Ben Atia, Yacine
[VerfasserIn]
;
CY Cergy Paris Université
[MitwirkendeR];
Belmega, Elena Veronica
[MitwirkendeR];
Savard, Anne
[MitwirkendeR];
Negrel, Romain
[MitwirkendeR]
Techniques d'apprentissage profond pour les problèmes d'allocation de puissance dans les réseaux radio cognitifs assistés par des relais. ; Deep learning techniques for power allocation problems in cognitive relay-aided networks
Titel:
Techniques d'apprentissage profond pour les problèmes d'allocation de puissance dans les réseaux radio cognitifs assistés par des relais. ; Deep learning techniques for power allocation problems in cognitive relay-aided networks
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Les futures générations de réseaux sans fil sont confrontées à de grands défis en termes de capacité du réseau, de débit du système, de densité d'utilisateurs, le tout avec un budget énergétique serré. Afin d'atteindre ces objectifs ambitieux, plusieurs technologies émergentes, telles que la radio cognitive, les communications coopératives, le full duplex, l'intelligence artificielle, etc. ont été proposées, chacune d'entre elles se concentrant sur une amélioration spécifique.L'objectif de cette thèse de doctorat est d'exploiter conjointement ces technologies émergentes afin de maximiser le débit de Shannon sous contraintes et non convexe dans un réseau de radio cognitive assisté par des nœuds relais. Ce réseau se compose d'une paire utilisateur-destination primaire et secondaire et d'un relais secondaire full-duplex effectuant la Compresser-et-Transférer (CF) ou Décoder-et-Transférer (DF). La communication primaire est protégée par une contrainte de qualité de service (QoS) exprimée en termes de dégradation tolérée du débit de Shannon.Plus précisément, nous abordons les problèmes d'allocation de puissance non convexes dans le cas d'information sur l'état du canal (CSI) parfaite et imparfaite et pour CF et DF. Dans le cas d'une information parfaite sur l'état du canal, nous obtenons une solution analytique pour CF. Cependant, pour DF, en raison de débits atteignables plus complexes et des contraintes non convexes, aucune solution analytique ne semble possible. Pour relever ce défi, nous proposons une politique d'allocation de puissance non supervisée basée sur l'apprentissage profond qui exploite une architecture entièrement connectée conjointement avec une fonction de coût adaptée à la radio cognitive que le réseau de neurones profond (DNN) apprend à minimiser. Cette fonction de coût adaptée repose sur la relaxation de la contrainte de QoS dans la fonction objectif en introduisant un hyperparamètre permettant le compromis entre une optimisation axée sur le débit et une optimisation axée sur la QoS. Ainsi, seuls ...