基于元学习的大规模无线系统优化
利用机器学习技术优化复杂系统的方法,通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果,本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。
Aug, 2019
本文提出了一种基于元学习的预编码器优化框架,用于直接优化具有部分发射机信道状态信息的速率分割多址(RSMA)预编码器。通过利用紧凑神经网络的过拟合来最大化明确的平均和速率表达式,我们有效规避了对任何其他训练数据的需求,同时最小化了总运行时间。数值结果表明,在中等规模场景中,基于元学习的解决方案可以达到与传统预编码器优化相似的和速率性能,在大规模情况下明显优于次优的低复杂度预编码器算法。
Jul, 2023
本文主要研究机器学习技术在智能反射表面(IRS)辅助的无线网络中,通过优化驱动的机器学习框架实现性能的最大化,结果表明该方法相比于传统的 “无模型” 学习方法,在收敛性和奖励性能方面都有着优势。
Aug, 2020
本文介绍了一种考虑到能量收集和无线信道的自适应空中无线通信系统,并利用深度强化学习算法设计功率控制和波束成形策略,以最大化长期总和速率性能。
Jun, 2023
本研究比较了深度确定性策略梯度(DDPG)和多目标贝叶斯优化(BO)两种方法,并利用实验表明 BO 比 DDPG 收敛更快,少用两个数量级的计算。这些结果表明数据驱动技术可以有效地进行无线蜂窝网络的覆盖和容量自优化。
Oct, 2020
通过使用机器学习和增强学习等技术,本文讨论了如何优化并提高支持可重构智能表面的 6G 网络性能,并探讨了大语言模型与强化学习相结合的新机遇。
May, 2024
通过多个关键接入点(APs)和自适应重构智能表面(STAR-RISs)的新型网络架构,该研究论文提出了应对室内通信中干扰抑制、功耗和实时配置方面的挑战的解决方案,并采用多智能体深度强化学习(MADRL)来优化 STAR-RIS 的控制。通过模拟实验,论文证明了与基准方法相比,网络效用显著提高。
Jun, 2024
本文提出了一种利用无人机的可见光通信辅助非正交多址接入的方法,通过使用 Harris 鹰优化算法和人工神经网络,实现了实时应用并避免了落入传统训练器的 “局部最小值” 陷阱,证明了该算法 / HHO 训练器优于其他方案和现有元启发式算法。
Jan, 2021
在现有的网络基础设施限制下,本论文探讨了在实际部署的多小区网络中最大化总速率性能的技术。我们提出了一种创新方法,将基站之间信息交换的需求大幅减少至几位比特,相较于传统方法需要数百位比特的交换方式。这种方法不仅解决了当前网络基础设施所带来的限制,而且在这些约束条件下展示出显著改进的性能。
Apr, 2024
本研究使用强化学习方法,将两个设备间的无线通信建模为优化双向通信策略的问题,以此解决传统无线通信领域所面临的问题,如人工频谱稀缺、无法动态分配频率等。实验结果表明所提出的方法具有优越的学习能力和智能性。
Jan, 2018