机器学习在5G超密集网络切换中的应用 |
| |
作者姓名: | 张燕燕 王鹤鸣 姬天相 王军选 |
| |
作者单位: | 西安邮电大学 通信与信息工程学院,西安,710121 |
| |
基金项目: | 国家科技重大专项(2017ZX03001012-005) |
| |
摘 要: | 超密集网络(Ultra-dense Network,UDN)作为5G网络架构的关键技术,其切换时延及无效切换等已成为网络发展的巨大挑战。提出了一种基于集成策略的机器学习算法,并结合用户的移动性数据,进行较高精确度的切换预测,减少切换时延及非必要切换等目标。仿真结果表明,采用结合改进机器学习算法的切换策略,不必要切换率降低了40.2%,平均时延降低了28.6%。
|
关 键 词: | 5G 超密集网络 切换预测 机器学习 |
本文献已被 万方数据 等数据库收录! |
| 点击此处可从《电讯技术》浏览原始摘要信息 |
|
点击此处可从《电讯技术》下载全文 |
|