论文部分内容阅读
下一代蜂窝无线网络需要支持超可靠,低延迟的通信,并且需要支持在高度动态的环境中实时智能地管理大量物联网设备。不仅如此,下一代蜂窝网络还需要具有智能化的管理功能,从而能够根据不同的网络与用户状态对蜂窝网络管理策略进行调整。这些要求只能通过在无线基础设施和终端用户设备上集成机器学习的方法来实现。因此,研究如何利用机器学习算法与人工智能技术对蜂窝通信网络实现自组织地、智能化地、实时地管理与控制具有较高的价值。机器学习算法在蜂窝通信网络中主要分为两大应用:一是对蜂窝网络环境进行识别并根据网络环境对网络资源与用户进行管理与调度,二是利用网络的已有数据对网络状态进行预测,从而优化网络性能。本文的研究内容主要包括如何利用机器学习算法对网络频谱资源与用户进行调度与管理,如何利用机器学习算法对网络状态与用户行为进行预测,以及如何优化机器学习算法使其适用于蜂窝无线网络环境。具体而言,本文首先介绍了新型网络的架构以及基于新型网络架构的无线蜂窝网络所存在的技术问题。然后详细介绍了如何利用机器学习算法对授权与非授权频谱资源管理、对缓存管理、对UAV的部署与规划以及对360°内容传输和缓存的管理。论文的具体研究内容及创新性工作如下:(1)研究授权与非授权频谱的分配以及上下行解耦的用户连接。本文提出了基于回声状态网络的资源管理与用户连接算法,从而实时地根据网络环境优化授权与非授权频谱资源分配与用户连接并且最大化用户吞吐量。(2)缓存管理的研究。本文提出了利用用户的行为信息决定缓存内容的算法,从而降低网络中前程与后程链路的负载并且优化用户有效容量。本文提出了基于回声状态网络的预测算法。所提出的算法能够对用户移动性与用户内容请求概率分布进行预测,从而确定基站与云端的基带处理单元缓存的内容。(3)研究无人机的部署与规划。本文提出了基于conceptor的状态回声网络的预测算法。该算法能够对用户行为进行分析与预测。根据预测的用户内容请求概率以及用户移动模式确定用户连接、无人机的最优部署位置、以及无人机的最优缓存内容,从而优化用户性能。(4)研究360°内容的传输与缓存。为了克服液态机无法保证具有循环记忆特性的缺点,本文提出了基于液态机与状态回声网络结合的机器学习算法。所提出的算法能够有效地管理360°内容与可视内容的传输与存储,从而最大化用户的传输可靠性。