Multiple Access in Cell-Free Networks: Outage Performance, Dynamic Clustering, and Deep Reinforcement Learning-Based Design
Notice bibliographique
Résumé
During the last few decades, wireless communication technologies and services have radically changed the way we live and interact at the personal, social, local and global levels. Such changes were mainly driven by the continuous emergence of innovative wireless communication services and products. These services and products represents a direct upshot of enduring research outcomes within the area. Nevertheless, the blessing of such innovation was accompanied by extremely high demands in forms of data traffic, per-user transmission rate, minimum transmission delay and in the number of wireless devices per unit area. Tackling these issues through cellular network densification was faced by many technical issues related to high interference levels, tedious user scheduling processes, and complicated network resource allocation algorithms. Trying to address these imperative technical issues in future wireless networks, this thesis develops several innovative enabling techniques for massive wireless multiple access. Specifically, we commence this work by introducing a new concept of partial spectrum overlapping among active users equipment (UEs). The proposed scheme represents a trade-off between fully orthogonal multiple access schemes (e.g. time division multiple access [TDMA], frequency division multiple access (FDMA) and orthogonal frequency division multiple access (OFDMA)) and that of non-orthogonal multiple access (NOMA). Second, we develop several innovative dynamic cell-free network architectures that support massive wireless connectivity through adaptive access points (APs)/base stations (BSs) coordination and/or cooperation. The proposed network models are then evaluated under different state-of-the-art enabling wireless techniques such as millimeter wave (mmWave) channel links and massive multiple-input multiple-output (mMIMO) systems. Furthermore, the performance of the proposed architectures is investigated through the derivation of several closed-form expressions of exact and/or asymptotic performance metrics (example, probability of outage, asymptotic outage, instantaneous rate and outage-capacity). Finally, for practical control and monitoring of the proposed access techniques and network models, we develop several low-complexity deep reinforcement learning (DRL)-based modeling frameworks that can efficiently learn the solution of several combinatorial optimization problems related to network partitioning (clustering) and uplink/downlink beamforming. This is achieved through innovative nested DRL designs that utilizes continuous and discrete deep neural networks (DNN) agents based on the nature of the problem. Several operating scenarios of the proposed techniques are evaluated through extensive Monte-Carlo simulations (Matlab and Python) with practical parameters and assumptions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».