استفاده از یادگیری ماشین در شکل‌دهی پرتو امواج میلی‌متری

ارتباطات موج میلی‌متری به لطف مزایای استثنائی آن، به‌عنوان یک فناوری کلیدی برای ارتباطات بی‌سیم توجه زیادی را به خود جلب کرده است. شکل‌دهی پرتو در ارتباطات موج میلی‌متری با ایجاد پرتو باریک به‌سمت کاربران می‌تواند کیفیت ارتباط کاربران را بهبود بخشد. با این حال، تحقق چنین دستاوردهایی در عمل نیازمند غلبه بر چالش‌های متعددی مانند تضعیف شدید سیگنال، محدودیت‌های سخت‌افزاری و پیچیدگی طراحی است. پیچیدگی بالای تعیین بردارهای شکل‌دهی پرتو محققان را به این سمت سوق داده است تا از تکنیک‌های یادگیری ماشین برای شکل‌دهی پرتو در نسل‌های آتی مخابرات سلولی استفاده‌ کنند. در این مقاله سعی شده ‌است تا الگوریتم‌های مبتنی بر یادگیری ماشین مورد استفاده در موضوعات مختلف شکل‌دهی پرتو بررسی شوند و در مورد مزیت‌ها و چالش‌های آن‌ها بحث شود.

کلمات کلیدی: شکل‌دهی پرتو، موج میلی‌متری، یادگیری ماشین، MIMO انبوه، شبکه عصبی عمیق

توسعه شبکه در جهت بالا بردن توان عملیاتی، تأخیر کم‌تر، اتصال گسترده و سرویس‌های قابل‌اعتماد جزو نیازهای اساسی شبکه‌های بی‌سیم است. برای دستیابی به این هدف، محققان در دانشگاه و صنعت در حال بررسی فناوری‌ها و بازه‌های طیفی مختلف برای شبکه‌های بی‌سیم نسل بعدی هستند. در نسل‌های مختلف مخابرات سلولی همواره سعی شده ‌است تا با استفاده از فناوری‌های جدید کیفیت سرویس‌دهی به کاربران افزایش داده شود. برخی از فناوری‌های کلیدی که برای شبکه‌های نسل پنجم و فراتر از آن مورد توجه قرار گرفته‌اند، شامل آرایه‌های آنتن انبوه^[1] MIMO^[2]، شکل‌دهی پرتو و دسترسی چندگانه غیر متعامد (^[3]NOMA) هستند. با این حال، برای پشتیبانی از اتصال گسترده، ظرفیت شبکه‌های سلولی باید به‌طور قابل توجهی با استفاده مؤثر از بازه‌های فرکانسی در دسترس افزایش یابد [1].

بازه فرکانسی 30 تا 300 گیگا هرتز به‌دلیل طیف کمتر استفاده شده آن برای ارتباطات نسل پنجم و فراتر از آن از اهمیت زیادی برخوردار است، اما ویژگی‌های انتشار ضعیفی دارد. برای غلبه بر این مشکل، از آرایه‌های انبوه MIMO با شکل‌دهی پرتو^[4] برای رسیدن به نسبت سیگنال به نویز(^[5]SNR) مناسب استفاده می‌شود. در شکل‌دهی پرتو موج میلی‌متری به‌دلیل مصرف زیاد توان نمی‌توان از تکنیک‌های پیش کدگذاری مورد استفاده در فرکانس زیر 6 گیگاهرتز استفاده‌کرد. در عوض، برای شکل‌دهی پرتو در موج میلی‌متری از شکل‌دهنده‌های پرتو آنالوگ یا ترکیبی استفاده می‌شود که یک مصالحه کارآمد بین شکل‌دهی پرتو آنالوگ با پیچیدگی کم و شکل‌دهی پرتو دیجیتال با پیچیدگی بالا فراهم می‌کند. تکنیک‌های شکل‌دهی پرتو مبتنی بر یادگیری ماشین به‌دنبال پیدا کردن بهترین بردارهای شکل‌دهی پرتو در فرستنده و گیرنده هستند.

