| Popis: |
У типових бездротових стільникових системах хендовер передбачає перепризначення поточного сеансу, який обробляє одну клітина в іншу. Для підтримки збільшеної потужності вимоги та для забезпечення нових варіантів використання наступні покоління бездротових систем матимуть дуже щільне розгортання і вдосконалену можливість формування променя. У таких системах забезпечено кращу мобільність разом із підвищеною продуктивністю, що вимагає вдосконаленої стратегії передачі. У цій роботі детально описано метод оптимізації хэндовера в стільниковій мережі 5G. На відміну від традиційного методу, пропонується контролювати передачі між базовими станціями (БС) за допомогою централізованого навчання з підкріпленням (RL), що обробляє звіти про радіовимірювання від UE та обирає відповідні дії з передачі, відповідно до рамок RL для максимізації довгострокової користі. Мета роботи: вибір методу оптимізації хендовера в стільниковій мережі 5G за допомогою Q - навчання для вирішення проблеми підвищення продуктивності методів використання середовища розповсюдження та розгортання, порівняно із результатами інших існуючих алгоритмів. In typical wireless cellular systems, handover involves reassigning the current session being handled by one cell to another. To support increased power requirements and to enable new use cases, the next generation of wireless systems will have very dense deployments and improved beamforming capabilities. In such systems, better mobility is ensured along with increased performance, which requires an improved transmission strategy. This paper describes in detail the handover optimization method in the 5G cellular network. In contrast to the traditional method, it is proposed to control handovers between base stations (BSs) using centralized reinforcement learning (RL), which processes radio measurement reports from UEs and selects appropriate handover actions according to the RL framework to maximize long-term benefit. The purpose of the work: the selection of a handover optimization method in a 5G cellular network using Q - learning to solve the problem of improving the performance of methods of using the distribution and deployment environment, compared to the results of other existing algorithms. |
