Feb, 2024

基于师生学习的低复杂度无线供能通信中的中继选择

PDF
TL;DR射频能量收集（RF-EH）网络是大规模物联网的关键推动因素，通过为能量受限设备提供可控和长距离的能量传输来实现。本研究主要探讨多源多中继射频能量收集网络中非线性能量收集情况下的联合中继选择、调度和功率控制问题。首先，在给定中继选择情况下求解调度和功率控制问题的最优解。然后，将中继选择问题表述为一个分类问题，并提出了两种基于卷积神经网络（CNN）的架构。第一种架构采用传统的 2D 卷积块，并受益于层之间的跳连连接；第二种架构将其替换为启示块，以减小具有内存限制应用的可训练参数的大小，而不损失准确性。为进一步降低运行时复杂性，采用师生学习，其中师网络更大，学生网络是基于较小尺寸 CNN 的架构，提取师网络的知识。采用一种新的二分搜索算法来确定学生网络的最佳架构。我们的模拟结果表明，所提出的解决方案提供了比最先进的迭代方法更低的复杂性，而不会损害最优性。
radio frequency energy harvestingrelay selectionschedulingpower controlconvolutional neural network
发现论文，激发创造
  • 基于卷积神经网络的异构网络子信道和功率分配的能效优化

    本文旨在解决异构网络在 5G 系统中网络流量爆炸的问题，提出了一个新的基于卷积神经网络的子信道和功率分配算法，以最大化 EE 性能，与传统迭代方法相比，运行时间低至 6.76％仍能达到全局最优解。

    Mar, 2019

  • 射频能量收集的无线网络：现代综述

    本文对无线网络中的射频能量收获网络（RF-EHNs）进行广泛的文献综述，并包括系统架构、射频能量收获技术、电路设计以及专门为 RF-EHNs 设计的通信协议等关键设计问题。

    Jun, 2014

  • 无线信息与能量传输信号及系统设计的学习方法

    利用深度神经网络 (DNN) 自编码器实现发送器和接收器的联合优化，以获得不同电量和信息率需求下的调制星座，并发现随着接收器能量需求的增加，除一个调制符号外，所有的符号都聚集在原点附近，并且另外一个符号沿着实部或虚部子通道远离原点。

    Oct, 2018

  • 基于强化学习的物联网系统中多接入控制和能量收集电池预测

    本文研究小型 IoT 系统中的能量收集、访问控制和电池预测问题，提出了基于强化学习和深度 Q 网络的三种算法，实验结果表明这些算法在性能上比现有基准方法更优秀。

    May, 2018

  • 自组织低功耗物联网网络：一种分布式学习方法

    本研究通过自学习、分布式学习的方法，适应环境，使物联网设备之间的通信参数最大程度优化，实现能源效率和通信可靠性的提高，并与中心化方式进行对比，结果显示本方法能显著提升物联网通信的能源效率和可靠性，在低成本和低功耗的物联网应用中具有很好的应用前景。

    Jul, 2018

  • 中继辅助的合作式联邦学习

    介绍了一种利用中继增强联邦学习效率的方案，利用无线超定理传输实现局部模型更新上传，通过交替优化算法进行转发器和中继操作的优化，单中继情况下实现模型聚合误差更小。

    Jul, 2021

  • 无线系统通过异步多用户深度强化学习实现交接控制

    本文提出了一个两层框架，使用深度强化学习进行异步的多用户控制，用于学习在支持移动物联网用户或传统蜂窝用户的大规模无线系统中，以降低手动切换率并确保一定的系统吞吐量。

    Jan, 2018

  • 能量收集无线传感器网络的能量效率优化学习

    研究无线能量传输的最大化能量效率，使用基于上限置信区间的算法解决多臂赌博问题，非常有效并具有实际应用价值。

    Dec, 2020

  • 针对 5G 不同服务质量需求的无线资源分配的深度学习

    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

  • 联合定价与合作中继通信用于联邦学习

    采用中继网络构建合作通信平台支持模型更新传输和交易的博弈模型研究。

    Nov, 2018