MIMO-NOMA 기반의 차량 네트워크를 위한 Q-learning 기반의 하향링크 전력 할당 기법
Q-learning Based Downlink Power Allocation for MIMO-NOMA Based Vehicle Networks
- 주제(키워드) 전력할당 , MIMO , NOMA , Q-learning
- 발행기관 서강대학교 일반대학원
- 지도교수 소재우
- 발행년도 2019
- 학위수여년월 2019. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000063891
- UCI I804:11029-000000063891
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
본 논문에서는 다중 사용자 MIMO-NOMA 기반의 차량 네트워크를 위한 Q-learning 기반의 하향링크 전력 할당 기법을 제안한다. 차량 통신은 교통 상황이나 차량 사고 등의 도로상의 관련 정보를 전달한다. 안정성 있는 차량 통신을 위해서 높은 성능을 낼 수 있는 새로운 액세스 방식인 Non-Orthogonal Multiple Access (NOMA) 기반의 기지국 전력할당 방식이 활발히 연구되고 있다. Road-Side-Unit (RSU)은 접속된 차량의 무선 채널 환경에 따라 송신 전력을 할당해야 한다. 종래의 NOMA 기반의 송신 전력 할당 기법은 전체 시스템의 수율을 최대화하는 것을 목적으로 송신 전력을 할당하였다. 그러나 종래의 NOMA 기반의 전력 할당 기법은 RSU가 무선 채널 정보를 완벽히 안다고 가정하였기 때문에, 실제 환경의 불완전한 채널 추정을 고려하지 않은 문제점이 있다. 본 논문에서는 NOMA 기반의 V2I 통신과 OMA 기반의 Vehicle-to-Vehicle (V2V) 통신이 혼재되어 있는 환경에서 먼저 완전한 채널 추정 기반의 전력 할당을 모델링한 후, 불완전한 채널 추정 기반의 전력 할당을 순차적으로 모델링한다. 또한 Zero-Forcing (ZF) beamforming을 사용하여 다양한 신호 간섭을 제어한다. 마지막으로 전체 시스템 수율을 최대화하기 위하여 머신 러닝 방식의 Q-learning 알고리듬을 활용하여 전체 시스템 수율을 향상하고 기존 기법 대비 복잡도를 줄일 수 있음을 보였다.
more