Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Application of Learning-based Resource Allocation Scheme for Different UE Antenna Orientations
KTH, School of Electrical Engineering (EES).
2017 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

One of the main tasks of the fifth generation (5G) network systems is the ability to provide high-data rates with always-on connectivity to the ever-increasing number of smart devices, especially for high mobility users. By cooperation within a number of the Remote Radio Heads (RRHs), higher system capacity can be achieved based on the Cloud Radio Access Network (CRAN) architecture for the 5G network systems. For the baseband processing, the state of the art technology uses the instantaneous channel state information (CSI), which will be infeasible for higher mobility users; fi rst because it will incur signifi cant system overhead, which will reduce the effective system performance, and second because infrequent CSI acquisition will get outdated for such high mobility users. In contrast to this method, a novel approach is proposed to use the users' position information for baseband processing (or resource allocation) to achieve better system performance. For this purpose, the machine learning algorithm, named "random forests", is used to learn the correlation of users' position information with the different system parameters. The proposed scheme only requires the users' positions estimates so that the overhead problem, which means a degradation in the spectrum utilization, can be avoided. The random forests is used as a multi-class classi fier and it achieves 92% of the system goodput compared to the traditional CSI-based scheme. In the thesis work, the novel approach is applied in a more realistic scenario where multiple smart devices have an arbitrary antenna orientation, unknown to the RRH. In this case, the system goodput from the learning-based resource scheme reduces to about only 27% of the goodput from traditional CSI-based scheme. This thesis provides two problem fi xes in such mismatch cases for real-time User Equipment (UE) antenna orientation. One method is based on rotating the predicted receive fi lter direction according to the actual user-antenna orientation, which shows the system goodput improvement to 86% of the CSI-based scheme. The other method uses the user-antenna orientation as an input feature when training the random forests classifi er, which makes the system goodput to be about 95% of the goodput for CSI-based scheme.

Abstract [sv]

En av de viktigaste uppgifterna för femte generations (5G) nätverkssystemär förmågan att kunna tillhandahålla hög överföringskapacitet med oavbrutenuppkoppling till det ständigt ökande antalet smarta enheter, särskiltför användare med hög mobilitet. Genom samarbeten mellan ett antal RemoteRadio Heads (RRHs), så är det möjligt att uppnå högre systemkapacitetbaserad på Cloud Radio Access Network (CRAN)-arkitekturen för5G nätverkssystem. De flesta av dagens metoder för basbandssignalbehandlingförutsätter momentan tillståndsinformation för kommunikationskanalen(channel state information; CSI), vilket är ett orimligt antagande föranvändare med hög mobilitet; delvis eftersom det kommer att medföra enbetydande system-overhead, vilket kommer att försämra systemets effektivaprestanda, men även för att regelbundet insamlad CSI hinner bli inaktuellför sådana användare med hög mobilitet. Som kontrast till dennametod så föreslås ett nytt angreppssätt för att kunna använda sig avanvändarnas positionsinformation för basbandssignalbehandling (eller resursallokering)och uppnå bättre systemprestanda. För detta så används maskininlärningsalgoritmen random forests för att skatta korrelationen mellananvändarens positionsinformation och olika systemparametrar. Den föreslagnametoden kräver endast användarens positionsestimat, vilket undviker attspektrumutnyttjandet försämras pga overhead-problemet. Random forestsanvändas för multiklassificering och uppnår 92% av systemets goodput ijämförelse med den traditionella CSI-baserade metoden. I denna avhandlingså används den nya metoden i ett mer realistiskt scenario där flera smartaenheter har en godtycklig antennorientering, som antas vara okänd för RRH.I detta fall så reduceras systemets goodput från det inlärningsbaserade resursschemattill endast cirka 27% av den goodput som uppnås med dentraditionella CSI-baserade metoden. Denna avhandling tillhandahåller tvålösningar i sådana fall med dåliga matchningar för användarutrustningensantennorientering i realtid. En metod är baserad på en rotering av det predikterademottagarfiltrets riktning enligt användarens reella antennorientering,vilket leder till att systemets goodput förbättras till 86% av dengoodput som uppnås med den CSI-baserade metoden. Den andra metodenanvänder användarens antennorientering som en ingångsparameter när randomforests-klassificeraren tränas, vilket gör att systemets goodput blir cirka95% av den goodput som uppnås med den CSI-baserade metoden.

Place, publisher, year, edition, pages
2017. , p. 61
Series
TRITA-EE, ISSN 1653-5146 ; 2017:011
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-202740OAI: oai:DiVA.org:kth-202740DiVA, id: diva2:1078458
Presentation
2017-02-27, Meeting Room - Floor 8, Osquldas väg 10, Stockholm, 13:00
Supervisors
Examiners
Available from: 2017-03-06 Created: 2017-03-03 Last updated: 2017-03-06Bibliographically approved

Open Access in DiVA

fulltext(3969 kB)150 downloads
File information
File name FULLTEXT01.pdfFile size 3969 kBChecksum SHA-512
e692310b7ede8ba70fedd89967b17b270dc00fa36a468b506bbd0039dc263348d7a2f4229c999f9b0ffab2efad4c588c67b2932a2383b914587d114f5dc038be
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering (EES)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 150 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 620 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
v. 2.34-SNAPSHOT
|