Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Soft Frequency Reuse With Allocation of Resource Plans Based on Machine Learning in the Networks With Flying Base Stations

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F21%3A00353193" target="_blank" >RIV/68407700:21230/21:00353193 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.1109/ACCESS.2021.3099535" target="_blank" >https://doi.org/10.1109/ACCESS.2021.3099535</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/ACCESS.2021.3099535" target="_blank" >10.1109/ACCESS.2021.3099535</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Soft Frequency Reuse With Allocation of Resource Plans Based on Machine Learning in the Networks With Flying Base Stations

  • Popis výsledku v původním jazyce

    Flying base stations (FlyBSs) enable ubiquitous communications in the next generation mobile networks with a flexible topology. However, a deployment of the FlyBSs intensifies interference, which can result in a degradation in the throughput of cell-edge users. In this paper, we introduce a flexible soft frequency reuse (F-SFR) that enables a self-organization of a common SFR in the networks with an unpredictable and dynamic topology with the FlyBSs. We propose a graph theory-based algorithm for an allocation of resource plans, which is understood as a bandwidth allocation and a transmission power setting in the context of SFR. Furthermore, we introduce a low-complexity implementation of the proposed resource allocation using deep neural network (DNN) to significantly reduce the computation complexity. We show that the proposed F-SFR increases the throughput of cell-edge users by 16% to 26% and, at the same time, improves the satisfaction of the cell-edge users by up to 25% compared to the state-of-the-art solutions. We also demonstrate that the proposed scheme ensures a higher fairness in the throughput among the users with respect to the state-of-the-art solutions. The implementation via DNN also outperforms all state-of-the-art solutions despite its very low complexity.

  • Název v anglickém jazyce

    Soft Frequency Reuse With Allocation of Resource Plans Based on Machine Learning in the Networks With Flying Base Stations

  • Popis výsledku anglicky

    Flying base stations (FlyBSs) enable ubiquitous communications in the next generation mobile networks with a flexible topology. However, a deployment of the FlyBSs intensifies interference, which can result in a degradation in the throughput of cell-edge users. In this paper, we introduce a flexible soft frequency reuse (F-SFR) that enables a self-organization of a common SFR in the networks with an unpredictable and dynamic topology with the FlyBSs. We propose a graph theory-based algorithm for an allocation of resource plans, which is understood as a bandwidth allocation and a transmission power setting in the context of SFR. Furthermore, we introduce a low-complexity implementation of the proposed resource allocation using deep neural network (DNN) to significantly reduce the computation complexity. We show that the proposed F-SFR increases the throughput of cell-edge users by 16% to 26% and, at the same time, improves the satisfaction of the cell-edge users by up to 25% compared to the state-of-the-art solutions. We also demonstrate that the proposed scheme ensures a higher fairness in the throughput among the users with respect to the state-of-the-art solutions. The implementation via DNN also outperforms all state-of-the-art solutions despite its very low complexity.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20203 - Telecommunications

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA18-27023S" target="_blank" >GA18-27023S: Komunikace v samo-optimalizujících se mobilních sítích s drony</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    IEEE Access

  • ISSN

    2169-3536

  • e-ISSN

    2169-3536

  • Svazek periodika

    9

  • Číslo periodika v rámci svazku

    July

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    17

  • Strana od-do

    104887-104903

  • Kód UT WoS článku

    000679528200001

  • EID výsledku v databázi Scopus

    2-s2.0-85112005847