为提高OFDM(Orthogonal Frequency Division Multiplexing)系统通信衰落信道估计性能,提出一种基于深度神经网络的信道估计模型DeReNet。通过串联深度密集网络和深度残差网络,抑制网络训练中出现的梯度爆炸和消失问题。将该模型与LS(Lea...为提高OFDM(Orthogonal Frequency Division Multiplexing)系统通信衰落信道估计性能,提出一种基于深度神经网络的信道估计模型DeReNet。通过串联深度密集网络和深度残差网络,抑制网络训练中出现的梯度爆炸和消失问题。将该模型与LS(Least Square)、FC-DNN(Full Connection Dense Neural Network)和SimNet(Simplified Deep Neural Networks)模型进行仿真实验对比,结果表明,在莱斯衰落环境下该模型的信道估计性能更好,能有效提高信道衰落的估计精度。展开更多
针对工业物联网中业务需求多样性和服务质量(Quality of Service,QoS)要求差异性导致的网络资源利用低问题,提出一种基于深度强化学习的网络切片资源分配策略。该策略运用深度强化学习优化网络切片资源分配的准入控制,通过智能体在特定...针对工业物联网中业务需求多样性和服务质量(Quality of Service,QoS)要求差异性导致的网络资源利用低问题,提出一种基于深度强化学习的网络切片资源分配策略。该策略运用深度强化学习优化网络切片资源分配的准入控制,通过智能体在特定时间窗口内处理资源请求,并根据不同网络切片的QoS要求及请求准入结果进行资源的动态分配。实验结果表明,所提策略相比基准算法在提高网络收益、资源利用率和接收率方面分别提升了8.33%、9.84%和8.57%。该策略能够在保证服务质量的同时提高整个网络的效率和性能。展开更多
文摘针对工业物联网中业务需求多样性和服务质量(Quality of Service,QoS)要求差异性导致的网络资源利用低问题,提出一种基于深度强化学习的网络切片资源分配策略。该策略运用深度强化学习优化网络切片资源分配的准入控制,通过智能体在特定时间窗口内处理资源请求,并根据不同网络切片的QoS要求及请求准入结果进行资源的动态分配。实验结果表明,所提策略相比基准算法在提高网络收益、资源利用率和接收率方面分别提升了8.33%、9.84%和8.57%。该策略能够在保证服务质量的同时提高整个网络的效率和性能。
