Modelos Deep-Q-Network y su aprendizaje del control dinámico de la interferencia para mejorar el rendimiento de redes móviles celulares /

Vista sencilla de ítem
dc.contributor.authorAnzaldo Navarrete, Cosme Alexis
dc.contributor.directorAndrade Reátiga, Ángel Gabriel
dc.coverage.placeofpublicationMexicali, Baja California.
dc.date.accessioned2024-03-18T19:42:35Z
dc.date.available2024-03-18T19:42:35Z
dc.date.created2023
dc.degree.deparmentUniversidad Autónoma de Baja California, Facultad de Ingenierí­a
dc.degree.grantorTesis Doctorado / doctoral Thesis.
dc.degree.nameMaestrí­a y Doctorado en Ciencias e Ingenierí­a
dc.description.abstractCon el avance de la tecnologí­a de comunicación móvil celular, se espera que una mayor cantidad y diversidad de dispositivos celulares coexistan en una misma área de cobertura, pero, por otro lado, los nuevos servicios y aplicaciones móviles demandarán más recursos radioeléctricos. Bajo este escenario, y con el poco espectro disponible para los nuevos sistemas móviles de quinta generación o más allá (B5G), gestionar los recursos (canales y su respectiva potencia) de la red móvil para que este sea más competente se vuelve complejo debido a la interferencia originada por la necesidad de que mútiples dispositivos utilicen la misma banda espectral. Para afrontar las exigencias del proceso de gestión de recursos, las técnicas de Inteligencia Artificial (IA) han demostrado, en este y otros contextos, que es una tecnologí­a capaz de incrementar el rendimiento de la red móvil. En este trabajo de tesis, se implementa un modelo de IA llamado Deep Q-Network (DQN) para gestionar el nivel de potencia de transmisión de las estaciones base en respuesta a las condiciones dinámicas del entorno de propagación. La asignación inteligente de este nivel de potencia permite controlar el grado de interferencia de la red B5G, eficientizando, como resultado, el uso compartido del recurso radioeléctrico. Sin embargo, dado el comportamiento dinámico de la red B5G, la estrategia de asignación de potencia no puede ser estática, como tampoco la forma en la que se entrena el modelo DQN para la gestión de la potencia. En este sentido se propuso crear diversas experiencias a partir de la asignación de diferentes niveles de potencia de transmisión durante el entrenamiento de ajuste del modelo DQN. El objetivo es que el modelo DQN adapte sus parámetros de operación con base a lo aprendido de los distintos comportamientos del entorno. Se diseñó un protocolo de evaluación basado en transferencia sim2sim, con el que se transfiere el conocimiento aprendido de los modelos DQN entre los entornos de simulación. Para reducir el tiempo en el que el modelo DQN se adapta a las condiciones de red y las variaciones en la capacidad durante el entrenamiento de ajuste, se implementó un mecanismo de doble buffer que permite preservar el conocimiento aprendido de distintos entornos de red mientras se reutiliza el conocimiento actual del entorno de red. Los resultados muestran que el tiempo transitorio se reduce durante los entrenamientos de ajustes del modelo DQN. Además, se incrementa la confiabilidad del modelo DQN y se reduce la variación de la capacidad durante la asignación de potencia.
dc.format.extent157 p. il.
dc.format.mimetypepdf
dc.identifier.urihttps://repositorioinstitucional.uabc.mx/handle/20.500.12930/11621
dc.language.isospa
dc.publisherUniversidad Autónoma de Baja California.
dc.relation.urlhttps://drive.google.com/file/d/11mbKbZ4ICYlw2af2iUb0W4XhLljvpjSo/view?usp=sharing
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4
dc.subjectSistemas de comunicación inalámbrica||Tesis y disertaciones académicas||lemb||Sistemas de comunicaciones móviles||Tesis y disertaciones académicas lemb
dc.subject.lccTK5103.2 A59 2023
dc.titleModelos Deep-Q-Network y su aprendizaje del control dinámico de la interferencia para mejorar el rendimiento de redes móviles celulares /
dc.uabc.bibliographycNoteIncluye referencias bibliográficas
dc.uabc.bilbiotecaMEXICALI
dc.uabc.identifier257994
dc.uabc.numInventarioMXL124035
dc.uabc.typeMaterialTESIS
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
MXL124035.pdf
Tamaño:
7 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Tesis de Doctorado (Mexicali)