[论文解读] Deep Learning and Gaussian Process based Band Assignment in Dual Band Systems.

Daoud Burghal, Rui Wang+1 more|arXiv (Cornell University)|Feb 28, 2019

Millimeter-Wave Propagation and Modeling参考文献 35被引用 7

一句话总结

本文提出了一种用于无线系统的双频段分配（BA）框架，采用深度学习（LSTM/MLP）和高斯过程（GP）模型，以优化厘米波与毫米波频段之间的切换。该深度学习方法在随机和射线追踪的微蜂窝环境中均优于基准方法，通过利用时序信道状态信息，提升了可靠性与吞吐量。

ABSTRACT

We consider the band assignment (BA) problem in dual-band systems, where the basestation (BS) chooses one of the two available frequency bands (centimeter-wave and millimeter-wave bands) to communicate with the user equipment (UE). While the millimeter-wave band might offer higher data rate, there is a significant probability of outage during which the communication should be carried on the (more reliable) centimeter-wave band. We consider two variations of the BA problem, one-shot and sequential BA. For the former the BS uses only the currently observed information to decide whether to switch to the other frequency band, for the sequential BA, the BS uses a window of previously observed information to predict the best band for a future time step. We provide two approaches to solve the BA problem, (i) a deep learning approach that is based on Long Short Term Memory and/or multi-layer Neural Networks, and (ii) a Gaussian Process based approach, which relies on the assumption that the channel states are jointly Gaussian. We compare the achieved performances to several benchmarks in two environments: (i) a stochastic environment, and (ii) microcellular outdoor channels obtained by ray-tracing. In general, the deep learning solution shows superior performance in both environments.

研究动机与目标

• 通过优化厘米波与毫米波频段之间的频段选择，解决双频段无线系统中可靠且高吞吐量通信的挑战。
• 解决两种工作模式下的频段分配问题：一次性（仅基于当前状态）与序列式（依赖历史预测）。
• 开发并评估两种基于学习的方法——深度学习与高斯过程，以基于信道状态趋势预测最优频段使用。
• 在多种传播环境中评估性能，包括随机模型与真实世界射线追踪的微蜂窝信道。
• 证明基于学习的BA策略在可靠性与频谱效率方面显著优于传统基准方法。

提出的方法

• 采用长短期记忆（LSTM）网络与多层前馈神经网络，对信道状态信息中的时序依赖关系进行建模，以实现序列式频段分配。
• 将频段分配问题建模为序列决策任务，利用过去信道观测的滑动窗口，预测未来最优频段使用。
• 应用高斯过程模型，假设信道状态呈联合高斯分布，以估计不确定性并预测最优频段切换。
• 使用历史信道状态数据训练深度学习与GP模型，以最小化中断概率并最大化数据速率。
• 采用基于奖励的评估指标，将性能与固定频段选择和随机切换等基线策略进行对比。
• 在两种环境中验证模型：一种合成的随机信道模型与一种真实的射线追踪微蜂窝室外场景。

实验结果

研究问题

• RQ1 在动态双频段环境中，基于深度学习的频段分配性能与传统及基准方法相比如何？
• RQ2 在序列式BA中，引入历史信道状态信息在多大程度上提升了频段分配决策的准确性？
• RQ3 高斯过程模型能否有效建模信道状态的时序相关性，以指导可靠的频段切换？
• RQ4 所提出的基于学习的方法在真实射线追踪微蜂窝传播环境中，与合成模型相比表现如何？
• RQ5 在双频段系统中，深度学习与高斯过程方法在准确性、适应性与计算成本之间的权衡表现如何？

主要发现

• 基于深度学习的方法（采用LSTM与多层神经网络）在随机与射线追踪环境中均优于所有基准方法。
• 利用历史信道观测的序列式频段分配策略，相比一次性决策，显著降低了中断概率。
• 基于高斯过程的方法提供了有效的替代方案，并具备不确定性量化能力，但其性能始终低于深度学习方法。
• 在射线追踪微蜂窝环境中，深度学习模型对实际传播效应（如遮挡与多径衰落）表现出强鲁棒性。
• 在高移动性或高遮挡场景中，深度学习与基准方法之间的性能差距最为显著，此时预测能力最为关键。
• 两种所提方法均降低了平均中断时长并提升了频谱效率，但深度学习模型在复杂非平稳信道动态变化中展现出更强的适应能力。