随着无线电通信的迅速发展,频谱资源日益紧张,各种干扰问题也越来越严重。其中,900 M Hz频段的干扰问题尤为突出。该文提出了一种基于信号特征分析和机器学习技术的900 MHz频段干扰自动定位方法,通过对干扰信号的频谱、时域、调制等特...随着无线电通信的迅速发展,频谱资源日益紧张,各种干扰问题也越来越严重。其中,900 M Hz频段的干扰问题尤为突出。该文提出了一种基于信号特征分析和机器学习技术的900 MHz频段干扰自动定位方法,通过对干扰信号的频谱、时域、调制等特征进行分析,建立干扰信号特征库,并利用机器学习算法对信号进行分类和定位。实验结果表明,该文提出的方法具有较高的干扰定位准确率和稳定性,能够有效地提高频谱资源利用效率的闭环。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
文摘随着无线电通信的迅速发展,频谱资源日益紧张,各种干扰问题也越来越严重。其中,900 M Hz频段的干扰问题尤为突出。该文提出了一种基于信号特征分析和机器学习技术的900 MHz频段干扰自动定位方法,通过对干扰信号的频谱、时域、调制等特征进行分析,建立干扰信号特征库,并利用机器学习算法对信号进行分类和定位。实验结果表明,该文提出的方法具有较高的干扰定位准确率和稳定性,能够有效地提高频谱资源利用效率的闭环。
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。
