[논문]비직교 다중 접속 기반 이종 네트워크에서 딥러닝 알고리즘을 이용한 사용자 및 전력 할당 기법

김동현; 이인호

doi:10.6109/jkiice.2022.26.3.430

초록
AI-Helper

본 논문에서는 하나의 매크로 기지국과 다수의 소형 기지국들로 구성된 이종 네트워크 (Heterogeneous Network, HetNET) 시스템에서 비직교 다중 접속 (Non-Orthogonal Multiple Access, NOMA) 기술을 고려한다. 여기서, NOMA 신호에 대하여 완벽한 순차적 간접 제거를 가정한다. 본 논문에서는 이러한 NOMA 기반의 이종 네트워크에서 데이터 전송률을 최대화하기 위하여 딥러닝 기반의 사용자 및 전력 할당 기법을 제안한다. 특히, 제안하는 기법은 부하 분산을 위한 심층신경망(Deep Neural Network, DNN) 기반의 사용자 할당 과정과 할당된 사용자에 대한 데이터 전송률의 최대화를 위한 DNN 기반의 전력 할당 과정을 포함한다. 기지국과 사용자간 경로 손실과 레일레이 페이딩 채널을 가정한 시뮬레이션을 통해 제안하는 기법의 성능을 평가하고, 기존의 최대 신호 대 간섭 및 잡음비(Max-Signal-to-Interference-plus-Noise Ratio, Max-SINR) 기법의 성능과 비교한다. 성능 비교를 통해서 제안된 기법이 기존의 Max-SINR 기법보다 높은 데이터 전송률을 제공하는 것을 보여준다.

Abstract ▼ AI-Helper

In this paper, we consider the non-orthogonal multiple access (NOMA) technique in the heterogeneous network (HetNET) consisting of a single macro base station (BS) and multiple small BSs, where the perfect successive interference cancellation is assumed for the NOMA signals. In this paper, we propos...

In this paper, we consider the non-orthogonal multiple access (NOMA) technique in the heterogeneous network (HetNET) consisting of a single macro base station (BS) and multiple small BSs, where the perfect successive interference cancellation is assumed for the NOMA signals. In this paper, we propose a deep learning-based user association and power allocation scheme to maximize the data rate in the NOMA-based HetNET. In particular, the proposed scheme includes the deep neural network (DNN)-based user association process for load balancing and the DNN-based power allocation process for data-rate maximization. Through the simulation assuming path loss and Rayleigh fading channels between BSs and users, the performance of the proposed scheme is evaluated, and it is compared with the conventional maximum signal-to-interference-plus-noise ratio (Max-SINR) scheme. Through the performance comparison, we show that the proposed scheme provides better sum rate performance than the conventional Max-SINR scheme.

주제어

표/그림 (6)

그림 Fig. 1 HetNET system model for user association and transmit power allocation
그림 Fig. 2 Proposed DNN model for user association and power allocation processes
그림 Fig. 3 Relationship between user and BS by Max-SINR and DNN-based algorithm.
그림 Fig. 4 Sum-rate of Max-SINR and DNN schemes with B=4.
그림 Fig. 6 Sum-rate of Max-SINR and DNN schemes with B=4 and M=50.
그림 Fig. 5 Sum-rate of Max-SINR and DNN schemes with M=50.

참고문헌 (16)

V. W. S. Wong, R. Schober, D. W. K. Ng, and L. -C. Wang, Key Technologies for 5G Wireless Systems. U.K.: Cambridge Univ. Press, 2017.
O. Maraqa, A. S. Rajasekaran, S. Al-Ahmadi, H. Yanikomeroglu and S. M. Sait, "A Survey of Rate-Optimal Power Domain NOMA With Enabling Technologies of Future Wireless Networks," IEEE Communications Surveys & Tutorials, vol. 22, no. 4, pp. 2192-2235, Aug. 2020.

상세보기
W. Lu, M. Liu, S. Lin, and L. Li, "Fully Decentralized Optimal Power Flow of Multi-Area Interconnected Power Systems Based on Distributed Interior Point Method," IEEE Transactions on Power Systems, vol. 33, no. 1, pp. 901-910, Jan. 2018.

