摘要:随着物联网(IoT, internet of things)基站的部署愈发密集,网络干扰管控的重要性愈发凸显。物联网中,设备常采用随机接入,以分布式的方式接入信道。在海量设备的物联网场景中,节点之间可能会出现严重的干扰,导致网络的吞吐量性能严重下降。为了解决随机接入网络中的干扰管控问题,考虑基于协作接收的多基站时隙Aloha网络,利用强化学习工具,设计自适应传输算法,实现干扰管控,优化网络的吞吐量性能,并提高网络的公平性。首先,设计了基于Q-学习的自适应传输算法,通过仿真验证了该算法面对不同网络流量时均能保障较高的网络吞吐量性能。其次,为了提高网络的公平性,采用惩罚函数法改进自适应传输算法,并通过仿真验证了面向公平性优化后的算法能够大幅提高网络的公平性,并保障网络的吞吐性能。
摘要:针对智能反射面(IRS, intelligent reflecting surface)辅助的多输入单输出(MISO, multiple input single-output)无线携能通信(SWIPT, simultaneous wireless information and power transfer)系统,考虑基站最大发射功率、IRS反射相移矩阵的单位膜约束和能量接收器的最小能量约束,以最大化信息传输速率为目标,联合优化了基站处的波束成形向量和智能反射面的反射波束成形向量。为解决非凸优化问题,提出了一种基于深度强化学习的深度确定性策略梯度(DDPG, deep deterministic policy gradient)算法。仿真结果表明,DDPG算法的平均奖励与学习率有关,在选取合适的学习率的条件下,DDPG算法能获得与传统优化算法相近的平均互信息,但运行时间明显低于传统的非凸优化算法,即使增加天线数和反射单元数,DDPG算法依然可以在较短的时间内收敛。这说明DDPG算法能有效地提高计算效率,更适合实时性要求较高的通信业务。
摘要:3GPP在版本16(R16, Release 16)中升级了最小化路测(MDT, minimization of drive test)技术,提出移动终端可利用4G/5G网络自主上报Wi-Fi信号的接收信号强度指示(RSSI, received signal strength indicator),为运营商度量Wi-Fi网络的覆盖率带来了可能性。然而,现有基于MDT技术的网络覆盖度量方法严重依赖GPS提供的位置坐标,但全球定位系统(GPS, global positioning system)不能提供室内精准定位,无法用于室内Wi-Fi网络的覆盖度量。为此,提出了一种不依赖位置坐标的RSSI聚类方法,充分利用室内相近位置RSSI的统计相似性,区分不同位置的RSSI测量差异,在无位置坐标条件下准确估计出室内Wi-Fi网络的覆盖率。实验结果表明,所提方法估计的覆盖率与基于真实位置坐标测量的覆盖率相近,度量准确度明显优于现有的其他方法。