基于LTE的窄带M2M通信系统覆盖增强研究

M2M通信是今后通信行业发展热点之一,因当前LTE具有覆盖范围广、运营成本低、支持向后扩展和系统容量高的特点,LTE必将成为未来M2M业务最重要的承载网络.通过分析M2M通信的业务特征,提出一种嵌入宽带中的窄带低功耗M2M通信设计方案;基于LTE TTI绑定机制提出了几种接收设计方案,以达到更深的覆盖范围;同时能够降低终端功耗和成本.通过搭建实际的软件和硬件平台,对提出的几种方案的性能进行了测试.结果表明:提出的方案相比LTE系统可获得17~21dB的覆盖性能增强.     

面向实时业务的快速公平性分组调度算法

长期演进系统(long term evolution,LTE)中的分组调度算法需要满足一定的QoS.针对最大权值时廷优先算法(modified large weighted delay first,M-LWDF)在用户公平性方面的缺陷,提出了基于线性优先级和非线性优先级的M-LWDF算法,以达到提升用户公平性的目的.仿真结果表明,所提出的算法能够在牺牲少量系统吞吐量的情况下,较大程度地改善用户公平性和业务的丢包率.     

LTE-A系统中基于RS的信号均衡的SINR估计算法

为了提高先进的长期演进(LTE-advanced,LTE-A)移动通信系统的传输效率,研究了提高子带的信干噪比(signal interference ratio,SINR)估计精度的问题,提出了一种利用参考信号(reference signal,RS)的信号均衡估计SINR的算法,该算法通过本地RS和均衡后的RS的方差计算SINR,与直接利用最小二乘法(least square, LS)计算参考信号接收功率(reference signal received power,RSRP)和干扰噪声(noise)得到SINR的传统算法相比,在增加有限复杂度情况下,SINR的估计精度有明显提高,特别是在终端处于高速移动?多普勒效应比较明显的信道环境下,SINR估算性能提升更加明显,从而提高系统的传输效率?     

一种基于深度强化学习的SDN路由算法

为解决软件定义网络(SDN)中的流量工程(TE)问题,提出了一种深度强化学习路由(DRL-Routing)算法.该算法使用较全面的网络信息来表示状态,并使用一对多的网络配置来进行路由选择,奖励函数可以调整往返路径的网络吞吐量.仿真结果表明,DRL-Routing可以获得更高的奖励,并且经过适当的训练后,能使各交换机之间...     

基于消息反馈与强化学习的节能路由算法

针对中小型规模水下无线传感器网络中存在的节点能量消耗不均衡、网络生命周期较短的问题,提出一种基于强化学习(RL)与消息反馈机制的能量均衡路由算法,将水下路由问题建模成马尔可夫过程,采用Q-Learning方法并设计直接奖励函数对节点转发路径进行决策;引入节点转发适宜度规避转发过程中的疑似空洞节点;改进空节点数据包恢复方...     

基于强化学习的仿生机器鱼节能研究

利用仿生机器鱼平台, 模拟鱼类集群游动过程, 通过实验方法探究机器鱼集群游动时的能量节省问题。具体地, 将两条机器鱼按照一定的前后距离和左右距离固定在低湍流水洞中, 并正对来流方向; 控制前方(领航)机器鱼游动姿态的变化, 使得后方(跟随)机器鱼处在变化的流场环境中。基于强化学习理论, 建立跟随机器鱼在该流场环境下游动所消耗的能量值与其游动姿态之间的映射关系; 利用该映射关系, 获得跟随机器鱼能量消耗最小值对应的游动姿态信息, 并将该信息反馈至机器鱼运动控制器中, 调整机器鱼游动姿态,达到节省机器鱼能量的目标。     

一种新型的基于效用函数的LTE-A系统预编码资源调度算法

为了消除共信道干扰(CCI),研究了LTE-A系统基于码本的预编码算法,与用户调度算法相结合,提出了一种基于效用函数的调度算法。该算法计算系统内所有用户的时延和速率效用函数,并判定用户的优先级,长时延或低速率的用户将被优先调度。仿真结果表明,基于效用函数的调度算法,在保证用户吞吐率的前提下,与最大吞吐率调度算法相比,兼顾了时间公平性;与比例公平调度算法相比,有更小的时间和空间复杂度,更适用于小区用户拥挤的场景。     

一种基于模型的强化学习算法

收敛速度是衡量机器学习算法的一个重要指标,在强化学习中,如果算法不充分利用从每次学习中获取的经验知识,算法的收敛速度则比较缓慢;为了提高强化学习的收敛速度,文章将环境模型的学习引入到强化学习过程中,首先学习环境模型,然后根据所得的新模型重新指导强化学习过程,在Linux下的RoboCup仿真平台上对该算法进行了验证,实验结果证明了其有效性.     

