Optimisation des performances d’un système MIMO Massif par les méthodes d’apprentissage profond

Abstract

Les systèmes Massive Multiple Input Multiple Output (MIMO) représentent une technologie très récente et prometteuse pour les réseaux mobiles 5G qui garantit une amélioration significative en termes d'efficacité spectrale (SE) et d’efficacité énergétique (EE). Le principe est d’installer un grand nombre (voir centaines) d’antennes au niveau de la station de base (BS) pour servir d’utilisateurs. En effet, grâce à la technique de Beamforming, des débits importants peuvent être atteints sans avoir à élargir le spectre de fréquence utilisé. Ainsi, les systèmes Massive MIMO peuvent répondre aux exigences du nombre explosif d'appareils connectés dans l'avenir. Cependant, le nombre accru d'antennes augmente la consommation de l’énergie à cause des chaines radio fréquence (RF) associées à chaque antenne. D’où la technique de selection d’antenne(SA) est nécessaire pour réduire cette consommation. Dans notre travail, nous proposons un algorithme de SA a complexité réduite basé sur le réseau de Neurone Convolutif (CNN). Cet algorithme est évalué sur plusieurs configurations et dans des scénarios différents en exploitant des données de mesure réelles dans un environnement Indoor. Les résultats obtenus sont comparés par celles obtenus par la méthode de sélection d’antenne optimale proposée dans la littérature. Des performances comparables sont obtenues avec un temps de calcul considérablement réduit.