پیشرفت اخیر در یادگیری ماشین استفاده از آن را در کاربردهای مختلف شبکه بی‌سیم مانند ارتباط سلولی، مدیریت طیف، تخصیص منابع، مسیریابی، بازیابی اطلاعات حالت کانال، مدولاسیون، آشکارسازی و ارتباط دستگاه به دستگاه ممکن کرده است. یادگیری ماشین همچنین برای توسعه تکنیک‌های کارآمد شکل‌دهی پرتو مورد بررسی قرار می‌گیرد و محققان در حال بررسی الگوریتم‌های مختلف برای انتخاب جفت پرتو، پیش‌بینی مکان، تخمین زاویه ورود (AoA^[6])، انتخاب طرح مناسب شکل‌دهی پرتو و هم‌ترازی^[7] پرتو موج میلی‌متری هستند. تکنیک‌های سنتی شکل‌دهی پرتو ممکن است برای سناریوهای بسیار دینامیک موج میلی‌متری مناسب نباشند و تکنیک‌های مبتنی بر یادگیری ماشین می‌توانند به یادگیری محیط و فعال کردن الگوریتم‌های سریع شکل‌دهی و ردیابی پرتو کمک کنند [2]،[3] و [4]. این مقاله مروری بر تلاش‌های تحقیقاتی در حوزه‌های مختلف شکل‌دهی پرتو مبتنی بر یادگیری ماشین را ارائه می‌دهد.

کاربردهای یادگیری ماشین در شکل‌دهی پرتو

در شکل‏‌دهی پرتو از خواص مکانی برای به ‏وجود آوردن یک الگوی تشعشعی خاص در سیگنال استفاده می‌شود. شکل‌‏دهی پرتو ارسالی به‌وسیله تغییرات در فاز و دامنه سیگنال در هرکدام از آنتن‏‌ها نسبت به یکدیگر انجام می‏‌شود. در شکل 1، شکل‌‏دهی پرتو در فرستنده و گیرنده نشان داده شده است. همان‌طور که مشاهده می‏‌شود هر کدام از سیگنال‌‏های ارسالی ابتدا تحت شکل‏‌دهی پرتو دیجیتال قرار داده می‏‌شوند و سپس با استفاده از مجموعه‌‏ای از شیفت رجیسترها تحت شکل‌‏دهی پرتو آنالوگ قرار گرفته و به سمت گیرنده گسیل می‏شوند. در گیرنده نیز می‏‌توان به همین شکل پرتو مناسب را برای بهبود کیفیت سیگنال دریافتی ایجاد کرد.

در این قسمت، چندین کاربرد از به‌کارگیری الگوریتم‌های یادگیری ماشین در شکل‌دهی پرتو امواج موج میلی‌متری در شبکه‌های نسل پنج و فراتر از آن مورد بررسی قرار داده ‌می‌شود. حوزه‌های مختلفی از شکل‌دهی پرتو که یادگیری ماشین به آن‌ها ورود کرده است در شکل 2 نمایش داده ‌شده ‌است [1]. همان‌طور که در شکل 2 مشاهده می‌شود در سال‌های اخیر محققان در زمینه‌های مختلف شکل‌دهی پرتو از مزایای الگوریتم‌های یادگیری ماشین استفاده کرده‌اند که در ادامه به‌اختصار به آن‌ها اشاره می‌شود.

