منصة الرسائل والاطاريح: تطوير شبكة الجيل الخامس للتنبوء بمؤشر جودة القناة بالاعتماد على تقنيات الذكاء الاصطناعي الهجينة المُحسّنة

الخلاصة

في مواجهة النمو المستمر لحركة البيانات المتنقلة وظهور تطبيقات جديدة تتجاوز الجيل الخامس، من المتوقع أن تقدم شبكات الوصول الراديوي الضخمة أداءً فائقًا وتدعم العديد من الأجهزة المتصلة. تمثل الإدارة الفعالة لهذه الشبكات تحديات كبيرة، بما في ذلك إدارة التنقل الفعالة والتنبؤ الدقيق بمؤشر جودة القناة وضمان الجودة العالية للخدمة. تهدف هذه الأطروحة إلى معالجة هذه التحديات من خلال تطوير نظام هجين متكامل يستخدم تقنيات الذكاء الاصطناعي، مع التركيز بشكل خاص على نموذج هجين يجمع بين نقاط قوة شبكات الذاكرة الطويلة قصيرة المدى و وحدات التراكم المشبكة. في المرحلة الأولى من هذا البحث، تم تنفيذ العديد من النماذج التعلم الآلي، بما في ذلك الشبكات العصبية الاصطناعية والشبكات العصبية العميقة وآلات الدعم البياني والذاكرة القصيرة الطويلة، وتمت مقارنتها من حيث كفاءتها في توقع مؤشر جودة القناة. وهذا يشكل أساساً لاستكشاف نماذج أكثر دقة. في المرحلة الثانية، قمنا بتطوير وتحسين نظام متكامل هجين جديد يستخدم شبكات الذاكرة القصيرة ووحدات التراكم المشبكة بمساعدة خوارزميات ضبط معلمات مختلفة و هما هايبرباند والبحث البياني. قمنا باختيار هذه النماذج المحددة وخوارزميات ضبط المعلمات بناءً على إمكانية التقاط الطبيعة الديناميكية والتسلسلية للبيانات المدخلة، وهو أمر بالغ الأهمية لتوقع مؤشر جودة القناة بدقة في سيناريو الوصول الراديوي . يُظهر البحث أن النظام المقترح هجين الذاكرة القصيرة ووحدة التراكم المشبكة، عند تصحيحه وتحسينه بشكل مناسب، يؤدي بشكل أفضل في توقع مؤشر جودة القناة مقارنة بالنماذج الأخرى من تعلم الآلة. يُظهر هذا التحسن في دقة توقع مؤشر جودة القناة في إدارة الشبكة بشكل أفضل، وتخصيص الموارد بشكل أكثر كفاءة وتحيبن جودة الخدمة لشبكات الوصول الراديوي للجيل الخامس. في المرحلة الأولى، تم تقييم العديد من النماذج لتوقع مؤشر جودة القناة في شبكات الوصول الراديوي الضخمة. من بين هذه النماذج، أظهرت الذاكرة القصيرة الطويلة أفضل أداء بقيم MSE بنسبة 0.811544 وRMSE بنسبة 0.900858 وMAE بنسبة 0.608555، مع تحقيق R2 بنسبة 0.883451. في المرحلة التالية، تم تقديم نظام متكامل هجين لذاكرة القصيرة الطويلة ووحدة التراكم المشبكة. أسفر هذا النموذج عن تفوق على جميع النماذج الأخرى، مقدمًا نتائج استثنائية بقيم MSE بنسبة 0.0182 وRMSE بنسبة 0.1350 وMAE بنسبة 0.1197، وR2 الرائع بنسبة 0.9975. هذه النتائج تؤكد بوضوح أن نظام الذاكرة القصيرة الطويلة ووحدة التراكم المشبكة هو الخيار الأكثر دقة وصلابة لتوقع مؤشر جودة القناة في سياق شبكات الوصول الراديوي الضخمة. إمكانياته تمتد لتحسين إدارة الشبكة، وتحسين تخصيص الموارد، في عصر التقنيات اللاسلكية المتقدمة