机器学习在5G超密集网络切换中的应用

• 作者: 姬天相 张燕燕 王军选 王鹤鸣
• 来源期刊: 电讯技术
• 学科: 工学
• 关键词: 5G 超密集网络 切换预测 机器学习
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 应用基础与前沿技术
• 页码范围: 1371-1377
• 页数: 7页
• 分类号: TN915.6
• 字数: 6171字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-893x.2019.12.001

摘要

超密集网络(Ultra-dense Network,UDN)作为5G网络架构的关键技术,其切换时延及无效切换等已成为网络发展的巨大挑战.提出了一种基于集成策略的机器学习算法,并结合用户的移动性数据,进行较高精确度的切换预测,减少切换时延及非必要切换等目标.仿真结果表明,采用结合改进机器学习算法的切换策略,不必要切换率降低了40.2％,平均时延降低了28.6％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张燕燕	西安邮电大学通信与信息工程学院	7	63	5.0	7.0
2	王军选	西安邮电大学通信与信息工程学院	49	196	6.0	13.0
3	王鹤鸣	西安邮电大学通信与信息工程学院	2	0	0.0	0.0
4	姬天相	西安邮电大学通信与信息工程学院	1	0	0.0	0.0