Kablosuz kontrol sistemlerinde ultra güvenilir iletişim için deep learning tabanlı kaynak tahsisi

Kablosuz Ağa Bağlı Kontrol Sistemleri (WNCS'ler), Nesnelerin İnterneti (IoT), Uzaktan Sürüş ve İşbirliğine Dayalı Robotlar (Cobot'lar) gibi kritik görev uygulamalarını desteklemek için beşinci nesil (5G) ve altıncı nesil (6G) ağlarda önemli bir rol oynar. WNCS tasarımı, güvenilir kontrol komutlarının kontrolörden aktüatörlere düşük gecikmeyle yayınlanmasını garanti etmek için hem kontrol hem de iletişim sistemi gereksinimlerinin dikkate alınmasını gerektirir. Tezin ilk bölümünde, kontrol sisteminin örnekleme periyodunu, blok uzunluğunu ve paket hatasını optimize ederek toplam güç tüketimini en aza indirmek amacıyla Sonlu Blok Uzunluğu (FBL) rejiminde kontrol ve iletişim sistemlerinin ortak optimizasyonu tasarlanmıştır. iletişim sisteminin olasılığı. Daha sonra optimizasyon çerçevesi, optimallik koşulları kullanılarak blok uzunluğunun yalnızca bir karar değişkenine göre basitleştirilir. Daha sonra yeni optimizasyon problemi, eğitilmek üzere çevrimiçi bir Derin Güçlendirme Öğrenme (DRL) algoritmasına beslenir ve değişen kablosuz ortam öğrenilerek en iyi sonuçların uygulanması sağlanır. İkinci olarak, WNCS'lere kaynak tahsis etmek için bir yayılma modeli, özellikle Gürültü Giderici Difüzyon Olasılık Modeli (DDPM) önerilmektedir. Optimizasyon çerçevesi, Kanal Durumu Bilgilerinin (CSI) ve buna karşılık gelen optimal blok uzunluğu değerlerinin bir veri kümesini toplamak için kullanılır. Daha sonra veri seti, çözümün karmaşık dağılımını ve çevresel parametreleri öğrenmek ve koşullu bilgi olarak CSI'ye dayalı en uygun blok uzunluğu değerlerini oluşturmak üzere DDPM tabanlı modeli eğitmek için kullanılır. Önerilen şemalar, optimizasyon teorisine dayalı çözüme yakın bir performans sergiliyor ve daha önce önerilen kıyaslamalardan daha iyi performans göstererek toplam güç tüketiminde üstün performans sergiliyor ve kritik kısıtlama ihlallerinden kaçınıyor.