CN108990141A - 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法 - Google Patents
一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法 Download PDFInfo
- Publication number
- CN108990141A CN108990141A CN201810795991.5A CN201810795991A CN108990141A CN 108990141 A CN108990141 A CN 108990141A CN 201810795991 A CN201810795991 A CN 201810795991A CN 108990141 A CN108990141 A CN 108990141A
- Authority
- CN
- China
- Prior art keywords
- time slot
- energy
- time
- network
- study
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/38—TPC being performed in particular situations
- H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法,包括以下步骤:1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量,其中,优化问题描述为一个多变量优化问题;2)将问题P1分解为两部分优化:功率子优化和时隙子优化,即通过深度多网络学习的方法优化变量pi和来得到最优的ri。本发明提供一种在集能型无线中继网络中通过联合时间调度和功率分配实现以最大吞吐量最大化系统效益的方法。
Description
技术领域
本发明涉及集能型无线中继网络技术领域,尤其是一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法。
背景技术
由于无线设备和新兴多媒体业务的激增,移动数据流量一直呈指数级增长。由于诸如路径损耗,阴影和小规模衰落的信道损耗,越来越多的室内和边缘用户可能会遇到低质量的服务性能。为了克服这种障碍,中继辅助接入技术已经被提出作为开发能量效率和空间分集以提高室内和小区边缘用户服务质量的有价值的解决方案。中继基站将作为边缘用户与宏蜂窝基站之间进行通信的中转站。
然而,密集地部置中继基站所产生的能耗以及随之带来的温室气体(如二氧化碳)排放量也是巨大的。出于对环境及经济效益的双重考量,能量采集技术被引入到无线中继网络中,中继基站及无线设备通过采集可再生能源(如太阳能,风能,热电,机电和环境射频能量等)进行供电已成为提高绿色中继网络能源效率和减少温室气体排放总量的可行技术。然而,由于可再生能量到达的不连续性,为了提供可靠的数据传输及网络吞吐量保障,对可再生能量优化管理变得尤为重要。
发明内容
为了避免由于信道和可再生能量不确定性导致用户服务质量下降的问题,本发明提供一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法。
本发明解决其技术问题所采用的技术方案是:
一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法,所述方法包括以下步骤:
1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量,其中,优化问题描述为一个多变量优化问题:
P1:
受限于:(约束条件1)
(约束条件2)
(约束条件3)
(约束条件4)
(约束条件5)
在此,问题P1的各参数定义如下:
pi:中继节点在时隙i的传输功率;
ri:中继节点在时隙i的数据率;
τi:源节点在时隙i的传输时间;
中继节点在时隙i的传输时间;
ui:源节点在时隙i的数据率;
hi:中继节点到目的节点的信道增益;
Ei:中继节点在时隙i时所采集的能量;
Emax:中继节点的电池最大容量;
Qmax:中继节点的数据缓存容量;
L:单个时隙长度;
T:传输时隙数;
W:网络带宽;
2)单个神经网络由多个神经元和连接两个神经元的神经链路组成,其中,单个神经元所进行的数学运算,如下所示:
在此,各参数定义如下:
yj:第j个神经元的输出;
f:激活函数;
wij:连接神经元i和神经元j的权重;
xi:前一层神经元i的输出;
bj:第j个神经元的偏置。
3)将问题P1分解为两部分优化:功率子优化和时隙子优化,即通过优化变量pi和来得到最优的ri,其中,通过深度多网络学习的方法来优化中继节点在各时隙i上的传输功率pi和传输时间从而最终决定问题P1中各时隙i的数据率ri之和的最大化;
将各时隙i的数据率ri作为深度多网络学习中所有神经网络的输入,然后生成一个能使各时隙i的数据率ri之和最大的传输功率pi和传输时间即功率分配和时间调度;深度多网络学习中的神经网络用于传输功率pi和传输时间预测,也是学习过程的核心,它接收各时隙i的数据率ri然后预测出多种功率分配和时间调度方案,然后通过计算选出这些功率分配和时间调度方案中最好的一个,最后再以好的那个功率分配和时间调度方案作为神经网络的预测目标来优化统一优化所有神经网络,使其在下一次预测中能预测得更准,能选出几乎最优的解;然后不断重复这个过程中,每个神经网络都会预测得越来越准,直至收敛。
进一步,所述步骤3)中,深度多网络学习的迭代过程为:
步骤3.1:初始化深度多网络学习中的各个网络,并给每个神经网络不同的初始参数,迭代次数k初始化为1;
步骤3.2:当k小于或等于给定迭代次数K时,将各时隙i的数据率ri作为神经网络的输入,预测出多个功率分配和时间调度方案;
步骤3.3:通过计算,选出这这些功率分配和时间调度方案中能使问题P1更大的那个功率分配和时间调度方案;
