应用液态状态机学习实现 LTE-U 无人机网络资源及缓存管理
本文针对无人机采集并传输视频至虚拟现场(VR)用户时遇到的内容缓存和传输问题进行了深入研究,提出了一种基于深度学习算法的内容缓存和传输优化方案,可提高网络可靠性并减少后勤负荷。
Apr, 2018
本文研究了使用搭载缓存设备的无人机进行主动部署以优化云无线接入网络中无线设备的体验质量问题。通过使用概念器基础回声状态网络(ESN)的机器学习框架,网络可以有效地预测用户的内容需求分布和移动模式,并可以在最大化用户体验质量和最小化无人机传输功率的同时找到最佳的用户 - 无人机关联、无人机的最佳位置以及需要在无人机上缓存的内容。
Oct, 2016
本文探讨了使用无人机作为空中基站提供无线通信服务的动态资源分配问题,并通过多智能体强化学习框架实现了长期收益的最大化。研究结果表明,该算法在信息交互开销和性能提升之间取得了良好的平衡。
Oct, 2018
本文提出了一种在通信困难的灾害情景中利用无人机辅助的内容管理系统,通过静态和移动无人机的混合网络,给被困用户提供关键信息的访问。为了最大化被困用户的内容可用性,设计了一种实时学习内容缓存策略的内容传播系统。通过使用去中心化的多臂赌博学习模型,考虑了地理和时间上的差异,以及内容的异质性需求,实现了无人机缓存决策的优化。通过各种网络规模、无人机分布和内容受欢迎程度的功能验证和性能评估,验证了所提出的缓存框架的有效性。
Dec, 2023
我们在本论文中提出了一种数据驱动的框架,用于协同宽带频谱感知和调度网络化的无人机,其充当二级用户来机会性地利用检测到的 "频谱空洞"。我们的框架包括三个主要阶段:模型训练阶段,协同频谱推断阶段以及频谱调度阶段。我们还提出了一个多联邦学习架构,将无线数据集生成直接集成到联邦学习训练过程中。我们利用强化学习解决方案动态分配检测到的频谱空洞给二级用户。通过建立综合的仿真框架来评估所提出的方法,我们能够生成近乎真实的合成数据集,用于发展基于机器学习 / 人工智能的航空设备频谱管理解决方案。
Jun, 2024
本文提出了一种基于深度学习的资源分配机制,使得 LTE-LAA 小基站可以在与 WLAN 网络和其他 LTE-LAA 运营商公平竞争的情况下,实现动态选择频道,载波聚合和分数谱访问。该机制可以解决频谱稀缺的问题,避免 LTE-LAA 网络在低峰期内频谱利用率不足跟上未来的数据需求。实验结果表明,与传统反应式方法和比例公平机制相比,该方案可以使总服务 LTE-LAA 流量负载提高 28% 和 11%。
Feb, 2017
本研究提出了一种基于用户移动信息预测的多无人机轨迹设计的新框架,其利用机器学习技术为多个无人机实现位置信息获取和轨迹设计,并通过多智能体 Q 学习算法实现对其位置的预测与优化。同时,数值结果表明所提出的多智能体 Q 学习算法的轨迹设计和功率控制算法可以在较小的条件下收敛,并且可以实现 17%左右的吞吐量改进。
Dec, 2018
在通信受限的灾难情景中,本文提出了一种微型无人机增强的内容管理系统。该系统在缺乏蜂窝基础设施的情况下,部署了一个由静止和移动无人机组成的混合网络,为孤立的社区提供重要的内容访问。通过装备有垂直和水平链接的静态锚定无人机,该系统满足本地用户的需求,而通过装备有水平链接和更高灵活性的机动微型运输无人机,系统可以覆盖多个社区中的用户。该系统的主要目标是设计一种自适应内容传播系统,动态学习缓存策略以最大限度地提高内容可访问性。本文提出了一种分散式的 Top-k 多臂赌博机学习方法,用于无人机缓存决策,以适应地理和时间上的内容流行度差异和多样化的内容需求。所提出的机制涉及一种选择性缓存算法,通过利用无人机之间的共享信息,自动减少内容的冗余副本。实验证明,Top-k 多臂赌博机学习和选择性缓存算法可以改善系统性能,同时使学习过程适应性更强。本文在各种网络规模、微型运输无人机群体和异构的流行度分布下对所提出的缓存框架进行了功能验证和性能评估。
Apr, 2024
本文提出了一个多无人机网络上异步联邦学习框架,避免将原始数据发送到无人机服务器中进行模型训练,同时提出了异步优势演员 - 评论家算法并采用设备选择策略、无人机部署和资源管理算法来提高学习收敛速度和准确性。仿真结果表明,相比于现有解决方案,我们的方案实现了更高的学习准确度和更快的联邦执行时间。
Nov, 2020
我们提出了一个基于数据驱动的框架,用于网络化的无人机协同宽带频谱感知和调度,其作为次级用户为探测到的频谱空隙提供机会利用。为此,我们提出了一个多类分类问题,用于基于采集到的 I/Q 样本检测空闲频谱位置的宽带频谱感知。为了提高频谱感知模块的准确性,我们在无人机系统交通管理 (UTM) 生态系统中的服务器上对各个单独无人机进行的多类分类结果进行融合。在频谱调度阶段,我们利用强化学习 (RL) 解决方案将探测到的频谱空隙动态分配给次级用户 (即无人机)。为了评估所提出的方法,我们建立了一个综合的仿真框架,利用 MATLAB LTE 工具箱生成一个接近真实的合成数据集,其中包括所选兴趣区域内基站 (BS) 位置、射线跟踪和模拟主用户的信道使用情况的 I/Q 样本。这种评估方法提供了一个灵活的框架,可以生成用于开发基于机器学习 / 人工智能的空中设备频谱管理解决方案的大型频谱数据集。
Aug, 2023