Deep learning techniques for power allocation problems in cognitive relay-aided networks.

Techniques d'apprentissage profond pour les problèmes d'allocation de puissance dans les réseaux radio cognitifs assistés par des relais. Les futures générations de réseaux sans fil sont confrontées à de grands défis en termes de capacité du réseau, de débit du système, de densité d'utilisateurs, le tout avec un budget énergétique serré. Afin d'atteindre ces objectifs ambitieux, plusieurs technologies émergentes, telles que la radio cognitive, les communications coopératives, le full duplex, l'intelligence artificielle, etc. ont été proposées, chacune d'entre elles se concentrant sur une amélioration spécifique.L'objectif de cette thèse de doctorat est d'exploiter conjointement ces technologies émergentes afin de maximiser le débit de Shannon sous contraintes et non convexe dans un réseau de radio cognitive assisté par des nœuds relais. Ce réseau se compose d'une paire utilisateur-destination primaire et secondaire et d'un relais secondaire full-duplex effectuant la Compresser-et-Transférer (CF) ou Décoder-et-Transférer (DF). La communication primaire est protégée par une contrainte de qualité de service (QoS) exprimée en termes de dégradation tolérée du débit de Shannon.Plus précisément, nous abordons les problèmes d'allocation de puissance non convexes dans le cas d'information sur l'état du canal (CSI) parfaite et imparfaite et pour CF et DF. Dans le cas d'une information parfaite sur l'état du canal, nous obtenons une solution analytique pour CF. Cependant, pour DF, en raison de débits atteignables plus complexes et des contraintes non convexes, aucune solution analytique ne semble possible. Pour relever ce défi, nous proposons une politique d'allocation de puissance non supervisée basée sur l'apprentissage profond qui exploite une architecture entièrement connectée conjointement avec une fonction de coût adaptée à la radio cognitive que le réseau de neurones profond (DNN) apprend à minimiser. Cette fonction de coût adaptée repose sur la relaxation de la contrainte de QoS dans la fonction objectif en introduisant un hyperparamètre permettant le compromis entre une optimisation axée sur le débit et une optimisation axée sur la QoS. Ainsi, seuls les gains du canal sont fournis en entrée de notre DNN.Lorsque seul une CSI imparfaite est disponible à l'émetteur, nous proposons d'exploiter notre DNN en le rendant robuste aux erreurs d'estimation des gains du canal. Étant donné que notre solution analytique pour CF repose sur une CSI parfaite, nous proposons également d'utiliser notre DNN pour optimiser la politique d'allocation de puissance pour CF en présence de CSI imparfaite. Pour faire face à la CSI imparfaite, nous adoptons une approche auto- supervisée où, dans la phase d'apprentissage, des estimations de canaux sans erreur sont fournies à la fonction de coût, et seuls les gains de canaux altérés par des erreurs d'estimation sont fournis à l'entrée du DNN. La robustesse de la solution proposée a été validée par des simulations numériques.Une fois notre solution robuste basée sur le DNN validée, nous recherchons des politiques plus générales exploitant des DNN, à savoir le choix du meilleur schéma de relayage parmi CF et DF, ainsi que la généralisation sur les paramètres du système de réseau, tels que les budgets de puissance individuels et le niveau de dégradation primaire toléré. En ce qui concerne le problème de sélection du schéma de relayage, nous exploitons à nouveau un DNN entièrement connecté avec la fonction de coût d'entropie croisée, particulièrement bien adaptée aux problèmes de classification. Ce dernier exploite la puissance prédite par le DNN que nous avons proposé précédemment, à la fois pour CF et DF. En ce qui concerne la généralisation sur les paramètres du système, nous généralisons d'abord séparément sur chaque paramètre, puis nous proposons un DNN capable de généraliser conjointement sur le budget de puissance et le niveau de dégradation du débit primaire toléré.