پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,189 |
| تعداد مقالات | 10,221 |
| تعداد مشاهده مقاله | 19,265,172 |
| تعداد دریافت فایل اصل مقاله | 13,311,416 |
یک الگوریتم ابتکاری مبتنی بر یادگیری عمیق برای حل مسئله واگذاری ارتباط در شبکه ناهمگن RF-VLC | ||
| فصلنامه علمی اپتوالکترونیک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 19 خرداد 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30473/jphys.2025.74713.1242 | ||
| نویسندگان | ||
| حامد علیزاده* 1؛ محمد مفرح2 | ||
| 1گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید مدنی آذربایجان | ||
| 2دانشگاه بناب | ||
| 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 Alizadeh1؛ Mohammad Mofarreh2 | ||
| 1Electrical Engineering Department, Faculty of Engineering, Azarbaijan Shahid Madani University | ||
| 2University of Bonab | ||
| چکیده [English] | ||
| In heterogeneous networks integrating Radio Frequency (RF) and Visible Light Communication (VLC) modalities, 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 minimizes handover latency, reduces packet loss, and balances network load. The problem is formulated as a multi-objective optimization problem with constraints on delay, energy consumption, and interference, and is further refined using principles from optimization 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 | ||
|
آمار تعداد مشاهده مقاله: 32 |
||