Görüntüleme
28
İndirme
6
Bu çalışmada, Uzun Kısa-Vadeli Hafıza (LSTM) tabanlı derin sinir ağı ile beşinci nesil küçük hücre ağlarında el değiştirme (handover, HO) tahminlerini gerçekleştiren yeni bir model geliştirilmiştir. İlk olarak HO tahmininde eğitim için kullanılacak olan veri seti Riverbed Modeler benzetim yazılımında tasarlanan benzetim senaryoları ile oluşturulmuştur. Bu senaryolar aracılığıyla sinir ağının veri kümesinde kullanılacak üç adet giriş (RSSI, SNR ve Jitter) değişkeni ve bir adet çıkış (istenen değer) değişkeni elde edilmiştir. Bu veri seti makine öğrenmesi algoritmalarından LSTM, SVM, Tree ve Lineer Regresyon teknikleri ile eğitilmiştir. LSTM tabanlı derin sinir ağı diğer regresyon algoritmaları ile karşılaştırılmış ve daha yüksek başarıma sahip olduğu tespit edilmiştir. LSTM için eğitilen modelin test sonuçları incelendiğinde R2 0.94, MAE 0.3315, MSE 0.3670 ve RMSE değeri 0.6058 olarak bulunmuştur. LSTM tabanlı derin sinir ağlarının, regresyon işlemlerinde yüksek başarım gösterdiği görülmüştür. Sonuç olarak önerilen regresyon modeli ile 5G küçük hücre ağlarında HO kararlarının tahmin edilebildiği gösterilmiştir.
In this study, a new model was developed that carried out the predictions of hand-changing (handover, HO) in the fifth generation small cell networks with a deep nerve network based on Long Short Memory (LSTM). First, the data set that will be used for training in the HO forecast is created with the comparison scenarios designed in the Riverbed Models comparison software. Three input variables (RSSI, SNR and Jitter) to be used in the data set of the nerve network and one output (wanted value) variable are obtained through these scenarios. This data set is trained with LSTM, SVM, Tree and Linear Regression techniques from machine learning algorithms. LSTM-based deep nerve network has been compared to other regression algorithms and has been found to have higher success. When the test results of the model trained for LSTM were examined; R2 was 0.94, MAE 0.3315, MSE 0.3670 and RMSE was 0.6058. LSTM-based deep nerve networks have shown high success in regression processes. As a result, the recommended regression model has shown that the HO decisions in 5G small cell networks can be predicted.
In this study, a new model is developed that performs handover prediction in fifth generation small cell networks with Long Short Term Memory (LSTM) based deep neural networks. Firstly, the data set to be used for training in handover prediction was created with simulation scenarios designed in Riverbed Modeler. Through these scenarios, three input (RSSI, SNR and Jitter) variables and one output variable (desired value) were obtained to be used in the data set of the neural network. This data set was trained with machine learning algorithms LSTM, SVM, Tree, and Linear Regression techniques. LSTM-based deep neural network was compared with other regression algorithms and was found to have higher performance. When the test results of the trained model for LSTM are examined; R2 0.94, MAE 0.3315, MSE 0.3670, and RMSE value 0.6058 was found. It was observed that LSTM-based deep neural networks show high performance in regression processes. As a result, study shows that handover decisions can be predicted in 5G small cell networks with the proposed regression model.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
