基于深度学习的无线网络资源分配
本文提出了一种基于深度神经网络的学习算法来近似数值优化算法,在无线资源管理的应用中,此算法可以在几乎实时完成资源分配,大大提高了计算效率。同时,本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近,并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。
May, 2017
本研究探讨在无线通信系统中设计最优资源分配策略。使用深度神经网络进行训练,同时解决主次变量优化问题。通过数值模拟,验证了所提出方法在许多无线资源分配问题中的有效性。
Jul, 2018
本文研究了在无线网络中解决分布式非凸约束优化问题的深度学习框架,其中使用基于本地信息的有效状态分配。通过引入深度神经网络,将原始问题转化为基于非凸约束的 DNN 的训练任务,并开发了一种基于原始 - 对偶方法的约束训练策略,为分布式实现开发了一种新的输出二值化技术。实验结果证实了该方法的有效性。
May, 2019
本文介绍深度学习在车联网中用于资源分配的关键动因和障碍,并回顾了近期在利用深度学习哲学解决无线资源分配问题方面取得的重要成果。通过深度强化学习和优化技术,探究当前设计方法所面临的挑战,并提出未来资源分配研究的一些方向。
Jul, 2019
使用深度无监督学习方法(DUL)来解决无线通信领域中的资源分配问题,该方法通过使用自定义的损失函数对深度神经网络进行训练。结果表明,使用该方法可以在更短的时间内获得接近最优解的结果。
Mar, 2021
本文提出了一种基于深度学习的资源分配策略,通过优化带宽和传输功率来最小化基站的总功耗,并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明,相对于全连接神经网络,在 QoS 保证方面,级联神经网络的性能更好。
Mar, 2020
本文介绍了无监督学习和强化学习算法,用于解决无模型或函数优化问题,其中深度神经网络可用于维度较高的可变优化问题,而强化学习适用于不可行的情况,并以用户关联问题为例进行模拟和应用验证。
Jan, 2020
本文介绍了一种基于深度神经网络的无监督学习框架,以解决多用户干扰信道中的功率控制问题,该问题的目标是在用户的最低数据速率或 QoS 要求和功率预算限制下最大化网络总速率,并使用两个新的深度学习(DL)解决方案:DIPNet 和 DEPNet,这些解决方案不仅可以提高可达数据速率,而且可以实现零约束违规概率。
May, 2023
本文阐述了在 5G 和 B5G 网络的资源调度问题上应用深度学习模型的相关体系结构和数据训练程序,并提供了现有基于深度学习模型在无线网络资源分配问题方面的最新研究进展。同时,介绍了一种基于监督学习的深度学习模型,在多小区网络中解决子带和功率分配问题。使用遗传算法生成的数据,首先根据数据训练模型,然后测试所提出的模型的准确性,仿真结果表明,训练的深度学习模型可以在 86.3%的时间内提供期望的最优解。
Aug, 2018