In this paper, we study the resource allocation in D2D underlaying cellular network with uncertain channel state information (CSI). For satisfying the diversity requirements of different users, i.e. the minimum rate requirement for cellular user and the reliability requirement for D2D user, we attempt to maximize the cellular user's throughput whilst ensuring a chance constraint for D2D user. Then, a robust resource allocation framework is proposed for solving the highly intractable chance constraint about D2D reliability requirement, where the CSI uncertainties are represented as a deterministic set and the reliability requirement is enforced to hold for any uncertain CSI within it. Then, a symmetrical-geometry-based learning approach is developed to model the uncertain CSI into polytope, ellipsoidal and box. After that, we derive the robust counterpart of the chance constraint under these uncertainty sets as the computation convenient convex sets. To overcome the conservatism of the symmetrical-geometry-based uncertainty sets, we develop a support vector clustering (SVC)-based approach to model uncertain CSI as a compact convex uncertainty set. Based on that, the chance constraint of D2D is converted into a linear convex set. Then, we develop a bisection search-based power allocation algorithm for solving the resource allocation in D2D underlaying cellular network with different robust counterparts. Finally, we conduct the simulation to compare the proposed robust optimization approaches with the non-robust one.


翻译:在本文中,我们研究了D2D潜置蜂窝网络中的资源分配情况,其中含有不确定的频道状态信息(CSI)。为了满足不同用户的多样性要求,即蜂窝用户的最低费率要求和D2D用户的可靠性要求,我们试图最大限度地扩大蜂窝用户的吞吐量,同时确保D2D用户的机会限制。然后,提出一个强有力的资源分配框架,以解决关于D2D可靠性要求的极难解决的机会限制,即C2D不确定性代表着一种确定性,而可靠性要求则是在其中维持任何不确定的 CSI。然后,发展一种基于对称的基于地理测量的学习方法,将不确定的 CSI建模到多功能、电子版和框中。之后,我们用这些不确定性组的可靠对应机会限制来计算方便的 convex 。为了克服基于对称的不确定性的组合,我们开发基于支持性的病媒群集(SVCCB)为基础的方法,将一个基于对称的CSI的基于对称的不确定性 Cexbus不确定性的基于对称的基于对称的学习方式的学习方法,然后,根据一种稳定的搜索方式,将D型平流流式的对等的对等的对调,在最后,将一个根据一种对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲分配,对冲的对冲的对冲的对冲,对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲的对冲式的对冲式的对冲式的对冲式的对冲的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲式的对冲

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
339+阅读 · 2019年7月9日
ICML2019:Google和Facebook在推进哪些方向?
中国人工智能学会
5+阅读 · 2019年6月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Fully-Convolutional Siamese Networks for Object Tracking论文笔记
统计学习与视觉计算组
9+阅读 · 2018年10月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
VIP会员
相关资讯
【论文笔记】通俗理解少样本文本分类 (Few-Shot Text Classification) (1)
深度学习自然语言处理
7+阅读 · 2020年4月8日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
339+阅读 · 2019年7月9日
ICML2019:Google和Facebook在推进哪些方向?
中国人工智能学会
5+阅读 · 2019年6月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Fully-Convolutional Siamese Networks for Object Tracking论文笔记
统计学习与视觉计算组
9+阅读 · 2018年10月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员