انتخاب، تنظیم و ردگیری پرتو

تکنیک‌های یادگیری ماشین برای بهبود جستجو، انتخاب و هم‌ترازی پرتو در سیستم‌های مختلف ارتباطات سیار مانند وسایل‌نقلیه، قطارهای سریع‌السیر و وسایل‌نقلیه هوایی بدون سرنشین مورد استفاده قرار می‌گیرند. محققان از مدل‌های مرسوم شبکه عصبی عمیق^[8] برای کاهش سربار انتخاب پرتو و برقراری ارتباط وسیله نقلیه به لینک‌های زیرساختی استفاده کرده‌اند. همچنین مسئله انتخاب پرتو را می‌توان به‌عنوان یک مسئله طبقه‌بندی چند کلاسه برای یادگیری جفت پرتو بهینه فرموله کرد. علاوه بر این، می‌توان برای سرعت بخشیدن به محاسبات تخمین کانال و فراهم کردن زمان کافی برای انتقال داده‌ها، از روش‌های جستجوی پرتو الهام گرفته از Bandit برای قطارهای پرسرعت استفاده‌کرد [3]. Bandit یا MAB^[9] مفهومی در زمینه یادگیری تقویتی است که بر اساس الگوریتم یا استراتژی مشخصی خروجی بهینه (در اینجا پرتو بهینه) را به صورتی انتخاب می‌کند که مقدار پاداش حداکثر شود. در زمینه شکل‌‏دهی پرتو مقدار پاداش می‌تواند نرخ، SNR، کیفیت سرویس و … باشد. این الگوریتم‌ها با استفاده از الگوهای ترافیکی واقع‌گرایانه ارزیابی ‌شده‌اند و به ایستگاه‌های پایه این توانایی را می‌دهند تا به عملکرد نزدیک به بهینه برسند و به‌سرعت با تغییرات سیستم مانند انسداد و ترافیک سازگار شوند.

نتایج تجربی نشان ‌می‌دهد که حتی یک عدم هم‌ترازی کوچک 18 درجه در یک سیستم با عرض پرتو ۷ درجه می‌تواند بودجه لینک^[10] را تا ۱۷ دسی‌بل کاهش دهد و به‌طور بالقوه ارتباط را به‌طور کامل قطع کند؛ بنابراین، تنظیم دقیق پرتو در فرکانس موج میلی‌متری برای اطمینان از ارتباط پرسرعت بسیار مهم است. محققان با استفاده از اطلاعات موجود که در ارتباطات وسایل‌نقلیه و قطار سریع‌السیر مورد استفاده قرار گرفته‌اند، الگوریتم‌های یادگیری هم‌ترازی پرتو با استفاده از اطلاعات محیط را توسعه داده‌اند (مانند MAB) [3]. همچنین می‌توان در یک سیستم MIMO موج میلی‌متری نقطه به نقطه، مسئله جستجوی هم‌ترازی پرتو توزیع شده را به‌صورت یک مسئله MAB  فرمول‌بندی کرد.

شکل 1:  ساختار شکل‌‏دهی پرتو ترکیبی (آنالوگ/دیجیتال) در ارتباطات موج میلی‌متری [1]

شکل 2: کاربردهای یادگیری ماشین در شکل‌دهی پرتو موج میلی‌متری [1]

ردگیری پرتو موج میلی‌متری به‌دلیل تحرک سریع و باریک بودن، یک چالش در سناریوهای بسیار متحرک مانند پهپاد و V2I^[11] است. هوش مصنوعی و تکنیک‌های یادگیری ماشین می‌توانند محیط اطراف را پیش‌بینی کنند و عملکرد را بهبود بخشند. در مطالعاتی که در این زمینه انجام شده ‌است محققان یک مدل ردیابی پرتو مبتنی بر ^[12]RNN  را پیشنهاد داده‌اند که زاویه ورود یک کاربر موبایل را ردیابی می‌کند [5]. استفاده از ردیابی پرتو مبتنی بر یادگیری ماشین می‌تواند کیفیت انتقال داده را بهبود بخشد و فرآیند سوئیچینگ پرتو را سرعت دهد.

تخمین انسداد^[13] امواج و شکل‌دهی پرتو هماهنگ‌شده^[14]

انسداد امواج موج میلی‌متری تا حد زیادی پوشش و قابلیت اطمینان کاربران موبایل را تحت‌تأثیر قرار می‌دهد. محققان برای افزایش پوشش، یکپارچه‌سازی تکنیک‌های یادگیری ماشین و شکل‌دهی پرتو هماهنگ را پیشنهاد می‌کنند که در آن ایستگاه‌های پایه هماهنگ و به‌طور هم‌زمان به کاربران تلفن همراه برای جلوگیری از انسداد خدمت رسانی می‌کنند. در این روش کاربران تنها یک دنباله آموزشی را در لینک فراسو^[15] ارسال می‌کنند که در ایستگاه‌های پایه دریافت می‌شود و از آن برای مشخص کردن موقعیت کاربر و محیط اطراف استفاده می‌شود. بر این اساس محققان یک مدل یادگیری عمیق توسعه داده‌اند که با یادگیری این ویژگی‌ها، بردارهای شکل‌دهی پرتو را در ایستگاه‌های پایه مشخص می‌کند. سیستم پیشنهادی از یک تکنیک آموزش آنلاین استفاده می‌کند که با محیط سازگار است [6].