步骤3.4:将效果最好的功率分配和时间调度方案和输入的各时隙i的数据率ri配对,组成一组带标签的数据,保存下来供神经网络学习;
步骤3.5:运用梯度下降算法和上一过程的数据,不断减小每一个神经网络的误差,使其不断被优化,预测得更准,同时令k=k+1,回到步骤3.2;
步骤3.6:当k大于给定迭代次数K时,学习过程结束,得到最优的功率分配和时间调度。
本发明的技术构思为:首先,我们将功率分配和时间调度作为二种可控网络资源联合起来考虑,实现以端到端的最大吞吐量最大化系统效益。换言之,希望获得一个最佳的传输功率和时间调度方案使得网络吞吐量最大化的同时,总传输功率消耗最小。接着,通过深度多网络学习获得最佳传输功率pi和传输时间从而得到最佳的传输功率和时间调度,实现以最大化吞吐量的最大化系统效益。
本发明的有益效果主要表现在:1、对整个集能型无线中继网络系统而言,优化功率分配和时间调度可以减少系统的资金花费,而且中继基站所产生的能耗以及随之带来的温室气体(如二氧化碳)排放量也能随之降低。集能型无线中继网络,不仅可以降低总功率消耗,而且可以提高网络的传输速率,达到端到端的最大化吞吐量,增加网络的系统效益;2、对网络运营商而言,最佳的时隙和功率分配可以使网络系统服务更多的用户,并降低由于路径损耗,阴影和小规模衰落的信道损耗等原因所导致的低质量服务的概率,从而增加用户信誉,进一步增加其利润。
附图说明
图1是集能型无线中继网络的示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1,一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法,换言之,即通过联合功率分配和时间调度实现以端到端最大化吞吐量的最大化系统效益。本发明基于一种集能型无线中继网络系统(如图1所示)。在集能型无线中继网络系统中,通过深度多网络学习优化功率分配和时间调度,达到最大传输速率。发明在有限的数据缓存和储能电池条件下,针对集能型无线中继网络中的时间调度和功率控制问题,提出了吞吐量最大化的可再生能量优化方法,所述方法包括以下步骤:
1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量,其中,优化问题描述为一个多变量优化问题:
P1:
受限于:(约束条件1)
(约束条件2)
(约束条件3)
(约束条件4)
(约束条件5)
在此,问题P1的各参数定义如下:
pi:中继节点在时隙i的传输功率;
ri:中继节点在时隙i的数据率;
τi:源节点在时隙i的传输时间;
中继节点在时隙i的传输时间;
ui:源节点在时隙i的数据率;
hi:中继节点到目的节点的信道增益;
Ei:中继节点在时隙i时所采集的能量;
Emax:中继节点的电池最大容量;
Qmax:中继节点的数据缓存容量;
L:单个时隙长度;
T:传输时隙数;
W:网络带宽;
2)单个神经网络由多个神经元和连接两个神经元的神经链路组成,其中,单个神经元所进行的数学运算,如下所示:
在此,各参数定义如下:
yj:第j个神经元的输出;
f:激活函数;
wij:连接神经元i和神经元j的权重;
xi:前一层神经元i的输出;
bj:第j个神经元的偏置;
3)将问题P1分解为两部分优化:功率子优化和时隙子优化,即通过优化变量pi和来得到最优的ri,其中,通过深度多网络学习的方法来优化中继节点在各时隙i上的传输功率pi和传输时间从而最终决定问题P1中各时隙i的数据率ri之和的最大化;
将各时隙i的数据率ri作为深度多网络学习中所有神经网络的输入,然后生成一个能使各时隙i的数据率ri之和最大的传输功率pi和传输时间即功率分配和时间调度;深度多网络学习中的神经网络用于传输功率pi和传输时间预测,也是学习过程的核心,它接收各时隙i的数据率ri然后预测出多种功率分配和时间调度方案,然后通过计算选出这些功率分配和时间调度方案中最好的一个,最后再以好的那个功率分配和时间调度方案作为神经网络的预测目标来优化统一优化所有神经网络,使其在下一次预测中能预测得更准,能选出几乎最优的解;然后不断重复这个过程中,每个神经网络都会预测得越来越准,直至收敛。
进一步,所述步骤3)中,深度多网络学习的迭代过程为:
步骤3.1:初始化深度多网络学习中的各个网络,并给每个神经网络不同的初始参数,迭代次数k初始化为1;
步骤3.2:当k小于或等于给定迭代次数K时,将各时隙i的数据率ri作为神经网络的输入,预测出多个功率分配和时间调度方案;
步骤3.3:通过计算,选出这这些功率分配和时间调度方案中能使问题P1更大的那个功率分配和时间调度方案;
步骤3.4:将效果最好的功率分配和时间调度方案和输入的各时隙i的数据率ri配对,组成一组带标签的数据,保存下来供神经网络学习;
步骤3.5:运用梯度下降算法和上一过程的数据,不断减小每一个神经网络的误差,使其不断被优化,预测得更准,同时令k=k+1,回到步骤3.2;
步骤3.6:当k大于给定迭代次数K时,学习过程结束,得到最优的功率分配和时间调度。
本实施例中,图1是本发明有关集能型中继基站的无线中继网络。在该集能型无线中继网络系统中,通过优化时间调度和功率分配可以减少系统的资金花费,而且中继基站所产生的能耗以及随之带来的温室气体(如二氧化碳)排放量也能随之降低。集能型无线中继网络系统,不仅可以降低总功率消耗,而且可以提高网络的传输速率,达到端到端的最大化吞吐量,增加网络的系统效益。
本实施着眼于在满足每个用户服务质量的条件下,通过控制用户传输功率和优化时间调度来实现以最小总传输功率消耗最大化端到端吞吐量。我们的工作可以使得网络运营商获得最大利润,尽可能多地服务用户,节省网络资源,提高整个网络的性能,实现最大化的网络系统效益。
Claims (2)
1.一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法,其特征在于:所述方法包括以下步骤:
