دانلود و نمایش مقالات مرتبط با Uplink::صفحه 1
بلافاصله پس از پرداخت دانلود کنید
نتیجه جستجو - Uplink

تعداد مقالات یافته شده: 14
ردیف عنوان نوع
1 Energy-aware resource management for uplink non-orthogonal multiple access: Multi-agent deep reinforcement learning
مدیریت منابع آگاه در زمینه انرژی برای دسترسی چندگانه غیر متعاملی به هم پیوسته: یادگیری تقویت عمیق چند عامل-2020
Non-orthogonal multiple access (NOMA) is one of the promising technologies to meet the huge access demand and the high data rate requirements of the next generation networks. In this paper, we investigate the joint subchannel assignment and power allocation problem in an uplink multi-user NOMA system to maximize the energy efficiency (EE) while ensuring the quality-of-service (QoS) of all users. Different from conventional model-based resource allocation methods, we propose two deep reinforcement learning (DRL) based frameworks to solve this non-convex and dynamic optimization problem, referred to as discrete DRL based resource allocation (DDRA) framework and continuous DRL based resource allocation (CDRA) framework. Specifically, for the DDRA framework, we use a deep Q network (DQN) to output the optimum subchannel assignment policy, and design a distributed and discretized multi-DQN based network to allocate the corresponding transmit power of all users. For the CDRA framework, we design a joint DQN and deep deterministic policy gradient (DDPG) based network to generate the optimal subchannel assignment and power allocation policy. The entire resource allocation policies of these two frameworks are adjusted by updating the weights of their neural networks according to feedback of the system. Numerical results show that the proposed DRLbased resource allocation frameworks can significantly improve the EE of the whole NOMA system compared with other approaches. The proposed DRL based frameworks can provide good performance in various moving speed scenarios through adjusting learning parameters.
Keywords: Non-orthogonal multiple access | Resource allocation | Energy efficiency | Deep reinforcement learning | Deep deterministic policy gradient
مقاله انگلیسی
2 A deep reinforcement learning for user association and power control in heterogeneous networks
یک یادگیری تقویتی عمیق برای ارتباط کاربر و کنترل قدرت در شبکه های ناهمگن-2020
Heterogeneous network (HetNet) is a promising solution to satisfy the unprecedented demand for higher data rate in the next generation mobile networks. Different from the traditional single-layer cellular net- works, how to provide the best service to the user equipments (UEs) under the limited resource is an urgent problem to solve. In order to efficiently address the above challenge and strive towards high network energy efficiency, the joint optimization problem of user association and power control in or- thogonal frequency division multiple access (OFDMA) based uplink HetNets is studied. Considering the non-convex and non-linear characteristics of the problem, a multi-agent deep Q-learning Network (DQN) method is studied to solve the problem. Different from the traditional methods, such as game theory, fractional programming and convex optimization, which need more and accurate network information in practice, the multi-agent DQN method requires less communication information of the environment. Moreover, for the communication environment dynamics, the maximum long-term overall network utility with a new reward function while ensuring the UE’s quality of service (QoS) requirements is achieved by using the multi-agent DQN method. Then, according to the application scenario, the action space, state space and reward function of the multi-agent DQN based framework are redefined and formulated. Sim- ulation results demonstrate that the multi-agent DQN method has the best performance on convergence and energy efficiency compared with the traditional reinforcement learning (Q-learning).