انسداد می‌تواند ارتباط بین کاربر و ایستگاه پایه را قطع کند و باعث سربار و تأخیر بالا در هنگام اتصال مجدد به ایستگاه پایه دیگر (با دید مستقیم) شود. تکنیک‌های شکل‌دهی پرتو مبتنی بر یادگیری ماشین می‌توانند با پیش‌بینی اینکه لینک مورد نظر در چند فریم آینده دچار انسداد خواهد شد، پرتوهای مسدود نشده را پیش‌بینی کرده و برای برقراری ارتباط از آن‌ها استفاده کند. این قابلیت به ایستگاه پایه اجازه می‌دهد تا به‌طور فعال کاربر را به ایستگاه پایه دیگری منتقل کند که دارای دید مستقیم به کاربر است. بر این اساس در برخی مقالات محققان بر روی حداکثر کردن زمان اتصال کاربر به ایستگاه پایه پس از هر انتقال از سلولی به سلول دیگر^[16] پرداخته‌اند (با استفاده از روش MAB). این رویکرد باعث افزایش اثربخشی انتقال از سلولی به سلول دیگر در ارتباط می‌شود و عملکرد شبکه را تا حد زیادی بهبود می‌بخشد.

تخمین AOA و انتخاب تکنیک شکل‌دهی پرتو بهینه

محققان بررسی کرده‌اند که چگونه می‌توان از اطلاعات زاویه ورود برای انتخاب پرتو در شبکه ارتباطی موج میلی‌متری استفاده‌ کرد. آن‌ها انتخاب پرتو در لینک فراسو را به‌عنوان یک مسئله طبقه‌بندی چند کلاسه فرموله کردند و آن را با استفاده از الگوریتم‌های یادگیری ماشین نظارت‌شده (طبقه‌بندی کننده‌های KNN^[17] و ^[18]SVM ) و شبکه عصبی عمیق حل کردند (استفاده از ^[19]MLP) [2]. همچنین می‌توان از الگوریتم طبقه‌بندی سیگنال چندگانه (^[20]MUSIC)  نیز برای تخمین دقیق‌تر AoA و توان‌های دریافتی استفاده‌ کرد. در روش‌های مبتنی بر شبکه عصبی عمیق، معماری شبکه یک تکنیک نگاشت را آموزش می‌بیند که سیگنال‌های دریافتی از آرایه آنتن را با AoA موج مرتبط کند.

روش‌های مختلفی برای شکل‌دهی پرتو امواج در حالت‌های مختلف مطرح شده ‌است. انتخاب کارآمدترین این روش‌ها تحت محدودیت‌ها و شرایط محیطی مختلف ضروری است. در یکی از تحقیقات انجام‌ گرفته، محققان یک طرح انتخاب الگوریتم شکل‌دهی پرتو مبتنی بر شبکه عصبی عمیق را برای یک کانال تداخلی چند ورودی تک خروجی دو کاربره پیشنهاد کردند [7]. در چنین طرحی هر کاربر با توجه به بردار کانال و توان ارسالی مورد نظر، به ‏وسیله یک شبکه عصبی عمیق از بین دو الگوریتم شکل‌دهی پرتو، مورد بهینه‌تر را انتخاب می‌کند و شکل‌دهی پرتو را به‌وسیله آن روش انجام می‌دهد. در [7] نشان داده شده است که با استفاده از این طرح، سیستم به نرخ مجموع بالاتری از هرکدام از دو الگوریتم می‏‌رسد.

