MIMO massive millimeter wave power allocation in MATLAB 

Résumé
MMIMO (Massive Multiple-Input Multiple-Output) est une technologie clé pour les systèmes de communication mobile 5G, qui permet de former et de transmettre simultanément plusieurs faisceaux de signaux directionnels à plusieurs terminaux mobiles (MT) sur le même canal de fréquence avec des gains et un débit de formation de faisceau élevés. . L'un des défis de la formation de faisceaux MMMIO est de savoir comment allouer la puissance d'émission à plusieurs faisceaux envoyés d'une station de base MMIMO à plusieurs MT et programmer des transmissions de données, étant donné le trafic hétérogène et les conditions de canal de plusieurs MT. De plus, les statistiques des arrivées de paquets des utilisateurs et des états des canaux peuvent ne pas être connues a priori et varier dans le temps. Dans cet article, nous proposons un cadre pour optimiser l'allocation de puissance du faisceau MMIMO et la programmation de la transmission dans les réseaux à ondes millimétriques avec des conditions de trafic et de canal variant dans le temps. Le problème d'optimisation est formulé sous la forme d'un processus de décision de Markov (MDP) avec l'objectif de minimiser le délai global de mise en file d'attente de plusieurs terminaux mobiles en tenant compte de leur trafic hétérogène et dynamique et de leurs états de canal. Un schéma d'apprentissage par renforcement en ligne est conçu qui permet d'atteindre les performances système optimales à long terme sans nécessiter de connaissance a priori des statistiques de trafic utilisateur et des états du réseau sans fil. Les résultats de l'évaluation montrent que le schéma proposé surpasse les lignes de base de pointe. Un schéma d'apprentissage par renforcement en ligne est conçu qui permet d'atteindre les performances système optimales à long terme sans nécessiter de connaissance a priori des statistiques de trafic utilisateur et des états du réseau sans fil. Les résultats de l'évaluation montrent que le schéma proposé surpasse les lignes de base de pointe. Un schéma d'apprentissage par renforcement en ligne est conçu qui permet d'atteindre les performances système optimales à long terme sans nécessiter de connaissance a priori des statistiques de trafic utilisateur et des états du réseau sans fil. Les résultats de l'évaluation montrent que le schéma proposé surpasse les lignes de base de pointe.
Abstrait:
Massive multiple-input multiple-output (MMIMO) is a key technology for 5G mobile communication systems, which enables to simultaneously form and transmit multiple directional signal beams to multiple mobile terminals (MTs) on the same frequency channel with high array beamforming gains and throughput. One of the challenges in MMMIO beamforming is how to allocate the transmit power to multiple beams sent from a MMIMO base station to multiple MTs and schedule data transmissions, given heterogeneous traffic and channel conditions of multiple MTs. Furthermore, the statistics of users’ packet arrivals and channel states may not be known a priori and vary over time. In this paper, we propose a framework to optimize MMIMO beam power allocation and transmission scheduling in millimeter wave networks with time-varying traffic and channel conditions. The optimization problem is formulated as a Markov decision process (MDP) with the objective to minimize the overall queueing delay of multiple MTs by taking their heterogeneous and dynamic traffic and channel states into account. An online reinforcement learning scheme is designed which allows achieving the long-term optimal system performance with no requirement for a priori knowledge of user traffic statistics and wireless network states. Evaluation results show that our proposed scheme outperforms the state-of-the-art baselines.
Original book
https://link.springer.com/chapter/10.1007/978-3-319-94268-1_25