Keywords: Heterogeneous networks | User association | Power control | Reinforcement learning | Deep Q-learning network
مقاله انگلیسی
3 Deep Reinforcement Learning-based resource allocation strategy for Energy Harvesting-Powered Cognitive Machine-to-Machine Networks
استراتژی تخصیص منابع مبتنی بر یادگیری تقویتی عمیق برای شبکه های شناختی ماشین به ماشین با قدرت برداشت انرژی-2020
Machine-to-Machine (M2M) communication is a promising technology that may realize the Internet of Things (IoTs) in future networks. However, due to the features of massive devices and concurrent access requirement, it will cause performance degradation and enormous energy consumption. Energy Harvesting- Powered Cognitive M2M Networks (EH-CMNs) as an attractive solution is capable of alleviating the escalating spectrum deficient to guarantee the Quality of Service (QoS) meanwhile decreasing the energy consumption to achieve Green Communication (GC) became an important research topic. In this paper, we investigate the resource allocation problem for EH-CMNs underlaying cellular uplinks. We aim to maximize the energy efficiency of EH-CMNs with consideration of the QoS of Human-to-Human (H2H) networks and the available energy in EH-devices. In view of the characteristic of EH-CMNs, we formulate the problem to be a decentralized Discrete-time and Finite-state Markov Decision Process (DFMDP), in which each device acts as agent and effectively learns from the environment to make allocation decision without the complete and global network information. Owing to the complexity of the problem, we propose a Deep Reinforcement Learning (DRL)-based algorithm to solve the problem. Numerical results validate that the proposed scheme outperforms other schemes in terms of average energy efficiency with an acceptable convergence speed.
Keywords: Energy Harvesting | M2M communication | Resource allocation | Deep Reinforcement Learning
مقاله انگلیسی
4 پایلوت¬های downlink تا چه میزان MIMO عظیم فاقد سلول را بهبود می¬بخشند؟
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 26
در این مقاله، ما مزایای گنجاندن پایلوت¬های downlink در یک سیستم MIMO عظیم فاقد سلول را تحلیل می¬کنیم. ما تقریبی برای نرخ downlink قابل دستیابی به ازای هر کاربر برای فرآیند پرتودیسی توأمان به دست می¬آوریم که خطاهای برآورد کانال uplink و downlink و کنترل توان در آن لحاظ شده است. مقایسه¬ی عملکرد در قالب توان خروجی خالص به ازای کاربر با در نظر گرفتن عملکرد MIMO عظیم فاقد سلول با و بدون آموزش downlink برای حالات مختلف تراکم شبکه انجام می¬شود. ما ارتقای عملکرد حاصل از کنترل توان منصفانه¬ی بیشینه-کمینه در downlink را در نظر می¬گیریم. نتایج عددی نشان می¬دهد که استفاده از پایلوت¬های downlink می¬تواند عملکرد در طرح متداول را که در ان کاربران صرفاً بر اطلاعات آماری کانال تکیه دارند، تا حد زیادی بهبود بخشد. در شبکه¬های با تراکم بالا، ارتقای عملکرد، متوسط است.
مقاله ترجمه شده
5 تخصیص پایلوت و تحلیل نرخ برآیند در سیستم های MIMO عظیم فاقد سلول
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 22
این مقاله به مسأله ی چالش برانگیز سرریز غیرمقرون به صرفه ی آموزش کانال در سیستم چند ورودی چند خروجی (MIMO) عظیم متراکم فاقد سلول در زمان خدمت رسانی همزمان به تعداد زیادی کاربر می پردازد. با استفاده از روش خوشه ی کاربرمحور، طرح استفاده ی مجدد پویا از پایلوت ها (DPR) برای فراهم آوردن امکان اشتراک گذاری یک زنجیره پایلوت واحد توسط دو کاربر پیشنهاد شد. بطور ویژه، طرح استفاده ی مجدد پیشنهادی با هدف به حداکثر رسانیدن نرخ برآیند قابل دستیابی uplink مشروط به الزامات "نسبت سیگنال به تداخل به اضافه ی نویز" (SINR) و محدودیت های منابع پایلوت حاصل شد. بر این اساس، نمایش SINR برای تمامی کاربرانی که پایلوت خود را با کاربر دیگر شریک می شوند، با استفاده از هر دو روش تشخیص خطای حداقل ریشه ی میانگین مربعات (MMSE) و برآورد کانال استخراج شد. یک الگوریتم استفاده ی مجدد از کانال با پیچیدگی کم براساس تفکیک فاصله ی بین کاربران، ارائه شد. روش جستجوی شبکه ای تکرارشونده (IGS) برای یافتن آستانه ای که بتوان در الگوریتم پیشنهادی برای به حداکثر رسانیدن نرخ برآیند مورد استفاده قرار داد به کار گرفته شد. نهایتاً نتایج شبیه سازی برای نمایش اثربخشی طرح DPR با آستانه ی بهینه به لحاظ نرخ برآیند قابل دستیابی uplink ارائه شد.
