MMSep, 2019

利用 Echo State 网络对 UAV 基站进行预测性按需部署

PDF
TL;DR本文提出了一种基于无人机基站及用户设备运动轨迹预测的能效匹配方案，通过使用 Echo State Network（ESN）算法预测用户设备未来轨迹和 Kuhn-Munkres 算法寻找节能的无人机基站重新布局路径，实现了无缝服务并最大程度降低了重新部署所需的能量成本。
发现论文，激发创造
  • 机器学习与契约理论在预测部署无人机基站中的应用

    本文提出了一种新的框架，以启用预测性的应用无人机作为临时基站来补充地面蜂窝系统的下行通信流量过载，并给出了相应的学习方法、卸载合同、优化问题以及预测算法，仿真结果表明，所提出的方法显著提高了蜂窝和无人机网络的收入，并改善了用户的服务体验。

    Nov, 2018

  • 基于回声状态网络的云无线接入网络中移动用户的主动缓存

    该研究旨在解决云无线电接入网络中预测式缓存的问题，通过利用基带单元的机器学习框架并结合子线性算法，确定内容缓存，研究发现该方法相较于随机缓存算法提高了 27.8％至 30.7％的有效容量。

    Jul, 2016

  • 能效最大覆盖的无人机基站（UAV-BS）的 3D 放置

    本文提出了一种基于优化算法的无人机基站布局方案，通过在垂直和水平空间上分别部署无人机基站在尽可能减少发送功率的情况下最大化覆盖用户数量，同时通过模拟验证了该方案的性能。

    May, 2017

  • 多无人机辅助无线网络的轨迹设计与功率控制：一种机器学习方法

    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

  • 空中缓存：缓存启用无人机的主动部署以优化用户体验

    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

  • 基于 5G 的无人机细胞连接：深度强化学习干扰管理

    本文提出了一种针对网络化无人机的干扰感知路径规划方案，使用基于回声状态网络的深度强化学习算法来解决路径规划问题，其中每架无人机旨在实现最大化能量效率和最小化无线延迟和干扰级别。模拟结果表明，该方案在减少对地面用户的干扰和无线传输延迟方面表现优异，并且需要比最短距离启发式基线考虑的步骤数量相当的步骤。

    Jan, 2018

  • 关于 3D 无人机基站数量和位置在无线蜂窝网络中的研究

    本文提出了使用启发式算法在不同用户密度的区域中找到无人机基站 (drone-BSs) 的位置的方法，以满足网络的服务质量要求。结果表明，所提出的方法能够满足网络的服务质量要求。

    Apr, 2018

  • DroneOptiNet: 5G 及更高的太阳能小型蜂窝网络优化无人机载荷转移机制的框架

    通过使用空中基站（由无人机搭载）进行可靠和安全的电力再分配，减少基站的停电，并保持一致的吞吐稳定性，从而提高无线通信系统的可靠性和稳健性。

    Nov, 2023

  • LTE-U 中用于自组织资源分配的 Echo State 网络，通过上下行解耦

    本篇论文研究了包含 LTE-U 的异构小型蜂窝网络中的上下行解耦资源分配问题，提出了一个基于回声状态网络框架的分布式算法，该算法可以使小型基站自主选择其最优的带宽分配策略，并在用户关联、频谱分配和负载均衡方面取得了显著的增益。

    Jan, 2016

  • 一种基于深度 Q 网络的空中基站定位和功率控制方法以确保通信安全

    本文研究了利用无人机作为空中基站提高通信网络的物理层安全，并提出了基于强化学习算法的优化方法，通过优化空中基站位置和传输功率来提高地面用户的数据速率和保密容量，且不知晓窃听者位置的情况下，所提出的深度 Q 网络算法相比于 Q 学习和基准方法具有更快的收敛速度和最高的保密容量。

    Dec, 2021