دوره 23، شماره 2 - ( مجله مهندسی برق و الکترونیک ایران - جلد 23 شماره 2 1405 )
جلد 23 شماره 2 صفحات 28-19 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hayatolgheybi H, Kuhestani A, Keshavarzi M. Intelligent Resource Allocation in Wireless Communication Systems Based on deep Neural Networks. Journal of Iranian Association of Electrical and Electronics Engineers 2026; 23 (2) :19-28
URL: http://jiaeee.com/article-1-1729-fa.html
URL: http://jiaeee.com/article-1-1729-fa.html
حیوت‌الغیبی حدیث، کوهستانی علی، کشاورزی محمدرضا. تخصیص منابع هوشمند در سیستم‌های مخابراتی بی‌سیم مبتنی بر شبکه‌های عصبی عمیق. نشریه مهندسی برق و الکترونیک ایران. 1405; 23 (2) :19-28
دانشکده مهندسی برق و کامپیوتر- دانشگاه صنعتی قم
چکیده: (32 مشاهده)
شبکه موبایل نسل پنجم (5G) با هدف ارائه نرخ داده بالاتر، مصرف انرژی کمتر و تأخیر بسیار کوتاه طراحی شده است. با افزایش تقاضا برای خدمات سلولی و محدودیت منابع موجود برای ارائه آن، مدیریت کارآمد ترافیک و عملیات شبکه به چالش توزیع منابع، تبدیل شده است. تخصیص منابع (RA) در سیستم‌های مخابراتی بی‌سیم، فرآیندی هوشمندانه با هدف برآوردن نیازهای کاربران نهایی است. در مقابل رویکردهای سنتی که در آنها استراتژی بهینه برای RA بر اساس مدل‌های تحلیلی و با استفاده از مجموعه‌ای از مفروضات تعیین می‌شود، روش مبتنی بر شبکه‌های عصبی عمیق می‌تواند با اتکا به توانایی تطبیق‌پذیری آن با محیط، به طور مستقیم از داده‌های واقعی کانال برای دستیابی به استراتژی مطلوب استفاده کند و عملکردی برتر ارائه دهد. در این مقاله، طرحی هوشمند مبتنی بر شبکه‌های عصبی عمیق برای RA در شبکه‌های 5G ارائه می‌شود که شامل مخابره سلولی کاربر (CUE) با ایستگاه پایه و ارتباط D2D بین کاربران است. در این مقاله، با در نظر گرفتن مدل سیستم غیرایده‌آل، تخصیص منابع با اهداف حداکثر بهره‌وری طیفی (Max SE)، حداکثر کارایی انرژی (Max EE) و حداقل توان انتقالی Min PW)) با در نظر گرفتن محدودیت‌های تداخل، کیفیت خدمات (QoS) و حداقل توان انتقالی، ارائه می‌گردد. این مدل سیستم در مقایسه با مدل‌های ایده‌آل و بدون نویز در مطالعات گذشته، به مدل سیستم واقعی نزدیک‌تر است. در سیستم مدل غیرایده‌آل، نقیصه‌های سخت‌افزاری در گره‌های فرستنده و گیرنده (DUE و UE) در نظر گرفته شده و همچنین پس از پردازش داده‌های ورودی در شبکه عصبی عمیق (DNN)، جهت رفع خطاهای موجود در داده‌های ورودی به دلیل خطا در تخمین اطلاعات کانال، از شبکه خودرمزنگار خودکار حذف نویز (DAE) استفاده می‌شود. نتایج شبیه‌سازی نشان‌دهندۀ دستیابی به نتایج بهتر برای Max SE، Max EE و Min PW با حذف نویزهای ناخواسته کانال برای این مدل سیستم است.
