本文针对MIMO场景下增强型移动宽带（Enhanced Mobile Broadband，eMBB）、超可靠低时延通信（Ultra-Reliable Low-Latency Communications，URLLC）和大规模机器类通信（Massive Machine Type Communications，mMTC）三类业务共存时的...
详细信息
本文针对MIMO场景下增强型移动宽带（Enhanced Mobile Broadband，eMBB）、超可靠低时延通信（Ultra-Reliable Low-Latency Communications，URLLC）和大规模机器类通信（Massive Machine Type Communications，mMTC）三类业务共存时的无线资源分配问题，提出将波束的正交空间方向视为带宽资源，并构建了混合整数非线性规划（Mixed-integer Nonlinear Programming，MINLP）资源分配模型。该模型利用现有eMBB业务的空间波束，在不降低eMBB业务性能的情况下为额外的URLLC/mMTC用户提供服务。为解决MINLP问题的非凸性挑战，本文分别从传统数学优化角度采用big-M方法和连续凸逼近（Successive Convex Approximation，SCA）方法，以及从深度强化学习（Deep Reinforcement Learning，DRL）角度引入近端策略优化（Proximal Policy Optimization，PPO）算法进行求解。仿真实验结果表明，基于PPO的叠加方法和基于SCA的叠加方法在多项关键性能指标上均显著优于基线算法，且DRL算法在保持较低复杂度的同时，其性能已接近SCA，进一步证明了DRL在未来有可能取代传统数学算法，成为解决复杂资源分配问题的有力工具。
在工业物联网（Industrial Internet of Things， IIoT）应用场景中，高精度定位技术至关重要。然而快速变化的场景环境，使得现有的定位方法无法进行快速适应新的场景信息。为了快速适应未知且不断变化的环境，解决数据稀缺条件下的工...
详细信息
在工业物联网（Industrial Internet of Things， IIoT）应用场景中，高精度定位技术至关重要。然而快速变化的场景环境，使得现有的定位方法无法进行快速适应新的场景信息。为了快速适应未知且不断变化的环境，解决数据稀缺条件下的工业物联网定位问题变得尤为迫切。为了提高射频（Radio Frequency，RF）数据的利用效率，本文提出了一种新的少样本学习定位算法。该算法通过在大规模地图上进行预训练，有效捕捉环境的信息，并利用注意力机制特征融合技术，对射频信号和这些潜在变量进行非线性融合处理，以实现高精度室内定位。仿真实验结果表明，与现有机器学习定位算法相比，所提出的算法在减少训练样本数量和微调时长方面取得了显著进展，标记数据成本减少约70%，微调时长减少约90%，从而显著降低了快速部署的成本。
暂无评论