پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 46 |
| تعداد شماره‌ها | 1,226 |
| تعداد مقالات | 10,524 |
| تعداد مشاهده مقاله | 20,822,445 |
| تعداد دریافت فایل اصل مقاله | 14,188,993 |
یک الگوریتم ابتکاری مبتنی بر یادگیری عمیق برای حل مسئله واگذاری ارتباط در شبکه ناهمگن RF-VLC | ||
| فصلنامه علمی اپتوالکترونیک | ||
| دوره 8، شماره 1 - شماره پیاپی 22، مهر 1404، صفحه 39-48 اصل مقاله (1.07 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30473/jphys.2025.74713.1242 | ||
| نویسندگان | ||
| حامد علیزاده قاضی جهانی* 1؛ محمد مفرح2 | ||
| 1استادیار، گروه مهندسی برق، دانشگاه شهید مدنی آذربایجان، تبریز، ایران. | ||
| 2استادیار، گروه مهندسی برق، دانشگاه بناب، بناب، ایران. | ||
| چکیده | ||
| در شبکه‌های ناهمگن که فناوری‌های ارتباطی فرکانس رادیویی (RF) و نور مرئی (VLC) به صورت یکپارچه عمل می‌کنند، فرآیند واگذاری ارتباط برای تضمین اتصال و کیفیت خدمات (QoS) به‌ویژه در محیط‌های داخلی پویا اهمیت بسیاری دارد. این مقاله یک الگوریتم ابتکاری جدید به نام DLHA را معرفی می‌کند که با بهره‌گیری از یادگیری عمیق، فرایند پیش‌بینی، بهینه‌سازی و اجرای تصمیمات واگذاری ارتباط را در شبکه‌های تلفیقی RF-VLC مدیریت می‌کند. الگوریتم مذکور از یک شبکه عصبی عمیق (DNN) مبتنی بر واحد بازگشتی دروازه‌دار (GRU) برای پیش‌بینی شرایط کانال و الگوهای تحرک کاربران استفاده کرده و این پیش‌بینی‌ها را با یک چارچوب تصمیم‌گیری هوشمند ترکیب می‌کند. هدف این ترکیب کاهش تأخیر در واگذاری ارتباط، کاهش نرخ از دست دادن بسته‌ها و ایجاد توازن در بار شبکه است. مسئله اصلی به عنوان یک مسئله بهینه‌سازی چند هدفه در نظر گرفته شده است، به طوری‌که که محدودیت‌هایی نظیر تأخیر، مصرف انرژی و تداخل را شامل می‌شود. این مسئله با استفاده از اصول بهینه‌سازی و اصلاح فرآیندهای تصمیم‌گیری مارکوف (MDP) حل شده است. نتایج شبیه‌سازی که مبتنی بر مدل‌های کانال داخلی واقعی و سناریوهای معتبر تحرک هستند، نشان می‌دهند که الگوریتم پیشنهادی DLHA در مقایسه با روش‌های سنتی مبتنی بر آستانه، عملکرد بهتری دارد. | ||
| کلیدواژه‌ها | ||
| واگذاری ارتباط؛ RF-VLC؛ یادگیری عمیق؛ بهینه‌سازی؛ شبکه‌های ناهمگن | ||
| عنوان مقاله [English] | ||
| A Deep Learning Assisted Heuristic Algorithm to Solve Handover Problem in Heterogeneous RF-VLC Network | ||
| نویسندگان [English] | ||
| Hamed Alizadeh Ghazijahani1؛ Mohammad Mofarreh2 | ||
| 1Assistant Professor, Department of Electrical Engineering, Azarbaijan Shahid Madani University, Tabriz, Iran. | ||
| 2Assistant Professor, Department of Electrical Engineering, University of Bonab, Bonab, Iran | ||
| چکیده [English] | ||
| In heterogeneous networks that Radio Frequency (RF) communication technologies and Visible Light Communication (VLC) operate integrately, the handover process is critical for maintaining connectivity and Quality-of-Service (QoS) in dynamic indoor environments. This paper proposes a novel deep learning assisted heuristic algorithm (DLHA) that predicts, optimizes, and executes handover decisions in an RF-VLC integrated network. By leveraging a gated recurrent unit (GRU)-based deep neural network (DNN) to forecast channel conditions and user mobility, and coupling these predictions with a heuristic decision framework. The algorithm aims to minimize handover latency, reduces packet loss, and balances network load. The problem is further refined using optimization principles and Markov decision processes (MDPs). Simulation results, validated on realistic indoor channel models and mobility scenarios, demonstrate that the proposed DLHA significantly outperforms conventional threshold-based methods. | ||
| کلیدواژه‌ها [English] | ||
| Handover, RF-VLC, Deep Learning, Optimization, Heterogeneous Networks | ||
| مراجع | ||
|
[1] Bravo Alvarez, L., Montejo-Sánchez, S., Rodríguez-López, L., Azurdia-Meza, C., & Saavedra, G. (2023). A review of hybrid vlc/rf networks: Features, applications, and future directions. Sensors, 23(17), 7545.
