车辆对一切(Vehicle to Everything,V2X)是智能交通系统的一项关键技术,可以提高道路安全和交通效率。为降低网络干扰,满足动态环境下不同车辆链路的服务质量(Quality of Service,QoS)要求,提出基于指纹深度强化学习(Deep Reinforcement...
详细信息
车辆对一切(Vehicle to Everything,V2X)是智能交通系统的一项关键技术,可以提高道路安全和交通效率。为降低网络干扰,满足动态环境下不同车辆链路的服务质量(Quality of Service,QoS)要求,提出基于指纹深度强化学习(Deep Reinforcement Learning,DRL)框架的车联网频谱分配和功率控制方案。首先通过随机网络的数据包到达过程分析,V2V链路的时延约束被转化为数据速率约束;然后,各个智能体利用深度神经网络来近似部分观测到的最优资源分配方案映射。同时为避免多智能体环境下的非平稳性,提出使用基于指纹的方式来提高学习稳定性。与其他算法相比,提出的算法能够有效提升网络中车对基站(Vehicle to Infrastructure,V2I)总用户信道容量,同时具有很好的稳定性。
在设计拓扑时,如何分配每颗卫星上有限的通信终端建立通信链路,构建一个性能良好的网络拓扑,成为了一个重要的研究问题。以平均月球中继卫星到地面站路径距离最小为优化目标,以卫星携带的通信终端数目、月球中继卫星与地面站的连通性为约束条件,提出了基于竞争决策思想的链路分配算法(Link Assignment Algorithm based on Competitive Decision, LAA-CD)和基于模拟退火法的链路分配算法(Link Assignment Algorithm based on Simulated Annealing,LAA-SA),并与贪婪算法进行对比。仿真结果表明,LAA-CD和LAA-SA算法下所得拓扑的平均月球中继卫星到地面站距离均小于贪婪算法,且LAA-CD算法能够有效降低算法的时间复杂度。进一步对比了两种星座,发现相比拉格朗日轨道卫星星座,在月球极轨道卫星星座下所得拓扑具有更小的平均距离,为空间信息网络分配提供技术支撑。
以5G为代表的未来移动接入网将采用集中式的云化网络架构,即基带处理单元(baseband unit,BBU)部署在中心机房,而远端射频单元(remote radio head,RRH)只保留射频处理功能或部分基带处理功能,二者的通信由前传链路承载.目前,以基于以太...
详细信息
以5G为代表的未来移动接入网将采用集中式的云化网络架构,即基带处理单元(baseband unit,BBU)部署在中心机房,而远端射频单元(remote radio head,RRH)只保留射频处理功能或部分基带处理功能,二者的通信由前传链路承载.目前,以基于以太的通用公共射频接口(Ethernet common public radio interface,eCPRI)为代表的采用移动通信物理层功能单元解耦的前传接口逐渐成为业界的一大主流,随之带来的问题是在这种接口划分下,前传接口数据量会随着移动业务量的变化而波动.为了保证高负载时期的链路传输质量,部署的链路容量往往参考链路峰值速率,这导致链路的利用率整体较低.针对此问题,本文提出了一种弹性量化精度的方案,在高负载状态采用低量化位数来降低前传接口链路的峰值速率,从而节省链路资源的部署.该方案通过仿真与实验进行了验证,结果显示此方案可以大约节省38%的链路资源.
在宽带高精度光子模数转换(Photonic Analog-to-Digital Converter,PADC)系统中,频综模块主要用于驱动PADC系统中的光开关阵列来实现并行解复用功能。介绍了PADC系统中的频综模块设计与实现,通过优化设计频综模块的内部器件可以调节光开关阵列的并行解复用性能,从而改善PADC系统的量化有效比特位数(Effective Number of Bits,ENOB)。实验对比分析了不同频综模块结构对PADC系统性能的影响,在9.812GHz的微波信号输入下的量化ENOB达7.73位,证明了频综模块优化设计方案的有效性。
暂无评论