کلمات کلیدی: ارتباطات MIMO | آنتن | Uplink | برآورد کانال | تداخل | نسبت سیگنال به نویز | واحد پردازش مرکزی
مقاله ترجمه شده
6 MIMO عظیم فاقد سلول در مقابل سلول های کوچک
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 17 - تعداد صفحات فایل doc فارسی: 57
سیستم MIMO (چند ورودی- چند خروجی) عظیم فاقد سلول از تعداد بسیار زیادی نقاط دسترسی توزیع-شده (AP ها) تشکیل شده که همزمان به تعداد به مراتب کمتری از کاربران در منابع فرکانسی / زمانی یکسان مبتنی بر اندازه گیری مستقیم مشخصه های کانال، سرویس می دهند. هر کدام از AP ها و کاربران تنها یک آنتن دارند. AP ها اطلاعات وضعیت کانال را از طریق عملیات جداسازی زمانی مسیر رفت و برگشت و دریافت سیگنال های پایلوت uplink ارسال شده توسط کاربران، به دست می آورند. AP ها مالتی پلکس کردن / دی مالتی پلکس کردن را از طریق پرتودیسی توأمان بر روی downlink انجام داده و فیلتر کردن نیز بر روی uplink انطباق می یابد. عبارات فرم بسته برای توان عملیاتی uplink و downlink کاربر واحد به الگوریتم های کنترل توان بیشینه-کمینه ختم می شود. کنترل توان بیشینه-کمینه امکان سرویس دهی مناسب و یکنواخت در کل حوزه ی پوشش را فراهم می آورد. الگوریتم تخصیص پایلوت به کاهش اثرات آلودگی پایلوت کمک می کند، اما کنترل توان اهمیت به مراتب بیشتری در این حوزه دارد. MIMO عظیم فاقد سلول عملکرد سطح بالایی در طرح معمولی سلول کوچک دارد، که به موجب آن هر کاربر توسط AP اختصاصی سرویس دهی می شود، این هم در قالب احتمال 95% توان عملیاتی به ازای هر کاربر و هم ایمنی همبستگی مکانی محوشدگی سایه است. تحت شرایط محوشدگی سایه ی غیرهمبسته، طرح فاقد سلول، بهبود تقریباً 5 برابری را در احتمال 95% توان عملیاتی به ازای هر کاربر در طرح سلول کوچک و بهبود 10 برابری در شرایط وجود همبستگی محوشدگی سایه را فراهم می آورد.
کلیدواژه ها: MIMO عظیم فاقد سلول | پرتودیسی توأمان | MIMO عظیم | MIMO شبکه | سلول کوچک.
مقاله ترجمه شده
7 Minimizing contention collision probability and guaranteeing packet delay for cloud big data transmissions in 4G LTE-A packet random access
به حداقل رساندن احتمال برخورد و تضمین تاخیر بسته برای ابر انتقال داده های بزرگ در 4G LTE-A با دسترسی تصادفی بسته-2017
For transmitting Explosive Bursts Big Data of Mobile Cloud Computing applications, the 4G LTE/LTE-A standards are specified to provide extreme high data rate and low access delay for various real-time demanded cloud services. In the uplink, data packet transmissions of different classes of traffic of vari ous UEs need randomly contend for the limited number of preambles through the Uplink RACH channel time slots. Clearly, the extremely explosive data contentions certainly yield serious collisions, and then significantly increase access delay and packet dropping rate. That is, the quality of service (QoS) of the delay-sensitive-based real-time traffic and the loss-sensitive-based non-real-time traffic cannot be guar anteed satisfyingly. For overcoming the critical random access issue in cloud services over 4G LTE-A, 3GPP specifies the Uniform Distribution Backoff Procedure and Access Class Barring (ACB) as the random ac cess mechanism. The Random Access CHannel (RACH) for random contentions in 3GPP LTE-A neglects some key factors: 1) different classes of traffic requiring different delay bounds, 2) how to reducing col lision probability, 3) intensive congestion traffic and 4) differentiating the collision domains. This paper thus proposes an adaptive random contention approach (ARC) that consists of three phases: 1) Sigmoid based Access Class Barring algorithm, 2) Dynamic Preamble Selection Range (DPSR) algorithm, and 3) Dynamic Initial Backoff (DIB) algorithm. The main contribution of ARC is based on the adaptive Sigmoid feature analysis of Cumulative Distribution Function of Normal Distribution according to the successful contention probability and the RACH congestion state. Numerical results demonstrate that the proposed approach outperforms the compared approaches in collision probability, goodput and access delay. Fur thermore, the mathematical analytical model for the proposed approach is analyzed. The analysis result is very close the simulation result. It justifies the correctness and efficiency of the proposed approach.
