Использование глубокого обучения для управления мощностью пользователей в восходящем канале свободной от базовой станции системе пятого поколения беспроводной связи

Эта диссертация исследует применение глубокого обучения с подкреплением (DRL), в частности, модели Soft Actor-Critic (SAC), для управления мощностью восходящей линии связи в системах cell-free Massive MIMO (mMIMO) путем проведения подробных симуляций; она сравнивает производительность модели DRL на основе SAC с традиционными алгоритмами управления мощностью — Max-Min, Max-Prod и Max-Sum-Rate — по таким метрикам, как спектральная эффективность, пропускная способность области, мощность оборудования пользователя восходящей линии и SINR. Разработка и оптимизация модели SAC подчеркивают ее эффективность в сложных динамических средах за счет стратегического баланса между исследованием и эксплуатированием с использованием энтропии. Результаты, визуализированные через функции кумулятивного распределения и тепловые карты, показывают превосходство моделей DRL над традиционными алгоритмами в улучшении SINR вблизи точек доступа, повышении низкого SINR и улучшении общей пропускной способности системы, что предполагает более эффективное распределение мощности и управление интерференцией. Это указывает на потенциал DRL в повышении производительности сети, открывая путь для дальнейшего изучения передовых методов машинного обучения для оптимизации беспроводной связи.