انتخاب پرتو در سیستم‌های NOMA

محققان تکنیک‌های مختلف یادگیری ماشین را برای حل چالش‌ها در سناریوهای دسترسی چندگانه غیر متعامد (^[21]NOMA) بررسی کرده‌اند. مشخص کردن بردارهای شکل‌دهی پرتو، تخصیص توان و گروه‌بندی کاربران، جزو چالش‌های NOMA است که استفاده از الگوریتم‌های یادگیری ماشین می‌تواند به تشخیص بهینه این پارامترها کمک کند. در بسیاری از مقالات محققان برای گروه‌بندی کاربران در NOMA از الگوریتم k-means استفاده کرده‌اند. این الگوریتم می‌تواند با پیچیدگی کم، متناسب با تعریف یک معیار مناسب، کاربران را گروه‌بندی کند. همچنین می‌توان برای تخصیص بهینه توان در سناریوی NOMA از شبکه عصبی عمیق استفاده‌ کرد تا با استفاده از آن در شرایط متفاوت QoS^[22] مورد نیاز برای شبکه، تخصیص توان را برای حداکثر کردن بازدهی انرژی یا نرخ تبادل اطلاعات انجام داد [8]. همچنین در بسیاری از تحقیقات انجام‌ گرفته در این زمینه استخراج هم زمان پارامترهای مورد نظر به‌وسیله یک شبکه عصبی مورد توجه قرار گرفته است.

شکل‌دهی پرتو برای انتقال توان بی‌سیم

الگوریتم‌های یادگیری ماشین می‌توانند تحقق تکنیک‌های انتقال توان بی‌سیم (WPT^[23])را در ارتباطات موج میلی‌متری تسریع کنند. در این زمینه محققان یک تکنیک آنلاین برای موقعیت‌یابی گیرنده با استفاده از الگوریتم Random Forest و ^[24]DNN برای شارژ مؤثر گیرنده‌های توان توسعه داده‌اند[9]. همچنین روشی مبتنی بر یادگیری ماشین برای کنترل توان با کنترل سریع در فرستنده پیشنهاد شده‌ است که در این روش از فناوری کم انرژی بلوتوث برای ارتباط استفاده شده ‌است.

طراحی شکل‌دهنده پرتو

یافتن شکل‌دهنده‌های پرتو بهینه در سیستم‌های انبوه MIMO یک مسئله بهینه‌سازی غیر محدب پیچیده است که نیاز به تکنیک‌های بهینه‌سازی با هزینه محاسباتی بالا دارد. این مشکل در سناریوهای شبکه ناهمگن^[25] موج میلی‌متری پیچیده‌تر است (جایی که بین ایستگاه‌های پایه فواصل مختلفی وجود دارد و ایستگاه‌های پایه دارای تعداد زیادی آنتن هستند). محققان تلاش کرده‌اند تا بردارهای شکل‌دهی پرتو را در چنین حالتی با استفاده از تکنیک‌های یادگیری ماشین استخراج کنند. در یک طراحی مبتنی بر شبکه عصبی عمیق، اطلاعات حالت کانال به‌عنوان ورودی به شبکه داده‌ می‌شود و به‌عنوان خروجی پرتو مناسب برای ارسال اطلاعات انتخاب می‌گردد[10].

علاوه بر مطالب فوق در جدول 1 می‌توان جزئیات الگوریتم‌های مبتنی بر یادگیری ماشین مورد استفاده در بخش‌های مختلف شکل‌دهی پرتو را مشاهده کرد. برای اطلاعات بیشتر در این زمینه می‌توان به مرجع [1] مراجعه کرد.

چالش‌ها

با وجود پیشرفت در الگوریتم‌های یادگیری ماشین و پتانسیل آن‌ها برای کاهش پیچیدگی در شبکه‌های بی‌سیم و شکل‌دهی پرتو، تشخیص وجود مسائل و چالش‌های مختلفی که باید برای پذیرش آن‌ها در سیستم‌های عملی مورد توجه قرار گیرد، مهم است. در این بخش، نحوه تحت‌تأثیر قرار گرفتن الگوریتم‌های مبتنی بر یادگیری ماشین در شکل‌دهی پرتو و ارتباطات موج میلی‌متری بررسی می‌شوند.

