-55.
• [2] Bassoy, S., Farooq, H., lmran, M. A., Imran, A. 2017."Coordinated Mlulti-Point Clustering Schemes: A Survey". IEEE Communications Surveys&Tutorial, 19(2): 743-764.
• [3] Li, Mingju, Yun, Xiang, Nagata S., Chen, Len. 2013."Power allocation of Dynamic Point Blanking for downlink CoMP in LTE-Advanced," International Conference on Wireless Communications and Signal Processing, :1-5.
• [4] Wang, R., Tao, X., Zhang, P. 2015. "Adaptive Modulation for Dynamic Point Selection/Dynamic Point Blanking". IEEE Communications Letters, vol. 19 (3): 343-346.
• [5] Xiong, Z., Zhang, M., Helmers, H., Baker, M., Godin, P., Li, D. 2015. "Centralized Dynamic Point Blanking in LTE-Advanced Network for Inter-Cell Interference Mitigation". IEEE 81st Vehicular Technology Conference (VTC Spring), :1-5.
• [6] Sanguinetti, L., Bjornson, E., Hoydis, J. 2020 . "Toward Massive MIMO 2.0: Understanding Spatial Correlation, Interference Suppression, and Pilot Contamination". IEEE Transactions on Communications, 68 (1): 232-257.
• [7] Richard S. Sutton and Andrew G. Barto. 2018. "Reinforcement Learning: An Introduction". A Bradford Book.
• [8] Hoffmann, M., Kryszkiewicz, P. 2021. "Reinforcement Learning for Energy-Efficient 5G Massive MIMO: Intelligent Antenna Switching". IEEE Access, 9:130329-130339.
• [9] Mnih, Volodymy T,Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, and Martin Riedmiller. 2013. "Playing atari withdeep reinforcement learning." arXrv preprint arXrv: 1312.5602.
• [10] Qamcom/QCM, Mar. 2021, [online] Available: https://github.om/gamcom/QCM
• [11] Fehske, Albrecht J., Fred Richter, and Gerhard P. Fettweis. 2009. "Energy efficiency improvements through micro sites in cellular mobile radio networks." 2009 IEEE Globecom Workshops: 1-5.
• [12] Likas, Aristidis, Niko, Vlassis, and Jakob J. Verbeek. 2003. "The global k-means clustering algorithm." Pattern recognition 36 (2): 451-461.
• [13] Hoffmann, Marcin, Paweł Kryszkiewicz, and Adrian Kliks. 2020. "Increasing energy efficiency of massive-mimo network via base stations switching using reinforcement learning and radio environment maps." Computer Communications 169: 232-242.
• [14] Bjormson,Emil, Jakob Hoydis, and Luca Sanguinetti. 2017. "Massive MIMO networks: Spectra, energy, and hardware efficiency."Foundations and Trends in Signal Processing 11 (3-4): 154-655.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).