Biblioteca122.294 documentos en línea

Artículo

Double Deep Recurrent Reinforcement Learning for Centralized Dynamic Multichannel AccessAprendizaje profundo recurrente doble para acceso multicanal dinámico centralizado.

Resumen

Consideramos el problema de acceso multicanal dinámico para maximización de la transmisión en redes de comunicación inalámbrica multiusuario. El objetivo es encontrar una estrategia multiusuario que maximice la utilización global de canales con baja colisión de manera centralizada sin ningún conocimiento previo. Obtener una solución óptima para el acceso multicanal dinámico centralizado es un problema extremadamente difícil debido al gran espacio de estados y acciones. Para abordar este problema, desarrollamos un marco de acceso multicanal dinámico centralizado basado en una red neuronal Q doble profunda recurrente. El nodo centralizado primero mapea el estado actual directamente a acciones de asignación de canales, lo cual puede superar la computación prohibitiva en comparación con el aprendizaje por refuerzo. Luego, el nodo centralizado puede seleccionar fácilmente múltiples canales al maximizar la suma de funciones de valor basadas en una red neuronal entrenada. Finalmente, el método propuesto evita colisiones entre usuarios secundarios a través de una política de asignación centralizada.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento