美國國家標準技術(shù)研究院（NIST）的研究人員已經(jīng)開發(fā)出一種數(shù)學公式，計算機仿真表明，該公式可以幫助5G和其他無線網(wǎng)絡選擇和共享通信頻率，其效率比試錯法高大約5000倍。

NIST工程師Jason Coder為機器學習公式進行數(shù)學計算，可以幫助5G和其他無線網(wǎng)絡有效選擇和共享通信頻率

新穎的公式是機器學習的一種形式，它根據(jù)特定網(wǎng)絡環(huán)境中的先前經(jīng)驗來選擇一個無線頻率范圍，稱為信道?？梢詫⒃摴?a href="http://www.delux-kingway.cn/v/tag/1315/" target="_blank">編程為許多類型的實際網(wǎng)絡中的發(fā)射機上的軟件。

該公式是通過共享未經(jīng)許可的頻率范圍（也稱為頻段）來幫助滿足對無線系統(tǒng)（包括5G）不斷增長的需求的一種方法。例如，Wi-Fi使用未經(jīng)許可的頻段，即管理機構(gòu)未分配給特定用戶的頻段。

快速選擇最佳子頻道

這項研究的重點是Wi-Fi與蜂窩系統(tǒng)競爭特定頻率或子信道的情況。使這種情況具有挑戰(zhàn)性的是，這些蜂窩系統(tǒng)正在通過使用一種稱為許可輔助訪問（LAA）的方法來提高其數(shù)據(jù)傳輸速率，該方法將非許可頻段和許可頻段結(jié)合在一起。

NIST工程師Jason Coder說：“這項工作探索了在決定傳輸哪個頻率的決策中使用機器學習。” “這可能使無許可頻段的通信效率大大提高。”

該公式使發(fā)射機能夠快速選擇最佳子信道，以在未許可頻段內(nèi)成功且同時運行Wi-Fi和LAA網(wǎng)絡。每個發(fā)送器都學會了在不相互通信的情況下最大化總網(wǎng)絡數(shù)據(jù)速率。該方案可快速獲得接近于基于詳盡的試錯通道搜索的結(jié)果的總體性能。

該研究與以前的通信機器學習研究不同，它考慮了多個網(wǎng)絡“層”，物理設(shè)備以及基站和接收器之間的信道訪問規(guī)則。

該公式是一項Q學習技術(shù)，這意味著它將環(huán)境條件（例如網(wǎng)絡的類型以及存在的發(fā)射機和信道的數(shù)量）映射到最大化值（稱為Q）的操作上，該操作可以返回最佳回報。

通過與環(huán)境交互并嘗試不同的動作，該算法可以了解哪個渠道提供了最佳結(jié)果。每個發(fā)射機都學會選擇在特定環(huán)境條件下產(chǎn)生最佳數(shù)據(jù)速率的信道。

提高數(shù)據(jù)速率

如果兩個網(wǎng)絡都適當?shù)剡x擇信道，則組合的整個網(wǎng)絡環(huán)境的效率將提高。該方法以兩種方式提高數(shù)據(jù)速率。具體來說，如果發(fā)射機選擇了未被占用的信道，則成功傳輸?shù)目赡苄詴黾?，從而導致更高的?shù)據(jù)速率。而且，如果發(fā)射機選擇的信道使干擾最小化，則信號更強，從而導致更高的接收數(shù)據(jù)速率。

在計算機仿真中，最佳分配方法通過搜索所有可能的組合以找到使總網(wǎng)絡數(shù)據(jù)速率最大化的方法，將信道分配給發(fā)射機。該公式產(chǎn)生的結(jié)果接近于最佳結(jié)果，但過程要簡單得多。

該研究發(fā)現(xiàn)，要想找出最佳解決方案，需要進行詳盡的工作，大約需要進行45600次試驗，而公式可以通過嘗試10個渠道來選擇一個類似的解決方案，僅占努力的0.02%。

這項研究針對的是室內(nèi)場景，例如帶有多個Wi-Fi接入點的建筑物以及在未許可頻段內(nèi)使用手機的情況?，F(xiàn)在，研究人員計劃在更大規(guī)模的室外場景中對該方法進行建模，并進行物理實驗以證明其效果。