针对加强的长期演进LTE-A(Long Term Evolution-Advanced)网络下机器对机器M2M(Machine-to-Machine)通信上行链路的能量效率问题,提出一种基于LTE-A网络中M2M通信上行链路调度的资源分配算法。构建系统模型与定义最大能量效率目标函数;...针对加强的长期演进LTE-A(Long Term Evolution-Advanced)网络下机器对机器M2M(Machine-to-Machine)通信上行链路的能量效率问题,提出一种基于LTE-A网络中M2M通信上行链路调度的资源分配算法。构建系统模型与定义最大能量效率目标函数;通过对原系统模型重构将具有非线性约束条件能量效率最优问题化解为二维背包问题;采用Charnes-Cooper变换和Glover的线性化方案,使该NP-Hard问题转化为混合整数线性规划MILP(Mixed-integer linear programming)问题。仿真结果表明,该方法相比与轮询算法和比例公平算法,能较大幅度地提高能量效率,降低丢包率。展开更多
针对机器对机器(machine-to-machine,M2M)通信在加强的长期演进(long term evolution-advanced,LTE-A)网络上行链路能量效率问题,文章提出了一种基于强化学习的M2M通信上行链路节能优化算法。首先建立M2M通信能量效率模型,并将其重构为...针对机器对机器(machine-to-machine,M2M)通信在加强的长期演进(long term evolution-advanced,LTE-A)网络上行链路能量效率问题,文章提出了一种基于强化学习的M2M通信上行链路节能优化算法。首先建立M2M通信能量效率模型,并将其重构为二维背包问题;然后使用强化学习的方法,引进并训练指针网络模型;最后通过主动搜索的策略解决该背包问题。仿真结果表明,相比于经典算法,当设备规模很大时,该算法性能更优,保证设备服务质量(quality of service,QoS)需求和公平性的同时,优化系统能效并降低数据的丢包率。展开更多
在室内定位中,行人航迹推算(Pedestrian Dead Reckoning, PDR)的主要优点在于,其仅需要用户拥有智能手机就能实现定位,无须依赖外部环境,但是存在较大的累积误差,通常需要结合蓝牙、WiFi、地磁等技术融合定位来改善定位精度。此类方法...在室内定位中,行人航迹推算(Pedestrian Dead Reckoning, PDR)的主要优点在于,其仅需要用户拥有智能手机就能实现定位,无须依赖外部环境,但是存在较大的累积误差,通常需要结合蓝牙、WiFi、地磁等技术融合定位来改善定位精度。此类方法需要架构一定的硬件节点且需要构建大量指纹数据库信息。针对该问题,提出了一种基于机器对机器(Machine to Machine, M2M)区域内纠正PDR的室内定位方法。该方法首先在行人行进过程中设置一个距离测量区域,其次在该区域内测量行人手机与其他手机的距离,最后通过三边定位方法进行定位,校正PDR的定位误差和精度。该方法不需要额外铺设其他硬件设施。实验结果表明,相比传统的PDR定位,该方法适合较长时间定位且平均定位误差降为0.36 m,具有较高的定位精度。展开更多
文摘针对加强的长期演进LTE-A(Long Term Evolution-Advanced)网络下机器对机器M2M(Machine-to-Machine)通信上行链路的能量效率问题,提出一种基于LTE-A网络中M2M通信上行链路调度的资源分配算法。构建系统模型与定义最大能量效率目标函数;通过对原系统模型重构将具有非线性约束条件能量效率最优问题化解为二维背包问题;采用Charnes-Cooper变换和Glover的线性化方案,使该NP-Hard问题转化为混合整数线性规划MILP(Mixed-integer linear programming)问题。仿真结果表明,该方法相比与轮询算法和比例公平算法,能较大幅度地提高能量效率,降低丢包率。
文摘针对机器对机器(machine-to-machine,M2M)通信在加强的长期演进(long term evolution-advanced,LTE-A)网络上行链路能量效率问题,文章提出了一种基于强化学习的M2M通信上行链路节能优化算法。首先建立M2M通信能量效率模型,并将其重构为二维背包问题;然后使用强化学习的方法,引进并训练指针网络模型;最后通过主动搜索的策略解决该背包问题。仿真结果表明,相比于经典算法,当设备规模很大时,该算法性能更优,保证设备服务质量(quality of service,QoS)需求和公平性的同时,优化系统能效并降低数据的丢包率。
文摘在室内定位中,行人航迹推算(Pedestrian Dead Reckoning, PDR)的主要优点在于,其仅需要用户拥有智能手机就能实现定位,无须依赖外部环境,但是存在较大的累积误差,通常需要结合蓝牙、WiFi、地磁等技术融合定位来改善定位精度。此类方法需要架构一定的硬件节点且需要构建大量指纹数据库信息。针对该问题,提出了一种基于机器对机器(Machine to Machine, M2M)区域内纠正PDR的室内定位方法。该方法首先在行人行进过程中设置一个距离测量区域,其次在该区域内测量行人手机与其他手机的距离,最后通过三边定位方法进行定位,校正PDR的定位误差和精度。该方法不需要额外铺设其他硬件设施。实验结果表明,相比传统的PDR定位,该方法适合较长时间定位且平均定位误差降为0.36 m,具有较高的定位精度。
