利用机器学习进行卫星灵活载荷配置
通过机器学习技术在 5G 无线网络中实现非计划 URLLC 流量传输的研究,提出了一种分布式风险感知机器学习解决方案,从而可以实现计划或非计划 URLLC 流量的同时满足其严格的延迟和可靠性要求。
Dec, 2018
通过研究使用射频信号的射束管理协议,利用人工智能和机器学习的方法,探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。
Dec, 2023
最新的卫星通信 (SatCom) 任务以完全可重构的机载软件定义载荷为特征,能够根据系统流量的时空变化适应无线电资源。我们研究了在机载无线电资源管理中应用节能的脑启发式机器学习模型。除了软件模拟外,我们还使用最新发布的 Intel Loihi 2 芯片进行了大量的实验结果。通过在 Xilinx Versal VCK5000 上实现传统的卷积神经网络 (CNN),我们对不同流量需求的准确性、精确度、召回率和能源效率进行了详细比较,最显著的是,对于相关的工作负载,Loihi 2 上实现的脉冲神经网络 (SNNs) 在提高准确性的同时,将功耗降低了 100 倍以上,与基于 CNN 的参考平台相比。我们的发现指出了神经形态计算和 SNN 在支持机载 SatCom 操作方面的重要潜力,为未来 SatCom 系统的提高效率和可持续性铺平了道路。
Aug, 2023
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。
May, 2022
本文主要介绍了一个名为数据重要性感知无线资源管理的新技术,通过将主动学习中用于度量数据重要性的指标应用于无线资源管理以进行有效的分布式数据获取来解决边缘学习中的通信瓶颈问题。该技术通过 5G 网络连接数十亿的物联网设备,实现边缘计算并部署人工智能产生了广泛应用。
Nov, 2019
本文针对 5G 及更高版本中的高复杂度无线资源管理问题,通过引入基于深度强化学习的云计算和分布式决策方案,并结合压缩算法和空间迁移学习,提出一种实现绿色深度强化学习的架构和算法,为实现绿色智能设备带来了潜在的解决方案。
Oct, 2019
本研究提出一种多模态分布式机器学习框架(MultSL)来改善毫米波接收功率预测的准确性,该框架利用相机图像和射频(RF)信号进行输入,并运用以隐私保护和通信效率为基础的多模态分布式机器学习方法。实验评估表明,MultSL 比使用单一输入方式的基准模型具有更高的准确度。值得注意的是,通过将框架中的低段输出压缩 16 倍,无需损失准确度,可以获得 16 倍的通信延迟和 2.8%的更少隐私泄露。
Mar, 2020
使用基于代码本的波束选择和机器学习的位置辅助方法,解耦用户设备(UE)和基站(BS)之间的波束选择,通过可用位置信息降低波束选择开销。模拟结果表明,具有可用位置信息的解耦波束选择与基站的联合波束对选择性能相当,而无位置信息的解耦波束选择在足够的波束对扫描时,接近于基站的波束对选择性能。
Apr, 2024
通过实现面向 6G 及更高版本网络的基于数据驱动的 AI 原生架构,可以最终实现在网络边缘分布多个机器学习工作负载,驱动次级载波预测、定位、信道预测等下游任务。该研究探讨了多任务学习在构建通用 AI 原生无线接入网络方面的有效性,重点研究了次级载波预测、用户位置预测、室内链路分类和视线链路分类四项任务,在真实模拟中验证了性能,并得出了关于模型架构、损失和梯度平衡策略、分布式学习拓扑结构、数据稀疏性和任务分组等多方面设计要点的定量分析和见解,结果显示在四项考虑的任务中,采用基于定制门控的专家架构和基于不确定性的权重调节的多任务学习方法在性能上要么超过单任务学习,要么与其持平;在多任务学习设置下,视线链路分类任务有助于其他任务,但自身性能下降;对于稀疏训练数据,训练单一全局的多任务学习模型有帮助,但性能与单任务学习持平;每个任务存在一组最佳的任务组配对;多任务学习设置下的部分联邦要好于全模型联邦。
Apr, 2024