상세보기
Q. Shi, M. Razaviyayn, Z. -Q. Luo, and C. He, "An Iteratively Weighted MMSE Approach to Distributed Sum-Utility Maximization for a MIMO Interfering Broadcast Channel," IEEE Transactions on Signal Processing, vol. 59, no. 9, pp. 4331-4340, Sep. 2011.

상세보기
K. Shen and W. Yu, "Fractional Programming for Communication Systems-Part I: Power Control and Beamforming," IEEE Transactions on Signal Processing, vol. 66, no. 10, pp. 2616-2630, May. 2018.

상세보기
N. Yang, H. Zhang, K. Long, H. -Y. Hsieh, and, J. Liu, "Deep Neural Network for Resource Management in NOMA Networks," IEEE Transactions on Vehicular Technology, vol. 69, no. 1, pp. 876-886, Jan. 2020.

상세보기
W. Saetan and S. Thipchaksurat, "Power Allocation for Sum Rate Maximization in 5G NOMA System with Imperfect SIC: A Deep Learning Approach," in Proceedings of the 2019 4th International Conference on Information Technology (InCIT), pp. 195-198, 2019.
J. Luo, J. Tang, D. K. C. So, G. Chen, K. Cumanan, and J. A. Chambers, "A Deep Learning-Based Approach to Power Minimization in Multi-Carrier NOMA With SWIPT," IEEE Access, vol. 7, pp. 17450-17460, Jan. 2019.

상세보기
L. Xiao, Y. Li, C. Dai, H. Dai, and H. V. Poor, "Reinforcement Learning-Based NOMA Power Allocation in the Presence of Smart Jamming," IEEE Transactions on Vehicular Technology, vol. 67, no. 4, pp. 3377-3389, Apr. 2018.

상세보기
K. N. Doan, M. Vaezi, W. Shin, H. V. Poor, H. Shin, and T. Q. S. Quek, "Power Allocation in Cache-Aided NOMA Systems: Optimization and Deep Reinforcement Learning Approaches," IEEE Transactions on Communications, vol. 68, no. 1, pp. 630-644, Jan. 2020.

상세보기
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, Jun. 2018.

상세보기
W. Lee, M. Kim, and D. -H. Cho, "Transmit Power Control Using Deep Neural Network for Underlay Device-to-Device Communication," IEEE Wireless Communications Letters, vol. 8, no. 1, pp. 141-144, Feb. 2019.

상세보기
D. Kim and I. -H. Lee, "Deep Learning-Based Power Control Scheme for Perfect Fairness in Device-to-Device Communication Systems," Electronics, vol. 9, no. 10, pp. 1606, Oct. 2020.

상세보기
D. Kim, H. Jung, and I.-H. Lee, "Deep Learning-Based Power Control Scheme With Partial Channel Information in Overlay Device-to-Device Communication Systems," IEEE Access, vol. 9, pp. 122125-122137, Sep. 2021.

상세보기
S. Ioffe, and C. Szegedy, "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift," in Proceedings of the 32nd International Conference on Machine Learning, Lille: France, vol. 37, pp. 448-456, 2015.
D. P. Kingma and J. Ba, "Adam: A Method for Stochastic Optimization," Dec. 2014. [Internet] Available: https://arxiv.org/abs/1412.6980.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 비직교 다중 접속 기반 이종 네트워크에서 딥러닝 알고리즘을 이용한 사용자 및 전력 할당 기법
User Association and Power Allocation Scheme Using Deep Learning Algorithmin Non-Orthogonal Multiple Access Based Heterogeneous Networks 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6)

표/그림 (6)

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 비직교 다중 접속 기반 이종 네트워크에서 딥러닝 알고리즘을 이용한 사용자 및 전력 할당 기법 User Association and Power Allocation Scheme Using Deep Learning Algorithmin Non-Orthogonal Multiple Access Based Heterogeneous Networks 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6) 모든 표/그림 보기

표/그림 (6) 슬라이드로 보기

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

이인호 (28)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 비직교 다중 접속 기반 이종 네트워크에서 딥러닝 알고리즘을 이용한 사용자 및 전력 할당 기법
User Association and Power Allocation Scheme Using Deep Learning Algorithmin Non-Orthogonal Multiple Access Based Heterogeneous Networks 원문보기

초록
AI-Helper

표/그림 (6)

표/그림 (6)