Дослідження мобільного широкосмугового зв’язку із застосуванням штучного інтелекту
DOI: 10.31673/2412-9070.2023.020309
Анотація
Умови сьогодення заставляють думати про те, яким буде мобільний зв’язок 6-го покоління (6G) з упровадженням та розгортанням технологій 5-го покоління (5G). У цій статті розглянуто шлях розвитку 6G і подальше зростання технологій. Досліджено найсучасніші технології 5G і зазначено необхідність вивчення 6G. Беручи до уваги поточний і новий розвиток безпроводового зв’язку, передбачено, що 6G охоплюватиме три основні аспекти, а саме: мобільний ультраширокий зв’язок, суперінтернет речей (IoT) і штучний інтелект (ШІ). Терагерцевий (ТГц) зв’язок можна використовувати для підтримання мобільного ультраширокосмугового зв’язку, симбіотичне радіо та супутниковий зв’язок можна використовувати для досягнення суперінтернету речей, а методи машинного навчання є перспективними кандидатами для ШІ. Розглянуто ідею алгоритму глибокого навчання, яка полягає в тому, щоб нагадувати процес сприйняття в мозку за допомогою глибокої нейронної мережі. Зазвичай глибока нейронна мережа становить три рівні — вхідний рівень, прихований рівень та вихідний рівень. Зокрема, вхідний рівень забезпечує вхідні порти для інформації про стан середовища, яку спостерігає агент навчання, прихований шар виокремлює характеристики вхідної інформації, а вихідний шар ухвалює рішення щодо класифікацій або регресій. Мінімальним елементом глибокої нейронної мережі є нейрон, який відповідає за оброблення та передавання інформації між різними нейронами/шарами. Для кожної технології надано базовий принцип, ключові завдання, а також найсучасніші підходи та рішення.
Ключові слова: зв’язок; штучний інтелект; мобільний ультраширокий зв’язок; мобільний зв’язок 6-го покоління; симбіотичне радіо; супутниковий зв'язок; штучний інтелект; машинне навчання.
Список використаної літератури
1. Підвищення показників якості системи управління послугами мережами майбутнього / В. Б. Толубко, Л. Н. Беркман, Л. П. Крючкова, А. Ю. Ткачов // Наукові записки Укр. наук.-дослід. ін-ту зв'язку. 2018. № 3. С. 5–11.
2. Ambient Backscatter Communications: A Contemporary Survey / N. V. Huynh, D. T. Hoang, X. Lu [et al.] // IEEE Commun. Surveys Tuts. 2018. vol. 20, no. 4. 4th Quart. P. 2889–2922.
3. Mao Q., Hu F., Hao Q. Deep learning for intelligent wireless networks: a comprehensive survey // IEEE Commun. Survey Tuts. 2018. vol. 20, no. 4. 4th Quart. P. 2595–2621.
4. Vougioukas G., Bletsas A. Switching frequency techniques for universal ambient backscatter networking // IEEE J. Select. Areas Commun. Feb. 2019. vol. 37, no. 2. P. 464–477.
5. Modulation in the air: Backscatter communication over ambient OFDM carrier / G. Yang, Y.-C. Liang, R. Zhang, Y. Pei // IEEE Trans. Commun. Mar. 2018. vol. 66, no. 3. P. 1219–1233.
6. Yang G., Zhang Q., Liang Y.-C. Cooperative ambient backscatter communication systems for internet-of-things // IEEE Internet of Things. Apr. 2018. vol. 5, no. 2. P. 1116–1130.
7. 3GPP TR 22.822. Study on Using Satellite Access in 5G; Stage 1 (Release 16). June 2018.
8. Zhang C., Patras P., Haddadi H. Deep learning in mobile and wireless networking: a survey. Availavble in arXiv:1803.04311 [cs.NI].
9. Application of machine learning in wireless networks: key techniques and open issues / Y. Sun, M. Peng, Y. Zhou [et al.] // Available in: arXiv: 1811.06776 [cs.NI].
10. Intelligent wireless communications enabled by cognitive radio and machine learning / X. Zhou, M. Sun, G. Y. Li, B.-H. F. Juang // China Commun. Dec. 2018. vol. 15, no. 12. P. 16–48.
