Data-driven transfer learning methods for wireless networks
Rahul Kumar Jaiswal
Bok Engelsk 2024
| Originaltittel | |
|---|---|
| Omfang | xxiii, 176 sider : illustrasjoner, figurer, tabeller
|
| Opplysninger | Delvis opptrykk av artikler. - Avhandling (ph.d.) - Universitetet i Agder, Grimstad, 2024. - Radiokart gir informasjon om signalstyrke og nettverksdekning i et angitt geografisk område. Beregningen av nøyaktige radiokart er nødvendig for å forbedre ytelsen til mange bruksområder for fremtidige trådløse nettverk, for eksempel lokalisering, nettverksplanlegging og ressursallokering. For å utarbeide nøyaktige radiokart kan den nøyaktige posisjonen til sender(Tx) og mottaker (Rx) brukes. Dette er kjent som den stedsbaserte metoden. Men i praksis har trådløse nettverk en høy grad av multibane, med resultat av at det er vanskelig å finne nøyaktig posisjon av Rx. Alternativt kan man bruke signalets ankomsttidspunkt (ToA), som er lettere å måle. Dette er kjent som den stedsfrie metoden. En av måtene å inkorporere begge metodene er Mixture of Experts (MoE).På grunn av endringer i utbredelsesegenskapene til trådløse nettverk, kan en radiokartmodell designet under et bestemt miljø (kildemiljø) ikke brukes direkte i et nytt miljø (målmiljø). Utformingen av en ny modell krever en betydelig mengde måleprøver, og ofte store beregningsressurser og datainnsamlingskostnader. For å adressere disse problemstillingene foreslår vi i denne avhandlingen en serie av Transfer Learning (TL) modeller som bruker hver av de nevnte metodene for å estimere radiokart i nye trådløse miljøer der det er mangel på måleprøver. For dette formålet trener vi først en radiokartmodell i et kildemiljø og overfører den deretter til et annet lignende, men fortsatt annerledes målmiljø. Deretter finjusteres modellen for målmiljøet ved å bruke en liten mengde prøver av det trådløse målmiljøet. For et slikt system styrer likheten mellom to trådløse miljøer effektiviteten til TLoperasjonen. Derfor, for å kvantifisere likheten, undersøker vi forskjellige klassiske likhetsmål inkludert den mye brukte Wasserstein-avstanden. Numerisk viser vi at disse klassiske målene ikke gir gode resultater i sammenheng med TL for radiokartestimering.For å overvinne begrensningene til disse klassiske målene, designer vi et datadrevet likhetsmål (DDS), som er i stand til å fange opp alle variasjonene av trådløse miljøer og kan lære de trådløse forplantningsegenskapene direkte fra dataene. I tillegg kan vår DDS forutsi mengden treningsdata som trengs for å estimere radiokart i nye trådløse målmiljøer når TL-operasjonen utføres. Eksperimenter viser at våre foreslåtte TL-metoder fungerer effektivt med høy modellnøyaktighet og sparer en betydelig mengde sensormålingsdata. Ulike modeller er designet for hvert av tilfellene med stedsbasert, stedsfri og MoE-basert radiokartvurdering. Numeriske eksperimenter viser ytelsen til alle tilfellene. Til slutt undersøker vi anvendelsen av TL mellom to forskjellige optimaliseringsproblemer med felles ressursallokering (kanaltilordning og kraftallokering) i underliggende D2D-kommunikasjon. Ressursallokeringsmodellen som er trent på datasettet hentet fra scenarioet med perfekt kanaltilstandsinformasjon (CSI), overføres til det ufullkomne CSI-scenarioet og finjusteres deretter. Eksperimentet viser at TL forbedrer ytelsen til det ufullkomne CSI-scenariet med mindre mengder treningsdata.
|
| Emner | trådløs kommunikasjon trådløse nettverk radiokommunikasjon radiokart modellering kommunikasjon informasjonsteknologi
|
| Dewey | |
| ISBN | 9788284271927
|
