yuanyuan_wu的博客

摘要：支持高移动性的毫米波（mmWave）系统，可实现广泛的重要应用，如车载通信和无线虚拟/增强现实。但是，在实践中意识到这一点需要克服一些挑战。首先，窄波束的使用和mmWave信号对阻塞的敏感性极大地影响了高移动链路的覆盖范围和可靠性。其次，密集mmWave部署中的高移动用户需要频繁地在基站（BS）之间进行切换，这与关键控制和延迟开销相关。此外，在大型天线阵列mmWave系统中识别最佳波束成形向量需要相当大的训练开销，以上都显著影响了这些移动系统的效率。在本文中，开发了一种新颖的集成机器学习和协调波束成形的解决方案，以克服这些挑战并实现高移动性mmWave应用。在所提出的解决方案中，许多分布式协调BSs同时为一个移动用户服务。该用户理想地需要仅使用全向或准全向波束模式来发送将在协调BSs处联合接收的一个上行链路训练导频序列。这些接收的信号不仅为用户位置绘制了定义签名，而且还为其与周围环境的交互绘制了定义签名。然后，开发的解决方案利用深度学习模型来学习如何使用这些签名来预测BSs处的波束成形向量。这提供了一个全面的解决方案，支持具有可靠覆盖，低延迟并且可忽略的训练开销的高移动mmWav

深度Q学习改善自适应自组织网络案例 # Deep-Q-Learning-SON-Perf-Improvement The requirement for running this code is to obtain license and access of the Vienna LTE-A simulator, found at: https://www.nt.tuwien.ac.at/research/mobile-communications/vccs/vienna-lte-a-simulators/ MATLAB, Python 3, TensorFlow are all required. An important file LTE_sim_main.m is missing since it is part of the Vienna LTE-A simulator. I had to modify this file to enable alarms, but of course cannot share the file due to copyrights.