Keywords:Big data cloud service|Random access channel (RACH)|LTE-A|Differentiate preamble collision domains|Collision probability
مقاله انگلیسی
8 On the Performance of Narrow-Band Internet of Things (NB-IoT)
کارایی اینترنت اشیا محدود (NB-IoT)-2017
Narrow-Band Internet of Things (NB-IoT) is 3GPP’s cellular technology designed for narrow-band and Low-Power Wide Area Network (LPWN). NB-IoT provides deep indoor coverage for thousands of low-data-rate and low-powered devices. Coverage enhancement for devices in weak coverage condition is enabled by having signal repetitions over extended period of time in order to boost the signal quality. Performance gain from repetitions of signals is limited by channel estimation quality. In this paper we analyze impact of channel coherence time on the uplink coverage. In addition to analytical performance bound and simulation results, we also present coverage performance results from practical measurements using a NB-IoT prototype. It is reported how the NB-IoT coverage improvement is limited by the channel estimation quality and coherence time of the channel.
مقاله انگلیسی
9 Channel Equalization and Interference Analysis for Uplink Narrowband Internet of Things (NB-IoT)
تحلیل انعطاف پذیری کانال و تداخل برای اینترنت اکسپلورر Uplink (NB-IoT)-2017
We derive the uplink system model for In-band and Guard-band narrowband Internet of Things (NB-IoT). The results reveal that the actual channel frequency response (CFR) is not a simple Fourier transform of the channel impulse response, due to sampling rate mismatch between the NB-IoT user and Long Term Evolution (LTE) base station. Consequently, a new channel equalization algorithm is proposed based on the derived effective CFR. In addition, the interference is derived analytically to facilitate the co-existence of NB-IoT and LTE signals. This work provides an example and guidance to support network slicing and service multiplexing in the physical layer.
مقاله انگلیسی
10 On the Design of LDPC-based Raptor Codes for Single Carrier Internet of Things (SC-IoT)
طراحی کد های Raptor مبتنی بر LDPC برای اینترنت اشیاء حامل منفرد (SC-IoT)-2017
In this paper, we propose new Raptor codes suitable for uplink Internet of Things using single carrier transmission technique (SC-IoT) with low density parity check (LDPC) codes as the precode, called LDPC-Raptor codes. The utilization of LDPC as the precode is to guarantee high capability of error correction for better Raptor codes performance while keeping the computational complexity low. Raptor Codes are preferable for SC-IoT because of their flexibility with both fixed/non-fixed rate (rateless) and simplicity in decoding. The LDPC-Raptor codes is designed (sub)-optimally using Extrinsic Information Transfer (EXIT) chart to meet requirements of SC-IoT. We evaluate the performance of the proposed LDPC-Raptor codes to achieve the Shannon capacity over Binary Erasure Channels (BEC)-based equivalent additive white Gaussian noise (AWGN) and frequencyflat Rayleigh fading and show that LDPC-Raptor codes provide significant contributions than Luby Transform (LT) codes for SC-IoT.
مقاله انگلیسی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi