5G D2D网络中基于机器学习的中继选择策略

摘要：

在5G D2D通信模式下,通过综合考虑中继节点在网络中所处的地理位置及中继节点处的信道增益,在多中继双向中继网络中提出一种基于CART决策树机器学习方法的优化中继选择策略RSBC.首先提出以地理位置和信道增益作为分类特征的两种分类方法,两种分类方法对应的系统性能增益不尽相同.为使最终选出的中继集能给系统带来最大性能增益,使用基尼系数和信息增益对两种分类方法进行了比较,并最终得到最优分类方式.在仿真中对系统的频谱效率和中断概率两个重要指标进行了分析比较,仿真结果证明了RSBC策略能够有效提升系统性能.

关键词：5G、D2D、机器学习、CART决策树、中继选择策略

所属期刊栏目：14

分类号：TN915.5

资助基金：国家自然科学基金项目“基于多域环境感知的5G网络自组织机理与自优化方法研究”61571073;重庆市教委科学技术研究重大项目“基于数据驱动和人工智能的5G网络智能控制理论和方法”KJZD-M201800601;重庆工程职业技术学院科研课题“面向物联网智能应用的雾计算关键技术研究”KJA201904

在线出版日期：2019-12-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1016-1021