Applications of Deep Learning Techniques to the design of cell-free massive MIMO networks
Esta tesis de master estudia la aplicación de deep neural networks (DNNs) para el diseño de redes cell-free massive MIMO (CF-mMIMO), una topología novedosa destinada a revolucionar las comunicaciones móviles de sexta generación (6G). Más concretamente, el trabajo aborda el diseño de la estrategia de...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad Nacional de Educación a Distancia |
| Repositorio: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | español |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/30320 |
| Acceso en línea: | https://hdl.handle.net/20.500.14468/30320 |
| Access Level: | acceso abierto |
| Palabra clave: | 1203.17 Informática topología cell-free asignación de potencia aprendizaje profundo aprendizaje por transferencia Cell-free topology power allocation deep learning transfer learning |
| Sumario: | Esta tesis de master estudia la aplicación de deep neural networks (DNNs) para el diseño de redes cell-free massive MIMO (CF-mMIMO), una topología novedosa destinada a revolucionar las comunicaciones móviles de sexta generación (6G). Más concretamente, el trabajo aborda el diseño de la estrategia de asignación de potencia, es decir, determinar cuánta potencia se asigna a cada usuario con el fin de optimizar una determinada métrica de rendimiento relacionada con la eficiencia espectral. A diferencia de las estrategias clásicas de asignación de potencia, que suelen basarse en métodos de optimización matemática complejos, el enfoque con DNNs establece una relación entre la información de canal a gran escala (vinculada a las posiciones entre usuarios y puntos de acceso (APs)) a los coeficientes de potencia. Es muy destacable que esta función de mapeo es computacionalmente trivial durante la operación en tiempo real de la red móvil, a costa de requerir una fase de entrenamiento costosa que, convenientemente, puede llevarse a cabo como un pre-procesado (i.e., off-line). Los resultados demuestran que la asignación de potencia basada en DNNs funciona a la par de la técnica de referencia (i.e., fractional power allocation (FPA)) para una amplia variedad de configuraciones (p. e., diferentes cargas de red, distintas técnicas de procesamiento, diferentes objetivos de eficiencia espectral). Además, también se ha propuesto una estrategia basada en aprendizaje por transferencia para generalizar la aplicabilidad de un modelo DNN entrenado para una carga de red específica a otra diferente, sin necesidad de reentrenar el modelo completo. |
|---|