为了降低视距(Line of Sight,LOS)和非视距(Non-Line of Sight,NLOS)混合场景下无线定位的误差,提出一种基于交互式多模型-卡尔曼滤波(Interactive Multiple Model-Kalman Filter,IMM-KF)的残差选择NLOS定位算法。构建适用于LOS的多边...
详细信息
为了降低视距(Line of Sight,LOS)和非视距(Non-Line of Sight,NLOS)混合场景下无线定位的误差,提出一种基于交互式多模型-卡尔曼滤波(Interactive Multiple Model-Kalman Filter,IMM-KF)的残差选择NLOS定位算法。构建适用于LOS的多边定位模型和适用于NLOS的残差选择3边定位模型,通过似然概率加权估计两个模型的融合位置。结合卡尔曼滤波进行误差估计确定残差,得到最优的位置估计值,从而降低计算复杂度和由计算不准确导致的模型失配问题。仿真结果表明,所提算法在混合场景中NLOS噪声服从高斯分布、指数分布及均匀分布下,定位精度优于其他对比算法,能有效降低NLOS误差。
对车联网中多个车辆用户设备(Vehicle User Equipment,VUE)卸载过程中的资源分配问题进行研究,提出一种时延感知的计算卸载和资源分配策略。采用支持向量机将卸载任务根据时延和能耗的要求选择移动边缘计算(Mobile Edge Computing,MEC)...
详细信息
对车联网中多个车辆用户设备(Vehicle User Equipment,VUE)卸载过程中的资源分配问题进行研究,提出一种时延感知的计算卸载和资源分配策略。采用支持向量机将卸载任务根据时延和能耗的要求选择移动边缘计算(Mobile Edge Computing,MEC)服务器辅助卸载和VUE辅助卸载两种处理模式,考虑MEC服务器的计算资源分配以及车到车链路复用蜂窝链路的干扰问题,建立最小化总成本的优化问题。最后,使用深度竞争双Q网络算法完成不同处理模式下相应的资源分配过程。为了验证所提策略的有效性,将其与基于深度Q网络算法的资源分配策略、基于正交多址接入的资源分配策略和随机资源分配策略等3种策略相比。验证结果表明,所提策略可以在最大时延限制内有效降低卸载总成本。
暂无评论