基于深度强化学习的分布式能源系统运行优化

分布式能源系统凭借其高效、环保、经济、可靠、和灵活等特点成为中国能源未来发展的重要方向。目前中国的很多分布式能源系统经济效益较差,主要原因是能源系统没有良好的运行策略。提出了一种基于深度强化学习的分布式能源系统运行优化方法。首先,对分布式能源系统的各个设备进行数学建模;其次,深入阐述了强化学习的基本原理、深度学习对强化学习的结合原理及一种基于演员评论家算法的分布式近端策略优化(distributed proximal policy optimization, DPPO)算法流程,将分布式能源系统运行优化问题转化为马尔可夫决策过程(Markov decision process, MDP);最后,采用历史的数据对智能体进行训练,训练完成的模型可以实现对分布式能源系统的实时优化,并对比了深度Q网络(deep Q network, DQN)算法和LINGO获得的调度策略。结果表明,基于DPPO算法的能源系统调度优化方法较DQN算法和LINGO得到的结果运行费用分别降低了7.12%和2.27%,可以实现能源系统的经济性调度。     

基于覆盖效率的蜂窝网络协作节能优化算法

为了提高无线蜂窝网络的覆盖效率,根据未来蜂窝系统多用户、多业务、多载波、多协议的动态特性,研究基站覆盖效率和能量效率的性能特性,分析覆盖冗余度、业务强度在时间域和空间域上的动态分布,建议一种基于覆盖效率的蜂窝网络协作节能优化算法.该算法根据获得的信息使基站按照特定概率在休眠和激活模式之间动态切换,通过邻基站间的协作对基站激活概率进行优化.仿真表明,该算法能够以较低的复杂度获得显著的性能提升.     

基于深度强化学习的高频交易优化算法

为解决高频交易的高额交易费用问题,该文提出了一种融合长短期记忆(LSTM)网络细胞结构的深度确定性策略梯度交易算法。该算法利用细胞结构对当前信息和历史特征进行环境特征提取和保存,用于指导交易决策。通过深度确定性策略梯度算法实现在线自动交易,并考虑了交易费率和收盘价格对奖励函数的影响。在上证50指数基金的分钟级数据上进行实验,结果表明,该算法能有效捕获稍纵即逝的交易机会,是一种低风险高收益的稳健型投资策略;LSTM细胞结构和所设的奖励函数能大幅减少交易次数,不仅增加了算法对交易费率的包容性,还提升了收益的稳定性。     

基于感兴趣区域聚集层的强化学习算法的目标检测

在传统深度强化学习的目标检测基础上,提出了一种基于感兴趣区域聚集层的策略,改进传统深度强化学习中使用RoIPooling层将感兴趣区域池化为固定尺寸时造成的像素偏差.首先遍历整个感兴趣区域,保持感兴趣区域的浮点数边界;然后将感兴趣区域平均分割成7×7个矩阵单元,保持每个矩阵单元的边界也是浮点数;最后在每个矩阵单元中使用...     

基于SCMA的无人机中继辅助上行通信方案

为提高蜂窝通信系统的上行总吞吐量,在满足用户服务质量需求的前提下,提出了一种基于稀疏码多址接入(sparse code multiple access,SCMA)的无人机中继辅助上行通信方案,通过部署无人机增强网络覆盖,并利用SCMA提高系统传输性能。根据用户的分布和概率视距传输模型,通过交替优化码本、功率和无人机坐标,确定无人机的3维部署位置;进行资源优化后,根据信道状态信息,对子载波进行配对并迭代码本、功率,以获得优化的码本和功率分配方案。仿真结果表明,提出的方案能够有效提高上行吞吐量,并满足用户的服务质量需求。     

基于LTE-Advanced上行链路的多级迭代干扰消除检测算法

针对先进的长期演进(long term evolution advanced,LTE-Advanced)上行链路多输入多输出(multiple-input multiple-output,MIMO)单载波频分多址(single carrier frequency division multiple access,SC-FDMA)系统载波频率偏移(carrier frequency offset,CFO)的影响,提出了基于多级迭代干扰消除检测算法.将传统的单级串行干扰消除(successive interference cancellation,SIC)和并行干扰消除(parallel interference cancellation,PIC)进行混合迭代形成多级的迭代干扰消除检测算法以降低MIMO SC-FDMA系统的误比特率.理论分析和仿真结果表明两级PIC迭代检测算法和SIC+ PIC混合迭代检测算法都能实现MIMO SC-FDMA系统CFO干扰消除的目的,降低了MIMO SC-FDMA系统的误比特率,提高了系统的性能.     

基于深度图强化学习的低轨卫星网络动态路由算法

为了解决高移动性导致卫星网络路由难以计算的问题,融合图神经网络和深度强化学习,提出一种基于深度图强化学习的低轨卫星网络动态路由算法。考虑卫星网络拓扑和卫星间链路的可用带宽、传播时延等约束,构建卫星网络状态,通过图神经网络对其进行表示学习;根据此状态的图神经网络表示,深度强化学习智能体选择相应的决策动作,使卫星网络长期平均吞吐量达到最大并保证平均时延最小。仿真结果表明,所提算法在保证较小时延的同时,还能提升卫星网络吞吐量和降低丢包率。此外,图神经网络强大的泛化能力使所提算法具有更好的抗毁性能。     

基于分布式算法在WSN中的能耗最小化优化研究

如何有效利用节点能量并延长网络的生存期是研究无线传感器网络的一个核心问题.在已有的集中式算法的基础上,提出了一种分布式优化的方法,使无线传感网络中无损数据收集时的能量消耗最小化,此方法主要是通过将传输功率和压缩传输速率进行合理的配置来实现,运用拉格朗日对偶分解法,可以把能量最小化这个问题分解为能够被传感节点本身分布式解决的子问题.通过仿真结果可得,分布式算法相比集中式算法能使目标函数更快收敛从而达到能耗最小化.