[2] Abuella, H., Elamassie, M., Uysal, M., Xu, Z., Serpedin, E., Qaraqe, K. A., & Ekin, S. (2021). Hybrid RF/VLC systems: A comprehensive survey on network topologies, performance analyses, applications, and future directions. IEEE Access, 9, 160402-160436.
[3] Ciftler, B. S., Alwarafy, A., & Abdallah, M. (2021). Distributed DRL-based downlink power allocation for hybrid RF/VLC networks. IEEE Photonics Journal, 14(3), 1-10.
[4] Ghazijahani, H. A., Abdollahzadeh, M., Seyedarabi, H., & Niya, M. J. M. (2016, September). Adaptive CSK modulation guaranteeing HEVC video quality over visible light communication network. In 2016 8th International symposium on telecommunications (IST) (pp. 789-794). IEEE.
[5] Arshad, R., & Lampe, L. (2021). Stochastic geometry analysis of user mobility in RF/VLC hybrid networks. IEEE Transactions on Wireless Communications, 20(11), 7404-7419.
[6] Kong, J., Ismail, M., Serpedin, E., & Qaraqe, K. A. (2019). Energy efficient optimization of base station intensities for hybrid RF/VLC networks. IEEE Transactions on Wireless Communications, 18(8), 4171-4183.
[7] Abuella, H., Elamassie, M., Uysal, M., Xu, Z., Serpedin, E., Qaraqe, K. A., & Ekin, S. (2021). Hybrid RF/VLC systems: A comprehensive survey on network topologies, performance analyses, applications, and future directions. IEEE Access, 9, 160402-160436.
[8] Mofarreh-Bonab, M., Seyedarabi, H., Mozaffari Tazehkand, B., & Kasaei, S. (2022). 3D hand pose estimation using RGBD images and hybrid deep learning networks. The Visual Computer, 1-10.
[9] Shao, S., Khan, Z., Liu, G., Khreishah, A., Ayyash, M., Elgala, H., ... & Rahaim, M. (2019, April). Optimizing handover parameters by Q-learning for heterogeneous RF-VLC networks. In IEEE INFOCOM 2019-IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS) (pp. 1069-1070). IEEE.
[10] Ghazijahani, H. A., Seyedarabi, H., Niya, J. M., & Cheung, N. M. (2019). Deep learning-assisted adaptive modulation level assignment for video communication over an elastic optical network. Optical Fiber Technology, 52, 101987.
[11] Hu, Q., Gan, C., Liu, X., Gong, G., & Zhu, Y. (2023). Dynamic handover cost modeling in hybrid VLC/RF networks. Ad Hoc Networks, 146, 103174.
[12] Feng, R., Guo, Y., Zain Yousaf, M., Khan, B., & Luo, L. (2025). Coverage analysis and handover strategy in RF/VLC heterogeneous networks. Applied Optics, 64(15), 4160-4173.
[13] Maimaiti, S., Huang, S., Zhang, K., Liu, X., Xu, Z., & Mi, J. (2025). Collaborative Online Learning-Based Distributed Handover Scheme in Hybrid VLC/RF 5G Systems. Electronics, 14(6), 1142.
[14] Sathisha, R. N., Ahmed, F., & Raghunathan, V. (2023, January). Demonstration of RF-VLC hand-over using receiver side channel selection. In 2023 15th International Conference on COMmunication Systems & NETworkS (COMSNETS) (pp. 382-386). IEEE.
[15] Zeshan, A., & Baykas, T. (2021). Location aware vertical handover in a VLC/WLAN hybrid network. IEEE Access, 9, 129810-129819.
[16] Guler, N. (2024). Vertical Handover-Based Hybrid Radio Frequency/Visible Light Communication Scheme for e-Health Applications (VHO-HeA). Engineered Science, 33, 1252.
[17] Narmanlioglu, O., & Uysal, M. (2021). Event-triggered adaptive handover for centralized hybrid VLC/MMW networks. IEEE Transactions on Communications, 70(1), 455-468. | ||
|
آمار تعداد مشاهده مقاله: 165 تعداد دریافت فایل اصل مقاله: 40 |
||