واژه‌های کلیدی: سیستم‌های مخابراتی بی‌سیم، تخصیص منابع، شبکه‌های عصبی عمیق، شبکه‌ی خودرمزنگار حذف نویز
فهرست منابع
1. [1] M. A. Kamal, and A. Sajak, "Resource allocation schemes for 5G network: A systematic review," sensors, vol. 19, no. 21, pp. 65-88, Oct. 2021. [DOI:10.3390/s21196588]
2. [2] W. Lee, O. Jo and M. Kim, "Intelligent resource allocation in wireless communications Systems," IEEE Communications Magazine, vol. 58, no. 1, pp. 100-105, Jan. 2020. [DOI:10.1109/MCOM.001.1900199]
3. [3] V. Shahiri, M. Forouzesh, H. Behroozi, A. Kuhestani and K. -K. Wong, "Deep learning aided secure transmission in wirelessly powered untrusted relaying in the face of hardware impairments," IEEE Open Journal of the Communications Society, vol. 5, pp. 2196-2210, Aug. 2024 . [DOI:10.1109/OJCOMS.2024.3381951]
4. [4] L. Andrej Karpathy, "Deep visual-semantic alignments for generating image descriptions," in Proc. IEEE CVPR, June 2015. [DOI:10.1109/CVPR.2015.7298932]
5. [5] Y. LeCun, "Deep learning nature," Nature, vol. 531, May 2015. [DOI:10.1038/nature14539]
6. [6] W. -H. Lee, M. Ozger, U. Challita and K. W. Sung, "Noise learning-based denoising autoencoder," IEEE Communications Letters, vol. 25, no. 9, pp. 2983-2987, Sept. 2021. [DOI:10.1109/LCOMM.2021.3091800]
7. [7] W. Lee, M. Kim and D. -H. Cho, "Deep power control: transmit power control scheme based on convolutional neural network," IEEE Communications Letters, vol. 22, no. 6, pp. 1276-1279, June 2018. [DOI:10.1109/LCOMM.2018.2825444]
8. [8] H. Sun, X. Chen, Q. Shi, M. Hong, X. Fu and N. D. Sidiropoulos, "Learning to optimize: training deep neural networks for interference management," IEEE Transactions on Signal Processing, vol. 66, no. 20, pp. 5438-5453, Oct. 2018. [DOI:10.1109/TSP.2018.2866382]
9. [9] I. A. Bartsiokas, P. K. Gkonis, D. I. Kaklamani and I. S. Venieris, "ML-based radio resource management in 5G and beyond networks: a survey," IEEE Access, vol. 10, pp. 83507-83528, Jan. 2022. [DOI:10.1109/ACCESS.2022.3196657]
10. [10] H. Hui, "Intelligent resource allocation method for wireless communication networks based on deep learning techniques," Journal of Sensors, p. 12, Oct. 2021. [DOI:10.1155/2021/3965087]
11. [11] M. Samaneh Bidabadi, "Energy efficient resource allocation for re configurable intelligent surface assisted wireless networks," Wireless Communications and Networking, May 2023. [DOI:10.21203/rs.3.rs-2734000/v1]
12. [12] N. Ejaz, "A comprehensive survey on resource allocation for CRAN in 5G and beyond networks.," J. Netw. Comput, Apr. 2020. [DOI:10.1016/j.jnca.2020.102638]
13. [13] X. Wei, "5G Mobile Communications," Springer: Cham, Switzerland, 2017.
14. [14] L. Nguyen, "Resource allocation for energy efficiency in 5G wireless networks.," EAI Endorsed Trans. Ind. Netw. Intell, Syst. May 2018. [DOI:10.4108/eai.27-6-2018.154832]
15. [15] T. M. Shah, "Resource allocation in SDN based 5G cellular networks.," Peer-to-Peer Netw, Feb. 2019.
16. [16] ] O. Saraereh, "An Efficient Resource Allocation Algorithm for OFDM-Based NOMA in 5G Systems," Engineering, Computer Science, Nov. 2019. [DOI:10.3390/electronics8121399]
17. [17] B. Pavan Kumar Mishra, "Device-centric resource allocation scheme for 5G networks," Physical Communication, pp. 175-184, Feb. 2018. [DOI:10.1016/j.phycom.2017.12.003]
18. [18] G. D. Swetha and G. R. Murthy, "Fair resource allocation for D2D communication in mmwave 5G networks," 2017 16th Annual Mediterranean Ad Hoc Networking Workshop (Med-Hoc-Net), Budva, Montenegro, 2017, pp. 1-6. [DOI:10.1109/MedHocNet.2017.8001654]
19. [19] H. Heyveh Alghibi, A. Kouhestani, H. Ahmadi, and M. Eslami, "Resource Allocation in Wireless Communication Systems Using Deep Learning," in Proc. International Conference on Novel Achievements in Information Technology, Computer Science, Security, Networks and Artificial Intelligence, Mashhad, Iran, 2023.
20. [20] R. Sun et al., "A comprehensive survey of knowledge-driven deep learning for intelligent wireless network optimization in 6G," IEEE Communications Surveys & Tutorials, May 2025. [DOI:10.1109/COMST.2025.3574765]
21. [21] H. Ahmadi, A. Kuhestani, M. R. Keshavarzi, L. Mesin, "Semantic-aware doppler shift estimation for low earth orbit satellite communications" Authorea Preprints, Aug. 2025. [DOI:10.36227/techrxiv.174495689.97257048/v2]
22. [22] Mobini Z, dezfoolizade S. Improving Security in Cooperative Communication Networks by Using UAV-assisted Proactive Eavesdropping. Journal of Iranian Association of Electrical and Electronics Engineers 2021; 18 (3) :143-151 [DOI:10.52547/jiaeee.18.3.143]
23. [23] Ragheb M, Kuhestani A, Safavi Hemami S M. Joint Beamforming and Artificial Noise Design in Secure Millimeter-wave Communications with the Aid of Intelligent Reflecting Surfaces. Journal of Iranian Association of Electrical and Electronics Engineers 2022; 19 (3) :55-62 [DOI:10.52547/jiaeee.19.3.55]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
