KaydedilenlerDerginizi ekleyin

Dergiler / EMO Bilimsel Dergi / 2023 / Cilt: 13 Sayı: 2

Kablosuz Ağlarda Farklı Gölgelenen Kanallar Üzerinden Enerji-Verimli Veri İletimi için Makine Öğrenmesi-temelli Su-Doldurma Algoritması

Performance of Machine Learning-based Water-Filling Algorithm for Energy Efficient Data Transmission over Different Fading Channels in Wireless Networks

Ömer Melih GÜL
Sayfa
81–89
Yayın Tarihi
2023-07-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sayısal sonuçlar, özellikle daha uzun zaman ufukları için, bu çevrimiçi su doldurma algoritmalarının çevrimdışı su doldurma algoritmalarına yakın performansı olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, kablosuz ağlarda çoklu gölgelenen kanallar üzerinden bir radio kaynak tahsisi problem ele alınmaktadır.
📊
Temel Bulgular & Veri:Bu çalışmada önceki çalışmalardan farklı olarak, anlık veri iletim hızı sadece ayrık bir kümedeki veri iletim hızı değerlerinden birini alabilir.
💡
Sonuç & Katkı:Sayısal sonuçlar, özellikle daha uzun zaman ufukları için, bu çevrimiçi su doldurma algoritmalarının çevrimdışı su doldurma algoritmalarına yakın performansı olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Su-Doldurma · Makine Öğrenmesi · Çevrimiçi Politika

Özet

Bu çalışmada, kablosuz ağlarda çoklu gölgelenen kanallar üzerinden bir radio kaynak tahsisi problem ele alınmaktadır. Bu çalışmada önceki çalışmalardan farklı olarak, anlık veri iletim hızı sadece ayrık bir kümedeki veri iletim hızı değerlerinden birini alabilir. Bu probleme makine öğrenmesi-temelli çevrimiçi su doldurma algoritmaları önerilmiştir. Çevrimiçi ve eniyi çevrimdışı politikaların göreli performansı, çeşitli tiplerde (Rayleigh, Rician, Nakagami, Weibull) gölgelenen kanallar için çeşitli zaman ufuklarında değerlendirilmektedir. Sayısal sonuçlar, özellikle daha uzun zaman ufukları için, bu çevrimiçi su doldurma algoritmalarının çevrimdışı su doldurma algoritmalarına yakın performansı olduğunu göstermektedir.

Abstract

In this paper, we tackle a resource allocation problem over multiple fading channels in wireless networks. Differing from previous studies, the data transmission rate can take a value out of a discrete set of data transmission rates in this work. We propose machine-learning-based online waterfilling algorithms for this problem. The relative performance of the online and optimal offline policies are evaluated for various types of fading channels (Rayleigh, Rician, Nakagami, Weibull) over various time horizons. The numerical results demonstrate these online waterfilling algorithms shows close performance to offline waterfilling algorithms especially for longer time horizons.

🔖

Bu Makaleye Atıf Yap

GÜL, Ö. M. (2023). Kablosuz Ağlarda Farklı Gölgelenen Kanallar Üzerinden Enerji-Verimli Veri İletimi için Makine Öğrenmesi-temelli Su-Doldurma Algoritması. EMO Bilimsel Dergi, Cilt: 13 Sayı: 2, 81–89. https://ajindex.com/articles/955266

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Qualcomm. Everything you need to know about 5G. Available at
  2. Nazir, M., Sabah, A., Sarwar, S. et al. (2021). Power and Resource Allocation in Wireless Communication Network. Wireless Pers Commun 119, 3529-3552
  3. Boyd, S. and Vandenberghe, L. (2004). Convex Optimization. Cambridge University Press
  4. Cover, T. and Thomas, J. (2006). Elements of Information Theory, 2nd Edition. Wiley&Sons
  5. Dai, M., Zhang S., Chen, B., Lin, X., &Wang, H. (2014). A refined convergence condition for iterative waterfilling algorithm. IEEE Communications Letters, 18(2), 269-272
  6. Gai, Y.& Krishnamachari, B. (2012). Online Learning Algorithms for Stochastic Water-Filling. IEEE Information Theory and Applications Workshop (ITA), 1-6
  7. Goldsmith, A. (2005). Wireless Communications. Cambridge University Press
  8. Goldsmith, A., &Varaiya, P. P. (1996). Capacity, mutual information, and coding for finite-state Markov channels. IEEE Transactions on Information Theory, 42 (3), 868-886
  9. Tse, D. & Viswanath, P. (2005). Fundamentals of Wirelss Communication. Cambridge University Press
  10. Teletar, E. (1995). Capacity of multi-antenna Gaussian channels. AT&T Bell Labs Internal Tech. Memo
  11. Yang, J. and Roy, S. (1994). On joint transmitter and receiver optimization for multiple-input-multiple-output (MIMO) transmission systems. IEEE Transactions on Communications, 42(12), pp. 3221-3231
  12. Xing, C., Jing, Y., Wang, S., Ma, S. & Poor, H. V. (2020). New Viewpoint and Algorithms for Water-Filling Solutions in Wireless Communications. in IEEE Transactions on Signal Processing, 68, 1618-1634
  13. Ajitsinh. N., Jadhav1 and Sakib. R. Mujawar. (2017). Different power loading allocation schemes for ZF based cognitive radio system. International Journal of Latest Trends in Engineering and Technology, 8 (1), 350-359
  14. Qi Q, Minturn A., and Yang Y. L. (2012). An Efficient Water-Filling Algorithm for Power Allocation in OFDM-Based Cognitive Radio Systems. 2012 International Conference on Systems and Informatics, 2069-2073
  15. P. He, L. Zhao, S. Zhou, Z. Niu, (2013). Water-Filling: A Geometric Approach and its Application to Solve Generalized Radio Resource Allocation Problems. IEEE Transactions on Wireless Communications, 12 (7), 3637-3647
  16. Noor Shahida M. K, Nordin R. and Ismail. M. (2017). Improved Water-Filling Power Allocation for Energy-Efficient Massive MIMO Downlink Transmissions. Intl Journal of Electronics& Tel