Nesnelerin interneti için adilliğe duyarlı derin pekiştirmeli öğrenme tabanlı GF-NOMA tasarımı
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yeni nesil ağların, Nesnelerin İnterneti gereksinimlerini karşılamak adına hücresel ağların verimliliğini artırması beklenmektedir. Hibesiz dikgen olmayan çoklu erişim (GF-NOMA) yöntemi, makine tipi iletişim cihazlarının farklı güç seviyelerine sahip sinyallerini aynı zaman ve frekans kaynakları üzerinden iletmelerine olanak tanıyan bir çözüm olarak görülmektedir. Ancak rastgelelik ve MTC cihazlarının güç seviyesi seçiminin yönetimi, GF-NOMA yönteminin dezavantajları arasındadır. 6G ağında, GF-NOMA'nın rastgele erişim ve tam koordineli erişim gibi iki uç yöntem arasında yer alması için, yapay zeka yöntemlerinin erişim yöntemine entegre edilmesi gerekmektedir. Derin-Q-Ağı (DQN), MTC cihazlarının verimliliğini artırmak için akıllı kararlar almasını sağlayan yeni bir araştırma konusudur. Bu tezde, güç alanı GF-NOMA için yeni bir öğrenme modeli önerilmiştir. Öğrenme modelinin amacı, IoT ağında güç tüketiminde MTC cihazları arasında adaleti sağlayarak verimliliği en üst düzeye çıkarmaktır. Öğrenme algoritması ile MTC cihazları, zaman içinde farklı kaynakları kullanabilmektedir. Sonuçlar, öğrenme tabanlı yöntemin, rastgele kaynak seçimi yapan geleneksel yönteme göre verimlilik açısından daha iyi performansa sahip olduğunu ve adalete duyarlı öğrenme modeli ile güç kaynaklarının kullanımında adaletin artırıldığını göstermektedir.
Açıklama
Anahtar Kelimeler
Nesnelerin İnterneti, Rastgele Erişim, GF-NOMA, Makine Öğrenme., Internet of Things, Random Access, Machine Learning.