جدول 1: شکل‌دهی پرتو موج میلی‌متری مبتنی بر یادگیری ماشین [1]

یکی از چالش‌های استفاده از یادگیری ماشین در الگوریتم‌های شکل‌دهی پرتو محدودیت داده‌های آموزشی است. همان طور که می‌دانیم برای آموزش یک شبکه عصبی برای استخراج بردارهای شکل‌دهی پرتو نیازمند تعداد زیادی داده آموزشی هستیم. نیاز به داده‌های آموزشی شبکه با بزرگ شدن ابعاد مسئله افزایش پیدا می‌کند. بدین ترتیب قبل از استفاده از الگوریتم‌های یادگیری ماشین باید طراحی را به‌نحوی انجام داد که از این مشکل جلوگیری کرد. برای جلوگیری از این مشکل می‌توان از ساختارهای آموزش آنلاین یا طرح‌هایی استفاده‌ کرد که نیازمند داده‌های استاتیک برای آموزش نیستند.

مشکل دیگری که استفاده از یادگیری ماشین در شکل‌دهی پرتو ایجاد می‌کند، تحرک دائم کاربران است. کاربرانی که با سرعت زیادی در حال حرکت هستند باید به‌صورت مداوم مورد تحلیل قرار گیرند تا در صورتی‌که امواج ارسالی برای کاربر دچار انسداد شد، مشکلی در سیستم ایجاد نشود. این در حالتی است که شکل‌دهی پرتو بهینه در سیستم‌های موج میلی‌متری با آرایه آنتن بزرگ نیاز به سربار آموزشی قابل توجه و پردازش پیچیده دارد. در برخی از تحقیقات این مشکل را با در نظر گرفتن پرتوهای جایگزین برای پرتو اصلی کاربر حل کرده‌اند.

مشکل دیگر استفاده از روش‌های یادگیری ماشین، پیچیدگی زیاد برخی از این الگوریتم‌ها است. با توجه به پیچیدگی ذاتی الگوریتم‌های آموزش در شکل‌دهی پرتو موج میلی‌متری، پیشنهاد یک الگوریتم مبتنی بر یادگیری ماشین بهینه (زیر بهینه) با زمان استنباط سریع یک کار چالش‌‌برانگیز است. به‌ویژه اگر تأخیر، جابه‌جایی مکرر و تحرک کاربران در سناریوهای مربوط به همه‌چیز را در نظر بگیریم.

نتیجه‌گیری

تکنیک‌های طراحی شکل‌دهنده پرتو مبتنی بر یادگیری ماشین در سال‌های اخیر توسعه زیادی پیدا کرده‌اند. به‌خصوص در زمینه استفاده در موج میلی‌متری محققان در بسیاری از سناریوهای شکل‌دهی پرتو از مزایای یادگیری ماشین استفاده کرده‌اند و همواره سعی در شتاب دادن فرایند آموزش در به‌کارگیری این تکنیک‌ها هستند. روش‌های مختلف برای سناریوهای تک کاربره تا یک شبکه همگن با تعداد کاربران زیاد مورد بررسی و ارزیابی قرار گرفته‌اند و در بسیاری از موارد نتایج به‌دست‌آمده، استفاده از این فناوری را در شکل‌دهی پرتو مؤثر می‌دانند.

در این بین، تکنیک‌های مبتنی بر شبکه‌های عصبی عمیق و یادگیری عمیق از استقبال بیشتری در بین محققان برخوردار هستند. محققان در مواردی با استفاده از شبکه عصبی سیستم شکل‌دهی پرتویی را پیشنهاد داده‌اند که میزان BER را به‌صورت قابل توجهی بهبود می‌دهد [10]. در این تحقیق ماتریس‏های شکل‏دهی پرتو بهینه با استفاده از شبکه‌‏های عصبی عمیق استخراج شده است. با استفاده از چنین ماتریس‌‏هایی برای شکل‏‌دهی پرتو سیگنال با توان بیشتری در سمت کاربر دریافت می‌‏شود که سبب بهبود SNR می‏‌شود. علاوه بر آن می‌توان مواردی را در استفاده از روش‌های یادگیری تقویتی پیدا کرد که باعث افزایش نرخ سیستم شده‌اند.

