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
随着移动通信技术不断创新与发展,对通信的可靠性和数据传输性能提出了更高要求。准确高效地获取信道状态信息(Channel State Information,CSI)是充分发挥无线通信系统各项技术潜能的关键前提。针对多输入多输出-正交频分复用(MIMO-OFDM...随着移动通信技术不断创新与发展,对通信的可靠性和数据传输性能提出了更高要求。准确高效地获取信道状态信息(Channel State Information,CSI)是充分发挥无线通信系统各项技术潜能的关键前提。针对多输入多输出-正交频分复用(MIMO-OFDM)系统中导频开销大及信道估计准确性低的问题,设计了一种基于深度学习的导频设计和信道估计联合优化方案(AE-DRSN)。该方案首先利用Concrete自编码器来识别和选择具有最大信息量的导频位置,从而实现导频优化。然后,将优化后的导频位置输入深度残差收缩网络获取更精确的CSI,进一步完成信道的精确估计。实验结果表明,与传统的信道估计方法相比,基于AE-DRSN的联合优化方案在少量的导频开销下仍能实现高精度的信道估计,充分验证了该方案的有效性。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。
文摘随着移动通信技术不断创新与发展,对通信的可靠性和数据传输性能提出了更高要求。准确高效地获取信道状态信息(Channel State Information,CSI)是充分发挥无线通信系统各项技术潜能的关键前提。针对多输入多输出-正交频分复用(MIMO-OFDM)系统中导频开销大及信道估计准确性低的问题,设计了一种基于深度学习的导频设计和信道估计联合优化方案(AE-DRSN)。该方案首先利用Concrete自编码器来识别和选择具有最大信息量的导频位置,从而实现导频优化。然后,将优化后的导频位置输入深度残差收缩网络获取更精确的CSI,进一步完成信道的精确估计。实验结果表明,与传统的信道估计方法相比,基于AE-DRSN的联合优化方案在少量的导频开销下仍能实现高精度的信道估计,充分验证了该方案的有效性。
文摘针对水下环境复杂性带来的多尺度目标检测挑战,提出了改进算法WPS-YOLOv8。设计了小波池化卷积模块(wavelet pooling convolution,WPConv),该模块通过小波池化技术降低通道压缩后特征图的分辨率,有效抑制了传统下采样过程中产生的频率混叠伪影,提升了特征提取质量和表达能力。提出了局部逐点分组重排卷积模块(partial pointwise group shuffle convolution,PGConv),该模块通过结合局部卷积与逐点卷积,能够在减少信息冗余的同时保持通道间的信息交互,弥补了深度可分离卷积的不足,增强了特征融合效果。提出了ShapeLoss损失函数,综合考虑影响不同尺度目标检测精度的因素,通过集成Shape-IoU和Shape-NWD两种损失测度,有效提升了对多尺度目标的总体检测精度。实验结果显示,相较于YOLOv8,WPS-YOLOv8在URPC2018和UTDAC2020水下数据集上的平均精度均值(mean average precision,mAP)分别提升了8.6和4.4个百分点,展现了其在水下多尺度目标检测中的出色表现。
