یادگیری عمیق مبتنی بر تخصیص منابع در شبکه‌های بی‌سیم G5

ارتباطات شخصی بی سیم با توسعه سریع سیستم های ارتباطی G5 محبوبیت پیدا کرده است. تقاضاهای مهم در سرعت انتقال و QoS ، بروزرسانی سیستمهای ارتباطی بی سیم شخصی فعلی را دشوار می کند. در این مقاله، ما یک روش تخصیص منابع جدید را با استفاده از یادگیری عمیق بسط می‌دهیم تا فواید استفاده از منابع را اعمال کنیم. با ایجاد شبکه عصبی پیچشی (یک شبکه عصبی حلقوی نوعی شبکه عصبی مصنوعی است که در تشخیص و پردازش تصویر مورد استفاده قرار می گیرد که به طور خاص برای پردازش داده های پیکسلی طراحی شده است.) با استفاده از اطلاعات کانال، تخصیص منابع باید بهینه شود. روش یادگیری عمیق می‌تواند به استفاده کامل از اطلاعات کانال کوچک به جای بهینه‌سازی منابع سنتی کمک کند، به خصوص زمانی که محیط کانال به سرعت در حال تغییر است. نتایج شبیه‌سازی نشان می‌دهد که عملکرد روش پیشنهادی ما نزدیک به روش mmse (در آمار و پردازش سیگنال ، حداقل برآوردگر خطای میانگین مربعات (MMSE) یک روش تخمین است که میانگین خطای مربع (MSE) را که یک اندازه گیری متداول از کیفیت برآوردگر است ، از مقادیر متناسب با یک متغیر وابسته به حداقل می رساند.) و بهتر از ر

Wireless personal communication has become popular with the rapid development of 5G communication systems. Critical demands on transmission speed and QoS make it difficult to upgrade current wireless personal communication systems. In this paper, we develop a novel resource allocation method using deep learning to squeeze the benefits of resource utilization. By generating the convolutional neural network using channel information, resource allocation is to be optimized. The deep learning method could help make full use of the small scale channel information instead of traditional resource optimization, especially when the channel environment is changing fast. Simulation results indicate the fact that the performance of our proposed method is close to MMSE method and better than ZF method, and the time consumption of computation is smaller than traditional method.