Dec, 2017

认知无线电频谱共享的智能功率控制：深度强化学习方法

PDF
TL;DR本文提出了一种基于深度强化学习的方法，用于共享主要用户和次要用户之间的频谱，并设计了一组空间部署的传感器节点以帮助感知无线环境中的接收信号强度信息，从而使得次要用户可以与主要用户有效地交互以达到传输数据的设定目标状态。
spectrum sharingcognitive radiopower controllearning-based methodreinforcement learning
发现论文，激发创造
  • 深度强化学习在蜂窝网络中联合频谱和功率分配中的应用

    本文提出了一个学习框架来优化无线网络的频谱和功率分配，使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练，模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。

    Dec, 2020

  • 认知无线电网络中利用多天线进行机会式频谱共享

    研究了二次用户在交互式无线通信过程中的最大吞吐量和最小化每个主接收器产生的干扰之间的权衡，并通过利用二次发射机处的多天线，从信息理论的角度对该基本权衡进行了表征，以实现对时空和频率域中的机会光谱共享。

    Nov, 2007

  • 分布式非协调认知无线电资源分配的深度强化学习

    本文提出了一种基于深度强化学习的分布式资源分配技术，用于多代理环境下的认知无线电网络，该网络通过干扰下动态频谱访问与主干网络共存。该技术是分布式的，且不需要与其他代理协调，通过模拟结果可以显示出，该技术能够在有限的学习时间内，找到使性能在 3％之内的策略。

    Oct, 2019

  • 无线网络中动态功率分配的多智能体深度强化学习

    本文提出了一种分布式执行的动态功率分配方案，基于无模型深度强化学习技术，通过收集 CSI 和服务质量（QoS）信息，每个发射机适应自己的发射功率，旨在最大化加权和速效用函数，可特化为实现最大总速率或比例公平调度。本方案特别适用于系统模型不精确，CSI 延迟不可忽略的实际场景，能够在真实时间内实现几乎最优的功率分配。

    Aug, 2018

  • 5G 网络的深度强化学习：联合波束形成、功率控制和干扰协调

    本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同，并将其构建为一个非凸优化问题，以最大化信号干扰加噪声比（SINR）; 该算法在子 6 GHz 和毫米波（mmWave）频段的语音无线电和数据无线电中都取得了更好的性能。

    Jun, 2019

  • 基于深度强化学习的认知异构网络中的调制和编码方案选择

    本文提出一种基于深度强化学习的调制和编码方案选择算法，用于处理传感式次级用户干扰主信道的情况，建立在认知异构网络的架构下，运用开关成本因素可实现主信道速率和系统开销之间的平衡

    Nov, 2018

  • 移动网络中功率控制和速率自适应的强化学习方法

    本文介绍了一种利用强化学习优化功率控制和速率自适应的无线系统的新框架，包括系统状态特征的建模、奖励函数的设计和控制策略的学习方法，并通过系统级模拟验证了能够显著降低功耗并在系统用户之间实现公平的功率控制策略。

    Nov, 2016

  • 分布式动态频谱访问的深度多用户强化学习

    研究动态频谱访问、网络效用最大化和分布式动态频谱访问算法，基于深度多用户强化学习，开发解决方案，并在多信道无线网络中进行实验评估。

    Apr, 2017

  • 基于深度学习分类的认知无线电频谱感知

    该研究介绍了一种基于深度学习分类的频谱感知方法，通过对接收信号功率进行归一化处理来克服噪声功率不确定性，使用尽可能多的信号类型和噪声数据训练模型，使得训练的网络模型能够适应未经训练的新信号，并使用迁移学习策略来改进实际信号的性能，实验证明该方法的性能超过了传统的频谱感知方法，并且适应不同类型的新信号，对于彩色噪声有更优越的检测性能。

    Sep, 2019

  • 基于深度强化学习的共生无线电网络智能用户关联

    本文提出了两种基于深度强化学习的算法来解决共生射频网络中的用户关联问题，该问题的目标是将每个 IoT 设备与一个适当的蜂窝网络用户链接起来，以最大化所有 IoT 设备的总速率，同时分别利用全局和本地信息来做决策，从而达到与需要完美实时信息的最优用户关联策略相同的性能，并且分布式 DRL 算法具有可伸缩性。

    May, 2019