为了提高无人机基站(unmanned aerial vehicle base stations,UAV-BS)为地面多用户服务时的数据速率,提出一种基于决斗深度神经网络(dueling deep Q-network,Dueling-DQN)的深度强化学习(deep reinforcement learning,DRL)算法。采用决...
详细信息
为了提高无人机基站(unmanned aerial vehicle base stations,UAV-BS)为地面多用户服务时的数据速率,提出一种基于决斗深度神经网络(dueling deep Q-network,Dueling-DQN)的深度强化学习(deep reinforcement learning,DRL)算法。采用决斗网络(dueling network,DN)结构以克服动态环境的部分可观测问题,联合优化了UAV-BS的位置和下行链路功率分配,在更符合实际的空地概率信道模型中检验了Dueling-DQN算法的性能。结果表明,相较于对比算法,所提出的Dueling-DQN算法可以提供更高的数据速率和服务公平性,且随着地面用户数量的增大,算法的优势更加明显。Dueling-DQN算法可有效解决复杂非凸性问题,为UAV-BS的资源分配问题提供理论参考。
受多径传输环境的影响,在智能天线测向研究中,必须考虑相干信源的存在。针对相干信源的波达方向(Direction of Arrival,DoA)估计问题,提出了一种基于虚拟阵列平移的改进MUSIC算法。仿真结果表明:在相干信源入射角度差异很小(约5°)...
详细信息
受多径传输环境的影响,在智能天线测向研究中,必须考虑相干信源的存在。针对相干信源的波达方向(Direction of Arrival,DoA)估计问题,提出了一种基于虚拟阵列平移的改进MUSIC算法。仿真结果表明:在相干信源入射角度差异很小(约5°)的情况下,该算法依然能准确地估计;同时,该算法不损失阵列孔径,最多可估计出M-1(M为阵元数)个相干信源;此外,该算法具有同时适用于相干信源和非相干信源目标方位估计的优点。
在SDN移动自组网络中,控制转发策略集中于控制器中,使得基于流表匹配的数据转发变得简单高效。但是,由于移动自组网环境复杂多变、无线信号不稳定和网络拓扑多变等原因,容易出现数据层面失去控制器控制和流表学习老化等问题,这严重制约网络性能。针对以上问题,设计了一种基于Open v Switch的SDN移动自组网络架构,架构包含状态处理与应用感知等核心功能。状态处理服务实现控制器与交换机连接状态的跟踪检测、Open Flow协议的状态匹配字段拓展和数据包在不同状态场景下进行感知处理等功能,应用感知服务实现转发策略在数据层面被灵活调度的功能。在Open v Switch和Ryu开源控制器上进行协议开发和原型系统搭建。实验结果表明,控制器连发生接故障后,业务恢复时延低于100 ms,流表项可以及时更新,这可以保障网络吞吐量的稳定性。因此,设计的架构有效减小控制器失连故障对通信的影响,增强了基于SDN的移动自组网络的稳定性和可靠性。
暂无评论