دانلود مقاله انگلیسی رایگان:طرح تصمیم گیری واگذاری هوشمند با استفاده از یادگیری تقویتی عمیق دو برابر - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Intelligent handover decision scheme using double deep reinforcement learning Intelligent handover decision scheme using double deep reinforcement learning
    Intelligent handover decision scheme using double deep reinforcement learning

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Intelligent handover decision scheme using double deep reinforcement learning


    ترجمه فارسی عنوان مقاله:

    طرح تصمیم گیری واگذاری هوشمند با استفاده از یادگیری تقویتی عمیق دو برابر


    منبع:

    Sciencedirect - Elsevier - Physical Communication, 42 (2020) 101133. doi:10.1016/j.phycom.2020.101133


    نویسنده:

    Michael S. Mollel a,b,∗, Attai Ibrahim Abubakar b, Metin Ozturk b, Shubi Kaijage a, Michael Kisangiri a, Ahmed Zoha b, Muhammad Ali Imran b, Qammer H. Abbasi b


    چکیده انگلیسی:

    Handovers (HOs) have been envisioned to be more challenging in 5G networks due to the inclusion of millimetre wave (mm-wave) frequencies, resulting in more intense base station (BS) deployments. This, by its turn, increases the number of HOs taken due to smaller footprints of mm-wave BSs thereby making HO management a more crucial task as reduced quality of service (QoS) and quality of experience (QoE) along with higher signalling overhead are more likely with the growing number of HOs. In this paper, we propose an offline scheme based on double deep reinforcement learning (DDRL) to minimize the frequency of HOs in mm-wave networks, which subsequently mitigates the adverse QoS. Due to continuous and substantial state spaces arising from the inherent characteristics of the considered 5G environment, DDRL is preferred over conventional Q-learning algorithm. Furthermore, in order to alleviate the negative impacts of online learning policies in terms of computational costs, an offline learning framework is adopted in this study, a known trajectory is considered in a simulation environment while ray-tracing is used to estimate channel characteristics. The number of HO occurrence during the trajectory and the system throughput are taken as performance metrics. The results obtained reveal that the proposed method largely outperform conventional and other artificial intelligence (AI)-based models.
    Keywords: Double deep reinforcement learning | Handover management | Millimetre-wave communication


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 12
    حجم فایل: 1627 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi