人工智能(AI)和机器学习(ML)预计将在5G网络中发挥关键作用。高效的无线电资源管理对网络运营商来说至关重要。 随着更新的技术、基础设施和计划的出现，将大量的无线电资源用于估计移动网络中的信道条件是一个挑战。将预测信道条件的过程自动化，可以有效地利用资源。为此，研究人员提出了一种基于ML的技术，即人工神经网络(ANN)，用于预测SINR(Signal-to-Interference-and-Noise-Ratio)，以减轻移动网络中的无线电资源占用。无线电资源调度一般是在估计信道条件的基础上实现的，即借助于探空参考信号（SRS）的SINR。提出的基于非线性自动回归外部/外生(NARX)的ANN旨在最小化SRS的发送速率，并实现了R=0.87的精度。 这可以使腾出高达4%的频谱，提高带宽效率，降低上行链路功耗。
相关论文以题为“ A Machine Learning Approach for 5G SINR Prediction ”于2020年10月12日发表在《 Electronics 》上。
在过去20年里，技术的使用，特别是便携式设备的使用急剧增加。 随着技术的不断发展，出现了新制定的标准的各种要求，这些要求通过研究和创新得到了极大的满足。无线通信技术和蜂窝通信技术在技术的发展过程中起到了至关重要的作用。移动通信在20世纪70年代随着1G移动通信系统的出现而诞生，该系统在模拟通信技术的基础上加入了诸如频分多址（FDMA）等电路交换技术。
最终，在FDMA和时分多址（TDMA）相结合的机制帮助下，2G标准得以发展。 第一个设计的数字通信系统是2G。然而，3G采用码分多址(CDMA)和高速分组接入(HSPA)技术来提供基于IP的服务，试图满足更高的数据速率需求。在长期演进（LTE）中，也称为3.9G和LTE-Advanced（LTE-A），也称为4G，采用正交频分多址（OFDMA）和单载波频分多址（SC-FDMA），以达到比3G更高的速率。图1显示了从1G到5G在提供服务方面的演变。
图1.从1G到5G的演变。
技术创新以物联网（Internet-of-Things，IoT）的形式空前繁荣，无处不在、无孔不入地要求连接。 从风扇到车辆，从CEO到小工，都需要在不断变化的全球技术场景中，保持互联互通，与时俱进。预计智能家居、城市、汽车和行业将进一步飞速发展，并对网络的频谱、速度、QoS（服务质量）和QoE（体验质量）要求更加苛刻。根据Gartner 2016年的统计，预计到2020年将有204亿台物联网设备被连接。到2021年，包括物联网设备和移动设备在内的联网设备总数将达到500亿台以上。物联网设备、科学研究和社交媒体也导致了互联网流量的激增，导致欧洲核子研究中心大型强子对撞机（LHC）估计的互联网流量为2.5exabytes/天和40petabytes/年。考虑到互联网流媒体数据，约有400 h'/min的视频被上传到YouTube，250万张照片和视频使用Instagram的平台发布。 因此，每天共上传2.5万亿字节的数据。为了应对所有这些挑战，研究界正逐步向下一代5G网络迈进。
图2显示了自LTE问世以来5G部署的历程。移动通信领域的实质性研究正在进行，这从该领域发表的论文数量就可以看出。从2014年1月到2018年1月，IEEE Xplore上共发表了389篇论文，而ScienceDirect上发表了588篇。
图2.计划执行时间轴。
5G仍在标准化过程中，New Radio（NR）在3GPP Release 15中被标准化。其要求包括高达10 Gbps的速度和不同工作频段（从1 GHz以下到100 GHz）的频率。5G将继承传统4G系统的几个特点，如子载波间隔（有少数附加选项）、载波聚合（CA）和大部分参考信号（RS）。
人工神经网络
人工神经网络（ANNs）的工作原理是人类神经网络（HNNs）。它们有一定的输入，与权重相乘并通过一个或多个隐藏层的激活函数，从而达到输出层。在O/P层，将结果与目标进行比较，并通过反向传播对定义的时间段进行误差修正，最后计算出具有最佳调整权重的精度。图3所示为一个简单的ANN。
图3.一个简单的人工神经网络（ANN）。
无线网络中常用的算法有深度学习、集合学习和K-最近邻。
培训和测试
前面已经讨论过，获取的数据集有两个输入特征，即用户位置的坐标和SINR。所以，根据现有的数据，研究人员的问题在于监督学习的范围。由于输出标签是SINR的连续值的向量，所以采用回归技术进行曲线拟合。实验采用的是MATLAB环境。本实验所采用的ANN模型是一个非线性自动回归外部/外生（NARX）模型。NARX模型有两种架构--一种是串联并行架构，也称为开环，另一种是并行架构也称为闭环。在研究人员的模拟中，研究人员更倾向于使用开环架构，主要是因为真实的输出是提供给网络的，而不像闭环那样提供一个估计的输出。使用开环的另一个优点是它使用了一个简单的前馈网络，这允许加入高效的训练算法。图4描述了NARX的两种不同架构。
图4.非线性自动回归外部/外生。
结论
本文研究了在SRS的物理层中引入人工智能缓解资源利用率的不同范式。 研究人员提出了一种新的预测上行SINR的方法，它是基于SRS使用基于ANN的方案。该研究对于提高RRM最珍贵的方面具有潜在的价值。研究人员试图通过预测而不是通过试验信号估计来提高5G网络的吞吐量，节省上行链路功率，提高BW效率，从而缓解研究的空白。 该研究对于探索未来新的思路具有重要意义，如PL的预测、衰落、QoS和功率控制等。
