6G Satellite Ground Cooperation Communication Systems based on Machine learning

Abstract

Terrestrial communication networks are primarily aimed at users in urban areas, but have poor coverage performance in harsh environments such as mountains, deserts and oceans. Satellites can be used to extend the coverage of terrestrial sixth generation networks. Cooperative communication systems have received a lot of attention in recent years as an effective solution to reduce the impact of multipath fading in next-generation wireless communication systems. As these cooperative communication systems use cooperative relays with different fading coefficients to transmit information, the involvement of all relays in cooperative communication may result in unnecessary waste of resources. Whereas existing research has focused on how to interconnect satellites with terrestrial networks, it cannot support adaptive geospatial resource collaborative scheduling because it does not consider how to integrate space and ground resources, so we propose a algorithm for relay selection in wireless collaborative networks based on Q-learning algorithms to make effective use of wireless resources. In this scheme, we define states, actions and rewards to achieve good throughput performance, while selecting a small number of cooperative relays. Simulation results show that the scheme greatly improves the transmission capacity and resource utilisation of the star-ground network. When the number of relay nodes in a collaborative communication network increase, the relaying complexity and computational effort of existing relay distribution protocols increase significantly. Therefore, the reinforcement learning algorithm is more suitable for wireless communication networks with different channel conditions and multiple relays, and adaptivity with low computational complexity and less channel state information (CSI) required.|지상 통신망은 주로 도시 지역 사용자를 대상으로 하지만 산, 사막, 바다 등 열악한 환경에서 커버리지 성능이 떨어진다. 인공위성은 지상 6 세대 네트워크의 커버리지를 확장하는 데 사용될 수 있다. 협력 통신 시스템은 차세대 무선 통신 시스템에서 다중 경로 페이딩의 영향을 줄일 수 있는 효과적인 솔루션으로 최근 몇 년 동안 많은 주목을 받고 있다. 이러한 협력 통신 시스템은 페이딩 계수가 다른 협력 릴레이를 사용하여 정보를 전송하기 때문에 협력 통신에 모든 릴레이가 개입되면 불필요한 자원 낭비가 발생할 수 있다. 기존 연구는 인공위성을 지상 네트워크와 상호 연결하는 방법에 초점을 맞췄지만 공간 및 지상 자원을 통합하는 방법을 고려하지 않기 때문에 적응형 지리 공간 자원 협업 일정을 지원할 수 없으므로 Q-Learning 기반의 무선 협업 네트워크에서 릴레이 선택을 위한 자체 학습 체계를 제안한다.무선 자원을 효과적으로 사용할 수 있는 알고리즘 획득 이 계획에서는 적은 수의 협력 릴레이를 선택하는 동시에 우수한 처리량 성능을 달성하기 위한 상태, 동작 및 보상을 정의한다. 시뮬레이션 결과에 따르면 이 계획은 스타그라운드 네트워크의 전송 용량과 자원 활용도를 크게 향상시킨다. 협업 통신 네트워크에서 릴레이 노드 수가 증가하면 기존 릴레이 분배 프로토콜의 릴레이 복잡성과 계산 노력이 크게 증가한다. 따라서 분산형 자체 학습 방법은 채널 조건이 다르고 다중 릴레이가 있는 무선 통신 네트워크에 더 적합한 반면, 강화 학습 알고리즘은 계산 복잡성이 낮고 필요한 채널 상태 정보(CSI)가 적어 적응성이 더 우수하다.