دانلود پایان نامه : تصفیه و ردیابی پرتو گیرنده در شبکه دسترسی رادیویی 5G NR RAN

نیازهای فزاینده ارتباطات ، سرعت انتقال داده بالاتر در 5G NR را می طلبد. در پروژه مشارکت نسل 3 (3GPP) ، از فریم ها برای برنامه ریزی داده ها برای انتقال بین ایستگاه پایه تلفن همراه (gNB) و تجهیزات کاربر (UE) استفاده می شود. این فریم ها بیشتر به اسلات تقسیم می شوند و تعداد مشخصی اسلات برای uplink و downlink استفاده می شود. در downlink ، چندین اسلات برای گزارش CSI-RS مورد استفاده قرار گرفته است که حاوی بهترین تیرهای باریک و توان آنها (RSRP) است. در این پایان نامه ، ظرفیت downlink سلول با استفاده از الگوریتم های یادگیری نظارت شده بهبود می یابد. پرتو باریک با استفاده از یادگیری ماشین انتخاب می شود ، دیگر از شکافهای برنامه ریزی شده در downlink استفاده نمی شود ، این شکافها بیشتر در انتقال داده ها استفاده می شوند ، و در نتیجه ظرفیت سلول بهبود می یابد. الگوریتم های یادگیری تحت نظارت ، یعنی ، ماشین های بردار پشتیبان (SVM) ، نزدیکترین همسایه K (k-NN) و رگرسیون لجستیک (LR) مقایسه می شوند ، داده ها را با استفاده از شبیه ساز 5G در Ericsson AB ، Lund جمع آوری می کنیم و آنها را به تیرهای باریک کلاسیک . الگوریتم SVM در مقایسه با الگوریتم های دیگر با دقت 78.5٪ به علاوه 19.6٪ انتخاب پرتو همسایه پیشی گرفته است. دقت الگوریتم بسته به سناریو و مقدار داده های آموزشی مورد استفاده متفاوت است. اتصال الگوریتم SVM به شبیه ساز ، میانگین توان عملیاتی چندین کاربر (2 ، 5 ، 10،20 ، 30 و 40) با سرعتهای مختلف کاربر (1 متر بر ثانیه ، 5 متر بر ثانیه و 10 متر بر ثانیه) جمع آوری می شود و فواصل SSB مختلف (20ms و 40ms). برای فاصله 40 میلی ثانیه SSB ، 40 کاربر و سرعت کاربر 10m / s ، میانگین افزایش در عملکرد 46.6٪ است. به همین ترتیب ، برای بازه 20msSSB ، 30 کاربر و سرعت کاربر 10m / s ، میانگین سود عملیاتی 21.15٪ است.