علی‌رغم مزایای روش‌های یادگیری ماشین در شکل‌دهی پرتو، استفاده از این الگوریتم‌ها دارای چالش‌هایی است که به‌هنگام طراحی باید در نظر گرفته شوند. طراحی این الگوریتم‌ها باید به‌صورتی باشد که بتوانند با سرعت مناسب در سناریوهای مختلف پیش آمده در سلول مخابراتی قابل استفاده باشند و در عین حال دارای پیچیدگی کمی باشد.

منابع

[1] OECD Main Science and Technology Indicators 2021- www.oecd.org/sti

[2] B. M. ElHalawany, S. Hashima, K. Hatano, K. Wu and E. M. Mohamed, “Leveraging Machine Learning for Millimeter Wave Beamforming in Beyond 5G Networks, ” in IEEE Systems Journal, vol. 16, no. 2, pp. 1739-1750, June 2022.

[3] C. Antón-Haro and X. Mestre, “Learning and data-driven beam selection for mmWave communications: An angle of arrival-based approach,” IEEE Access, vol. 7, pp. 20404–20415, 2019.

[4] M. Cheng, J. Wang, J. Wang, M. Lin, Y. Wu, and H. Zhu, “A fast beam searching scheme in mmWave communications for high-speed trains,” in Proc. IEEE Int. Conf. Commun. 2019, pp. 1–6.

[5] S. Lavdas, P. K. Gkonis, Z. Zinonos, P. Trakadas, L. Sarakis and K. Papadopoulos, “A Machine Learning Adaptive Beamforming Framework for 5G Millimeter Wave Massive MIMO Multicellular Networks, ” in IEEE Access, vol. 10, pp. 91597-91609, 2022.

[6] D. Burghal, N. A. Abbasi, and A. F. Molisch, “A machine learning solution for beam tracking in mmWave systems,” in Proc. 53rd Asilomar Conf. Signals, Syst., Comput., 2019, pp. 173–177.

[7] A. Alkhateeb, S. Alex, P. Varkey, Y. Li, Q. Qu, and D. Tujkovic, “Deep learning coordinated beamforming for highly-mobile millimeter wave systems,” IEEE Access, vol. 6, pp. 37328–37348, 2018.

[8] H. J. Kwon, J. H. Lee, andW. Choi, “Machine learning-based beamforming in two-user MISO interference channels,” in Proc. Int. Conf. Artif. Intell. Inf. Commun., 2019, pp. 496–499.

[9] H. Zhang, H. Zhang, K. Long, and G. K. Karagiannidis, “Deep learning based radio resource management in NOMA networks: User association, subchannel and power allocation,” IEEE Trans. Netw. Sci. Eng., vol. 7, no. 4, pp. 2406–2415, 2020.

[10] T. Bai, B. Mei, L. Zhao, and X. Wang, “Machine learning-assisted wireless power transfer based on magnetic resonance,” IEEE Access, vol. 7, pp. 109454–109459, 2019.

[11] J. Chen et al., “Hybrid beamforming/combining for millimeter wave MIMO: A machine learning approach,” IEEE Trans. Veh. Technol., vol. 69, no. 10, pp. 11353–11368, 2020.

---

پی‌نوشت

[1] Massive

[2] Multiple-Input–Multiple-Output

[3] Non-Orthogonal Multiple Access

[4] Beamforming

[5] Signal to Noise Ratio

[6] Angle of Arrival

[7] Alignment

[8] Deep Neural Network

[9] Multi Arm Bandit

[10] Link Budget

[11] Vehicle to Infrastructure

[12] Recurrent Neural Network

[13] Blockage

[14] Coordinated Beamforming

[15] Uplink

[16] hand over

[17] K-Nearest Neighbors

[18] Support Vector Machine

[19] MultiLayer Perceptron

[20] Multiple Signal Classification

[21] Non-orthogonal multiple access

[22] Quality of Service

[23] Wireless Power Transfer

[24] Deep Neural Network

[25] HetNet