Nov, 2022

用于 WLAN 干扰估计的跨网络可转移神经模型

PDF
TL;DR本文采用基于实际数据的方法，研究 WLAN 中的干扰估计问题。并通过分析各种深度学习体系结构在准确性、泛化性和对异常数据的鲁棒性方面的控制比较，结论是图卷积网络（GCN）表现最佳，但如果不得不给出节点索引，则无法学习特定节点的行为。同时，还验证了 GCN 模型的泛化能力。
airtime interferencewlansinterference estimationdeep learninggraph convolutional networks
发现论文，激发创造
  • 使用卷积神经网络识别无线干扰

    本文提出了基于深度卷积神经网络的无线干扰识别方法，该方法在信噪比至少为 - 5 dB 时具有大于 95％的分类准确性，适用于 IEEE 802.11 b /g，IEEE 802.15.4 和 IEEE 802.15.1 网络的重叠频率通道。

    Mar, 2017

  • 一种用于可扩展无线功率控制的图神经网络方法

    本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

    Jul, 2019

  • 基于深度强化学习与图形卷积网络的无线局域网信道分配

    该研究旨在提出一种基于深度强化学习和图卷积网络的信道分配方案，使用 GCNs 提取 AP 拓扑结构的特征，进而在竞争图中提高学习速度和控制信道。该方法在模拟实验中表现优于现有方法。

    May, 2019

  • 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

  • 具备干扰和数据异质性认知的分层无线联邦学习

    这项研究提出了一种用于解决分层联邦学习在无线网络中可扩展性和干扰、设备数据异质性的挑战的学习方法，并通过优化的接收器归一化因子来减小干扰的影响。通过使用随机几何建模多簇无线网络并将聚合估计的均方误差作为网络参数的函数进行表征，论文证明了在干扰和数据异质性的情况下，所提出的方案实现了较高的学习准确性，并且可以显著优于传统的分层算法。

    Jan, 2024

  • 通过图神经网络的反事实优化进行无线电力控制

    通过利用网络拓扑结构创建图神经网络架构并使用反事实优化方法学习最优功率分配决策，实现在一定网络配置范围内，保证最低速率限制，达到平均用户速率和第 5 百分位用户速率之间的平衡。

    Feb, 2020

  • 深度学习用于干扰识别：波段，训练信噪比和样本选择

    研究了干扰源识别问题，应用深度学习算法识别 Bluetooth，Zigbee 和 WiFi 三种无线技术的 15 个信道，通过优化 CNN 网络的训练，可在保证分类准确率的前提下将训练时间缩短至原先的大约 1/30。

    May, 2019

  • 一种两部分的机器学习方法用于表征 A/B 测试中的网络干扰

    提出了一种基于机器学习的方法来识别和表征异质网络干扰，该方法通过引入因果网络模式和透明机器学习模型来建立反映潜在网络干扰模式的最适 exposure mapping，为管理网络干扰和提高 A/B 测试精确性提供了全面的自动化解决方案。

    Aug, 2023

  • 室内无线信道估计的深度学习方法与低功耗通信

    该研究论文探讨了深度学习在低功耗物联网通信中利用接收信号强度指示器（RSSI）进行准确信道估计的潜力，通过基于全连接神经网络（FCNN）的两个模型（A 和 B），它们分别实现了 99.02% 和 90.03% 的均方误差（MSE）减少。与其他深度学习技术相比，我们的估计模型表现出显著的效率优势。

    May, 2024

  • 未知和动态频谱环境下的无线电信号分类深度学习

    本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

    Sep, 2019