In this paper, a survey of the literature of the past 15 years involving machine learning (ML) algorithms applied to self-organizing cellular networks is performed. In order for future networks to overcome the current limitations and address the issues of current cellular systems, it is clear that more intelligence needs to be deployed so that a fully autonomous and flexible network can be enabled. This paper focuses on the learning perspective of self-organizing networks (SON) solutions and provides, not only an overview of the most common ML techniques encountered in cellular networks but also manages to classify each paper in terms of its learning solution, while also giving some examples. The authors also classify each paper in terms of its self-organizing use-case and discuss how each proposed solution performed. In addition, a comparison between the most commonly found ML algorithms in terms of certain SON metrics is performed and general guidelines on when to choose each ML algorithm for each SON function are proposed. Lastly, this paper also provides future research directions and new paradigms that the use of more robust and intelligent algorithms, together with data gathered by operators, can bring to the cellular networks domain and fully enable the concept of SON in the near future.

We analyze the physical layer (PHY) security of a communication scheme consisting of a multiple antenna transmitter with a single radio frequency (RF) chain using transmit antenna selection (TAS) and a single antenna receiver, in the presence of a sophisticated multiple antenna eavesdropper. We develop closed-form expressions for the analysis of the secrecy outage probability, and we show that the PHY security can be considerably enhanced when multiple antennas are available at the legitimate transmitter. Moreover, a single RF chain multiple antenna transmitter reduces cost, complexity, size and power consumption at the expense of a slight loss in performance with respect to a multiple RF chain transmitter.

Wireless energy transfer (WET) technology is key for future wireless networks as it can enable uninterrupted and maintenance-free operation of Internet of Things (IoT) networks, which will be composed of billions of wireless sensors. Although, perfect channel state information (PCSI) is appealing for beamforming design at the power beacon (PB). Such knowledge is unavailable in most practical WET systems and is mostly of theoretical interest. In this paper, we propose a novel WET approach to minimize the total power recharging time of the devices within a Wireless Powered Sensor Network (WPSN) by designing the analog beamforming at the PB based only on statistical CSI (SCSI) knowledge. The devices efficiently recharge also by harvesting energy from the WET signals targeting nearby devices. Finally, we verified that opportunistically exploiting the recharging times of neighboring devices reduces the total recharging time by up to 70% than when each device is recharged independently. We also demonstrate that the proposed strategy based on SCSI considerably reduces the performance difference with a WET system based on PCSI, achieving significantly low recharged times by accessible information.