近年來,隨著通信技術(shù)的快速發(fā)展,移動網(wǎng)絡(luò)應(yīng)用及接入設(shè)備數(shù)量爆炸式增長。根據(jù)思科公司給出的統(tǒng)計和預(yù)測,截止到2023年,全球移動設(shè)備將從2018年的8.8億臺增長到2023年的13.1億臺,其中5G設(shè)備和連接將占到全球移動設(shè)備和連接的10%以上。此外,隨著眾多新興垂直行業(yè)比如智慧城市、物聯(lián)網(wǎng)、移動邊緣計算等的廣泛應(yīng)用,用戶需求變得更加多元化。因此,為了滿足大規(guī)模增長的移動業(yè)務(wù)量和多元化的用戶需求,在5G及下一代移動通信網(wǎng)絡(luò)架構(gòu)中引入了很多新興技術(shù),比如:異構(gòu)蜂窩網(wǎng)、多無線電接入技術(shù)、網(wǎng)絡(luò)切片技術(shù)等。這些新興技術(shù)的引入,在提高網(wǎng)絡(luò)性能的同時也使得無線網(wǎng)絡(luò)變得更加的復(fù)雜且異構(gòu)。伴隨著無線網(wǎng)絡(luò)環(huán)境的愈加復(fù)雜和異構(gòu),異構(gòu)蜂窩網(wǎng)中的接入控制與調(diào)度機(jī)制的研究變得更加困難。由于異構(gòu)網(wǎng)絡(luò)的時變性以及用戶行為的隨機(jī)性,傳統(tǒng)的基于模型的資源分配方法（比如:最優(yōu)化方法、博弈理論）缺乏一定的自適應(yīng)能力和泛化能力。在異構(gòu)網(wǎng)絡(luò)中,密集部署的蜂窩網(wǎng)小基站可以提高網(wǎng)絡(luò)容量,但是同時也受限于嚴(yán)重的同頻干擾。在引入多頻段頻譜資源共享來擴(kuò)充網(wǎng)絡(luò)容量的時候,由于不同無線電技術(shù)的傳輸協(xié)議及性能差異,跨頻段的資源也更加的困難。此外... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：135 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
縮略詞表
第一章 緒論
    1.1 研究背景
    1.2 相關(guān)研究分析
        1.2.1 HetNets中的接入控制與調(diào)度機(jī)制
        1.2.2 基于多無線電技術(shù)及切片化的HetNets中的資源分配
        1.2.3 機(jī)器學(xué)習(xí)方法在HetNets中的應(yīng)用
    1.3 研究動機(jī)與意義
    1.4 主要研究內(nèi)容與創(chuàng)新
        1.4.1 本文的主要研究內(nèi)容
        1.4.2 本文的主要創(chuàng)新點
    1.5 本論文的結(jié)構(gòu)安排
第二章 異構(gòu)蜂窩網(wǎng)中基于自模擬學(xué)習(xí)的干擾協(xié)調(diào)機(jī)制
    2.1 引言
    2.2 系統(tǒng)模型
        2.2.1 網(wǎng)絡(luò)容量和功率消耗
        2.2.2 UE接入和QoS約束
        2.2.3 基于免模型的部分可觀測MDP （POMDP）模型
    2.3 基于分布式IRL架構(gòu)下的ICIC問題建模
        2.3.1 非合作的POMDP博弈過程
        2.3.2 問題建模
    2.4 基于SIL的ICIC策略
        2.4.1 基于WGANs的策略模仿
        2.4.2 基于Double DQN的獎勵函數(shù)估計和頻譜資源調(diào)度策略
        2.4.3 SIL的算法復(fù)雜度分析
    2.5 仿真結(jié)果
        2.5.1 性能比較參考算法
        2.5.2 數(shù)值結(jié)果和分析
    2.6 本章小節(jié)
第三章 異構(gòu)蜂窩網(wǎng)中基于多智體強(qiáng)化學(xué)習(xí)的多無線電接入機(jī)制
    3.1 引言
    3.2 系統(tǒng)模型
        3.2.1 場景描述
        3.2.2 信道接入模型
    3.3 問題分析和問題建模
    3.4 基于MDP的智能多無線電接入控制
        3.4.1 基于MDP的雙層決策框架
        3.4.2 多無線電接入控制問題建模
        3.4.3 無線電-信道選擇中的獎勵函數(shù)設(shè)計
        3.4.4 資源分配中的獎勵函數(shù)設(shè)計
    3.5 基于無模型MDP的多主體強(qiáng)化學(xué)習(xí)算法
        3.5.1 預(yù)備知識:基于強(qiáng)化學(xué)習(xí)的Q-learning算法
        3.5.2 無線電-信道選擇中的Nash Q-learning算法
        3.5.3 資源分配中的多主體MCTS強(qiáng)化學(xué)習(xí)算法
        3.5.4 SARA的算法復(fù)雜度
    3.6 仿真實驗與性能分析
    3.7 本章小結(jié)
第四章 切片化無線接入網(wǎng)中的智能資源調(diào)度策略
    4.1 引言
    4.2 網(wǎng)絡(luò)模型
        4.2.1 網(wǎng)絡(luò)拓?fù)?br>        4.2.2 業(yè)務(wù)需求模型
        4.2.3 RAN切片模型
    4.3 問題建模
    4.4 基于監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的協(xié)作學(xué)習(xí)框架
        4.4.1 使用遞歸神經(jīng)網(wǎng)絡(luò)LSTM進(jìn)行周期性流量預(yù)測
        4.4.2 在線資源調(diào)度分布式架構(gòu)
    4.5 連續(xù)動作空間馬爾可夫決策過程
        4.5.1 連續(xù)動作空間MDP模型
        4.5.2 基于c-MDP的Actor-Critic算法
        4.5.3 AC單元中網(wǎng)絡(luò)切片的并行計算和信息交換
        4.5.4 異步Actor-Critic （A3C）算法
        4.5.5 算法復(fù)雜度
    4.6 數(shù)值結(jié)果和討論
    4.7 本章小節(jié)
第五章 異構(gòu)蜂窩網(wǎng)中基于聯(lián)邦學(xué)習(xí)的分布式功率分配策略
    5.1 引言
    5.2 系統(tǒng)模型和問題建模
        5.2.1 網(wǎng)絡(luò)吞吐量和服務(wù)約束
        5.2.2 問題建模
    5.3 聯(lián)邦學(xué)習(xí):基于分布式學(xué)習(xí)的解決方案
        5.3.1 聯(lián)邦協(xié)作算法
        5.3.2 分布式梯度下降算法
        5.3.3 收斂性分析
    5.4 聯(lián)邦增強(qiáng)及本地在線功率控制算法
        5.4.1 基于WGANs算法的聯(lián)邦增強(qiáng)
        5.4.2 本地UE設(shè)備功率控制中的AC算法
    5.5 性能評估
        5.5.1 仿真中的比較算法
        5.5.2 仿真結(jié)果和數(shù)值分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀博士期間取得的研究成果



本文編號：3026330