Nov, 2018

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

PDF
TL;DR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
cognitive heterogeneous networksensing-based approachdeep reinforcement learningmodulation and coding schemeswitching cost factor
发现论文，激发创造
  • LTE 和 NR 的动态频谱共享的深度强化学习

    本文提出一种新型的动态频谱共享方案，并使用深度强化学习算法基于蒙特卡罗树搜索进行资源分配，该方案能够在考虑未来网络状态的情况下执行操作，比当前的其他方案表现更好。

    Feb, 2021

  • 面向自主与分布式底层动态频谱访问的神经网络认知引擎

    本文介绍了利用人工神经网络进行自主分布式的次级网络的控制策略，并通过预测次级网络对主网络的干扰来解决干扰限制和认知无线电之间的信息交流等问题，以实现更精细的下层传输功率控制和更高的传输机会。

    Jun, 2018

  • 认知无线电频谱共享的智能功率控制：深度强化学习方法

    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。

    Dec, 2017

  • 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

  • 基于优化理论的深度强化学习用于超可靠无线网络控制系统资源分配

    基于优化理论的深度强化学习框架被介绍用于联合设计控制和通信系统，并针对最小化功耗目标，在满足通信系统的调度性和速率约束以及控制系统的稳定性约束的前提下，通过优化理论和深度强化学习两个阶段的组合来实现，该方法在大量的模拟实验中表现出优于优化理论和纯深度强化学习方法的性能，接近最优性能且复杂度较低。

    Nov, 2023

  • 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

  • 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

  • 基于深度强化学习的硬件受损和不完美 CSI 情况下，RIS 辅助 MU-MISO 系统中的联合下行波束赋形和 RIS 配置

    本文介绍了一种基于深度强化学习（DRL）的新方法，通过联合优化 MIMO 系统中的发送波束和可重构智能表面（RIS）的相位移位，最大化相位依赖性反射幅度模型下的总下行速率。

    Oct, 2022

  • 异构无线网络的深度强化学习多路访问

    本文研究了深度强化学习在异构无线网络的 MAC 协议中的应用，通过观察环境、采取行动和获得回报，DLMA 节点可以学习一种最优的 MAC 策略，以实现多个时隙网络的协调共存。

    Dec, 2017

  • 基于深度强化学习的蜂窝 V2X 通信模式选择和资源分配

    本文研究了细胞 V2X 通信的传输模式选择和资源分配问题，将其制定为马尔可夫决策过程，提出了基于深度增强学习的去中心化算法，同时开发了基于图论的车辆聚类算法和分布式学习算法。实验结果表明，所提出的算法优于其他分布式基线算法，并验证了两个时间尺度的联邦 DRL 算法在新激活的 V2V 对中的优越性。

    Feb, 2020