美國國家標準技術研究院（NIST）的研究人員已經(jīng)開發(fā)出一種數(shù)學公式，計算機仿真表明，該公式可以幫助5G和其他無線網(wǎng)絡選擇和共享通信頻率，其效率比試錯法高大約5000倍。

NIST工程師Jason Coder為機器學習公式進行數(shù)學計算，可以幫助5G和其他無線網(wǎng)絡有效選擇和共享通信頻率

新穎的公式是機器學習的一種形式，它根據(jù)特定網(wǎng)絡環(huán)境中的先前經(jīng)驗來選擇一個無線頻率范圍，稱為信道?？梢詫⒃摴?a href="http://www.www27dydycom.cn/v/tag/1315/" target="_blank">編程為許多類型的實際網(wǎng)絡中的發(fā)射機上的軟件。

該公式是通過共享未經(jīng)許可的頻率范圍（也稱為頻段）來幫助滿足對無線系統(tǒng)（包括5G）不斷增長的需求的一種方法。例如，Wi-Fi使用未經(jīng)許可的頻段，即管理機構未分配給特定用戶的頻段。

快速選擇最佳子頻道

這項研究的重點是Wi-Fi與蜂窩系統(tǒng)競爭特定頻率或子信道的情況。使這種情況具有挑戰(zhàn)性的是，這些蜂窩系統(tǒng)正在通過使用一種稱為許可輔助訪問（LAA）的方法來提高其數(shù)據(jù)傳輸速率，該方法將非許可頻段和許可頻段結合在一起。

NIST工程師Jason Coder說：“這項工作探索了在決定傳輸哪個頻率的決策中使用機器學習?！?“這可能使無許可頻段的通信效率大大提高。”

該公式使發(fā)射機能夠快速選擇最佳子信道，以在未許可頻段內(nèi)成功且同時運行Wi-Fi和LAA網(wǎng)絡。每個發(fā)送器都學會了在不相互通信的情況下最大化總網(wǎng)絡數(shù)據(jù)速率。該方案可快速獲得接近于基于詳盡的試錯通道搜索的結果的總體性能。

該研究與以前的通信機器學習研究不同，它考慮了多個網(wǎng)絡“層”，物理設備以及基站和接收器之間的信道訪問規(guī)則。

該公式是一項Q學習技術，這意味著它將環(huán)境條件（例如網(wǎng)絡的類型以及存在的發(fā)射機和信道的數(shù)量）映射到最大化值（稱為Q）的操作上，該操作可以返回最佳回報。

通過與環(huán)境交互并嘗試不同的動作，該算法可以了解哪個渠道提供了最佳結果。每個發(fā)射機都學會選擇在特定環(huán)境條件下產(chǎn)生最佳數(shù)據(jù)速率的信道。

提高數(shù)據(jù)速率

如果兩個網(wǎng)絡都適當?shù)剡x擇信道，則組合的整個網(wǎng)絡環(huán)境的效率將提高。該方法以兩種方式提高數(shù)據(jù)速率。具體來說，如果發(fā)射機選擇了未被占用的信道，則成功傳輸?shù)目赡苄詴黾?，從而導致更高的?shù)據(jù)速率。而且，如果發(fā)射機選擇的信道使干擾最小化，則信號更強，從而導致更高的接收數(shù)據(jù)速率。

在計算機仿真中，最佳分配方法通過搜索所有可能的組合以找到使總網(wǎng)絡數(shù)據(jù)速率最大化的方法，將信道分配給發(fā)射機。該公式產(chǎn)生的結果接近于最佳結果，但過程要簡單得多。

該研究發(fā)現(xiàn)，要想找出最佳解決方案，需要進行詳盡的工作，大約需要進行45600次試驗，而公式可以通過嘗試10個渠道來選擇一個類似的解決方案，僅占努力的0.02%。

這項研究針對的是室內(nèi)場景，例如帶有多個Wi-Fi接入點的建筑物以及在未許可頻段內(nèi)使用手機的情況?，F(xiàn)在，研究人員計劃在更大規(guī)模的室外場景中對該方法進行建模，并進行物理實驗以證明其效果。