基于机器学习频谱占用预测和无线通信系统的资源分配/管理

未来无线通信系统并非仅用于交流也为传感。设备中使用这些系统的数量也在增加。这自然引出光谱不足的问题。出于这个原因,应该使用频谱比以前更有效率。提高频谱利用效率需要光谱的精确预测入住率和高效的资源配置/管理。为此开发了众多的基于模型的方法。然而,古典方法可能不足以让复杂的场景(比如用户数量很大,环境是不断变化的,和数据集的数量很大)。

最近,机器学习(ML)技术已被用于涉及无线通信的复杂问题。尤其是频谱占用的情况预测试下相关渠道和资源分配/管理一直试图通过学习不同维度的相关性如时间、频率和空间联系在一起。因此,本研究课题的目的是探索新的算法/模型,模型和ML的比较方法,测量和性能测试与实际数据在不同的环境中进行,并与不同数据集的理论分析。希望这个研究课题将开发和比较ML-based频谱占用预测和资源分配/管理,明确指出多个维度。

感兴趣的主题包括(但不限于):

1。设计新颖的ML频谱占用预测模型或算法和资源分配/管理。
2。真实的实验频谱占用预测和资源分配/管理。
3所示。Theoric毫升比较模型与基于模型的方法
4所示。小说在频谱占用ML模式特征选择方法预测和资源分配/管理问题
5。复杂性、准确性和内存需求比较的ML算法频谱占用预测和资源分配/管理
6。ML-based多维频谱占用预测和资源分配/管理算法设计和比较

关键字:无线通信频谱机会,认知无线电,机器学习,占用频谱预测,资源分配和管理

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。