Key points are not available for this paper at this time.
Zusammenfassung: 5G-Netzwerke sind an allen Standorten aufgrund der Vielzahl von Vorteilen, die sie bieten, unerlässlich. Infolgedessen ist die Anzahl der Benutzer dramatisch gestiegen. Dennoch benötigen diese Benutzer eine Vielzahl von Ressourcen, um effizient zu funktionieren. Deep-Learning-Techniken wurden entwickelt, um die Präzision und Zuverlässigkeit der Ressourcenallokation im Kontext von 5G-Netzwerken zu verbessern. Diese Forschung nutzt ein effektives rekurrentes neuronales Netzwerk (ERNN), um die Ressourcenallokation für 5G-Multiuser (MU)-massive Multiple Input Multiple Output (MIMO) zu verwalten. Um die Zielfunktionen zu optimieren, wird die erste Anwendung des Multi-Objective Differential Evaluation Algorithmus (MODEA) verwendet. Das neuronale Netzwerk erhält diese aktualisierten Zielfunktionen, um Ressourcen zuzuweisen. ERNN bewertet das Bedürfnis jedes einzelnen Benutzers. Durch die Partitionierung der Ressourcen auf dieser Ebene wird eine hohe Durchsatzrate aufrechterhalten, während sie jedem Benutzer zugewiesen wird. Darüber hinaus wird der Fairness-Index des Ressourcenverteilungssystems auf Basis neuronaler Netzwerke etabliert. Die vorgeschlagene Methode erreicht eine Datenübertragungsrate von 290 Bits pro Sekunde (bps) und einen Fairness-Index von 0,97 %, wenn sie von 50 Benutzern genutzt wird. Die Ergebnisse der vorgeschlagenen Methode zeigen eine überlegene Leistung im Vergleich zu anderen bestehenden Methoden im Bereich des 5G-massiven MIMO.
Rani et al. (Sat.) haben diese Frage untersucht.