| Summary: | Las tecnologías inalámbricas de próxima generación enfrentan desafíos considerables en términos de proporcionar muy baja latencia y alta conectividad, requisitos imprescindibles de las
nuevas redes móviles heterogéneas. Impulsado principalmente por estos problemas, este estudio
se centra en aumentar la conectividad del usuario, mejorando al mismo tiempo el rendimiento general del sistema. Para esto, se propone y evalúa un sistema híbrido de acceso múltiple
ortogonal no-ortogonal impulsado por aprendizaje automático (OMA/NOMA). Específicamente, en este trabajo, se propone el uso de una red neuronal artificial (Artificial Neural Network
ANN) para seleccionar el método de acceso OMA o NOMA de cada equipo de usuario (User
Equipment UE). Como parte de esta investigación, también se evalúa la precisión y el tiempo
de entrenamiento de los tres algoritmos de aprendizaje más relevantes de las ANN (L-M, BFGS
y OSS). El objetivo principal es aumentar el rendimiento de la red móvil de próxima generación, considerando el entorno del canal de onda milimétrica (millimeter-Wave mm-Wave) y la
formación de haces (beamforming).
Los resultados de la evaluación de la propuesta muestran un incremento en el rendimiento
promedio del sistema de hasta 20 %, en términos de la tasa total efectiva del sistema, utilizando
la administración ANN en contraste con un sistema administrado aleatoriamente sin ANN. El
algoritmo de entrenamiento Leveberg-Marquard (L-M) es el mejor algoritmo general para esta
aplicación. El mismo presenta la mayor precisión de alrededor de 77 % a costa de un tiempo de
entrenamiento de aproximadamente 37 minutos. Sin embargo, sacrificando la precisión hasta
un valor más bajo de 73 %, se requiere un tiempo de entrenamiento de aproximadamente 28
segundos.
|
|---|