Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/51771| Tipo: | Dissertação |
| Título : | Link adaptation solutions based on reinforcement learning for 5G new radio |
| Autor : | Mota, Mateus Pontes |
| Tutor: | Almeida, André Lima Férrer de |
| Co-asesor: | Cavalcanti, Francisco Rodrigo Porto |
| Palabras clave : | Teleinformática;Inteligência artificial;Aprendizado do computador;Reinforcement learning;Link adaptation;Rank adaptation |
| Fecha de publicación : | 2020 |
| Citación : | MOTA, M. P. Link adaptation solutions based on reinforcement learning for 5G new radio. 2020. 62 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2020. |
| Resumen en portugués brasileño: | Neste trabalho são propostos dois frameworks auto-exploratórios, baseados em aprendizado por reforço para a adaptação de enlace em sistemas de comunicações sem fio 5G. Primeiramente, é apresentada uma solução baseada em Q-learning para modulação e codificação adaptativa que permite a estação base aprender o mapeamento entre o esquema de modulação e codificação e o indicador de qualidade do canal (do inglês CQI- channel quality indicator), visando maximizar a eficiência espectral do sistema. Comparada às soluções clássicas de modulação e codificação adaptativa, a solução proposta alcança desempenho superior em termos de eficiência espectral e taxa de erro de blocos. Na segunda parte deste trabalho, considera-se um problema mais amplo no contexto de sistemas com múltiplas entradas e múltiplas saídas (do inglês, MIMO - multiple-input multiple-output), em que a estação base e o usuário são equipados com arranjos de antenas. Para este sistema, é apresentada uma solução baseada em Q-learning para a seleção conjunta do esquema de modulação e codificação e do número de camadas espaciais de transmissão (fator de multiplexação espacial), bem como o esquema de precodificação. Neste caso, o mapeamento é aprendido baseado nas informações de CQI e do indicador de posto da tramissão (do inglês, RI - rank indicator). De acordo com resultados de simulação, a solução proposta atinge um desempenho similar ao da solução de referência (genie-aided) porém com menor quantidade de sinalização necessária quando comparada à sinalização especificada no padrão do 5G. |
| Abstract: | In this work we propose two self-exploratory frameworks, based on reinforcement learning (RL) for link adaptation in fifth generation (5G) wireless communication systems. Firstly, a Q-learning solution for adaptive modulation and coding (AMC) is presented that allows the base station to learn the mapping between the modulation and coding scheme (MCS) and the channel quality indicator (CQI), in order to maximize the spectral efficiency of the system. Compared to classic AMC solutions, the proposed solution achieves superior performances in terms of spectral efficiency and block error rate (BLER). In the second part of this work, a broader problem is considered in the context of multiple-input multiple-output (MIMO) systems with spatial multiplexing. For this system, a solution based on Q-learning is presented for the joint selection of the MCS and the number of spatial transmission layers (spatial multiplexing factor), as well as the precoding scheme. In this case, the mapping is learned based on the information from the CQI and the rank indicator (RI). According to our simulation results, the proposed solution achieves a performance similar to that of the reference (genie-aided) solution, but with less signaling compared to the one specified in the 5G standard. |
| URI : | http://www.repositorio.ufc.br/handle/riufc/51771 |
| Aparece en las colecciones: | DETE - Dissertações defendidas na UFC |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2020_dis_mpmota.pdf | 3,22 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.