May, 2022

基于机器学习的卫星 - 高空平台 - 地面一体化网络的用户调度

PDF
TL;DR本文介绍了机器学习在综合空地海网络中用户调度上的应用，着重探讨了深度神经网络在优化用户调度策略上的优点，并提出了一些未来发展中的挑战和问题。
integrated space-air-ground networks6gmachine learninguser schedulingresource management
发现论文，激发创造
  • 基于真实卫星、飞行和航运数据的深度学习辅助空中 - 地面 - 空运综合网络路由

    本文提出了一种空 - 空 - 地 - 海一体化网络，通过深度学习算法帮助多目标路由，利用商用客机来增强以卫星为基础的海上通信，以降低端到端延迟，提高通信吞吐量并改善路径寿命，达到近似 Pareto 最优的性能

    Oct, 2021

  • 利用人工智能优化空中地面一体化网络

    该文章提出使用人工智能技术优化基于空气和地面系统集成网络，例如利用深度学习技术优化卫星数据流量的分配以提高网络性能。

    Aug, 2018

  • 面向延迟的物联网任务调度的深度强化学习在空天地一体化网络中的应用

    本文旨在设计一种任务调度策略，以最小化所有任务的离线和计算延迟，同时满足无人机能源容量约束下的延迟导向物联网服务需求，并考虑到任务到达动态变化的情况，提出了基于风险敏感的强化学习算法来解决能耗风险约束下的决策问题。

    Oct, 2020

  • 基于深度学习的混合 MEC 网络联合资源调度算法

    本文旨在提出一种基于深度学习和优化算法的混合式移动边缘计算方案，包含地面站、地面车辆和无人机，通过实时联合优化地面车辆和无人机的位置、用户关联和资源分配，以达到在线减少 UE 设备的能耗。

    Nov, 2019

  • 未来高空平台站 (HAPS) 网络的愿景和框架

    本文章通过综述最新技术与相关文献，提出了高空平台站（HAPS）作为下一代无线网络不可或缺的组成部分的前景与框架，并强调了其在服务大都市地区方面的独特能力。文章还介绍了 HAPS 能量和负载系统的最新进展和有前途的技术，并建议在 HAPS 系统通信负载中集成新兴的可重构智能表面（RSS）技术以提供一种经济有效的部署方式。同时，本文还详细概述了 HAPS 系统的无线电资源管理和物理层技术，并介绍了 HAPS 系统中手 off 管理的众多方面。最后，文章强调了人工智能在 HAPS 中的显着贡献，包括机器学习在设计、拓扑管理、手 off 和资源分配等方面的应用。

    Jul, 2020

  • 空间深度学习用于无线调度

    本篇研究论文讨论如何使用深度学习方法，通过利用发射机和接收机之间的地理位置，不需要通道估计，对干扰链路的优化调度算法，提出了一种新的神经网络结构。并针对现有的基于模型的方法提出了相对公正的基于比例的调度方法。实际测试表明，该方法可适用于大型网络和不同链路密度的部署，并有效地提高了网络效用。

    Aug, 2018

  • 利用机器学习进行卫星灵活载荷配置

    该研究论文介绍了一种基于机器学习的无线资源管理方法，加入环境感知度量评估通信系统整体性能的机器学习模型的资源分配决策的影响。

    Oct, 2023

  • 基于 AI 的 NOMA NTNs 中的无线电和计算资源分配与路径规划：在 CSI 不确定性下减小 AoI

    用空中计算框架由高空平台和无人机组成，解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题，通过调整无人机轨迹和资源分配来最小化用户的数据时延，使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解，显示任务调度显著降低了数据时延。

    May, 2023

  • 利用图神经网络方法进行纳米卫星任务调度：学习混合整数模型的洞见

    本研究探讨了如何使用图神经网络（GNN）更有效地调度纳米卫星任务，并将优化问题表示为二分图。同时，应用可解释性人工智能（XAI）确定对学习表现影响最大的要素。结果表明 GNN 对于调度纳米卫星任务是一种可能有效的方法，并突出了可解释性机器学习模型在挑战性组合优化问题上的优点。

    Mar, 2023

  • 面向下一代超级卫星网络的人工智能技术

    本文介绍了应用 AI 技术进行集成陆地卫星网络，特别是超大型卫星网络通信。文章详细介绍了超大型卫星网络的独特功能和与其集成到当前通信基础设施中同时出现的挑战。此外，文章提供了有关通信链的各个层面的最先进的 AI 技术的见解。

    Jun, 2022