1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量,其中,优化问题描述为一个多变量优化问题:
P1:
受限于:(约束条件1)(约束条件2)
(约束条件3)(约束条件4)(约束条件5)
在此,问题P1的各参数定义如下:
pi:中继节点在时隙i的传输功率;
ri:中继节点在时隙i的数据率;
τi:源节点在时隙i的传输时间;
中继节点在时隙i的传输时间;
ui:源节点在时隙i的数据率;
hi:中继节点到目的节点的信道增益;
Ei:中继节点在时隙i时所采集的能量;
Emax:中继节点的电池最大容量;
Qmax:中继节点的数据缓存容量;
L:单个时隙长度;
T:传输时隙数;
W:网络带宽;
2)单个神经网络由多个神经元和连接两个神经元的神经链路组成,其中,单个神经元所进行的数学运算,如下所示:
在此,各参数定义如下:
yj:第j个神经元的输出;
f:激活函数;
wij:连接神经元i和神经元j的权重;
xi:前一层神经元i的输出;
bj:第j个神经元的偏置;
3)将问题P1分解为两部分优化:功率子优化和时隙子优化,即通过优化变量pi和来得到最优的ri,其中,通过深度多网络学习的方法来优化中继节点在各时隙i上的传输功率pi和传输时间从而最终决定问题P1中各时隙i的数据率ri之和的最大化;
将各时隙i的数据率ri作为深度多网络学习中所有神经网络的输入,然后生成一个能使各时隙i的数据率ri之和最大的传输功率pi和传输时间即功率分配和时间调度;深度多网络学习中的神经网络用于传输功率pi和传输时间预测,也是学习过程的核心,它接收各时隙i的数据率ri然后预测出多种功率分配和时间调度方案,然后通过计算选出这些功率分配和时间调度方案中最好的一个,最后再以好的那个功率分配和时间调度方案作为神经网络的预测目标来优化统一优化所有神经网络,使其在下一次预测中能预测得更准,能选出几乎最优的解;然后不断重复这个过程中,每个神经网络都会预测得越来越准,直至收敛。
2.如权利要求1所述的一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法,其特征在于:所述步骤3)中,深度多网络学习的迭代过程为:
步骤3.1:初始化深度多网络学习中的各个网络,并给每个神经网络不同的初始参数,迭代次数k初始化为1;
步骤3.2:当k小于或等于给定迭代次数K时,将各时隙i的数据率ri作为神经网络的输入,预测出多个功率分配和时间调度方案;
步骤3.3:通过计算,选出这这些功率分配和时间调度方案中能使问题P1更大的那个功率分配和时间调度方案;
步骤3.4:将效果最好的功率分配和时间调度方案和输入的各时隙i的数据率ri配对,组成一组带标签的数据,保存下来供神经网络学习;
步骤3.5:运用梯度下降算法和上一过程的数据,不断减小每一个神经网络的误差,使其不断被优化,预测得更准,同时令k=k+1,回到步骤3.2;
步骤3.6:当k大于给定迭代次数K时,学习过程结束,得到最优的功率分配和时间调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810795991.5A CN108990141B (zh) | 2018-07-19 | 2018-07-19 | 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810795991.5A CN108990141B (zh) | 2018-07-19 | 2018-07-19 | 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108990141A true CN108990141A (zh) | 2018-12-11 |
CN108990141B CN108990141B (zh) | 2021-08-03 |
Family
ID=64549228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810795991.5A Active CN108990141B (zh) | 2018-07-19 | 2018-07-19 | 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108990141B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109769292A (zh) * | 2019-01-31 | 2019-05-17 | 哈尔滨工业大学(深圳) | 资源分配方法、系统、设备及计算机介质 |
CN111064501A (zh) * | 2019-12-23 | 2020-04-24 | 广东工业大学 | 基于无人机双中继通信系统的资源优化方法 |
CN117692917A (zh) * | 2024-02-01 | 2024-03-12 | 苏州抖文信息科技有限公司 | 用于无线通信网络的中继控制系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987905A (zh) * | 2006-12-14 | 2007-06-27 | 东华大学 | 一种基于模糊逻辑的神经网络输入参数筛选方法 |
CN104036329A (zh) * | 2014-05-16 | 2014-09-10 | 浙江大学 | 一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法 |
CN105228180A (zh) * | 2015-09-29 | 2016-01-06 | 江苏大学 | 一种基于节点转发能力估计的车载容迟网络路由方法 |
CN107229693A (zh) * | 2017-05-22 | 2017-10-03 | 哈工大大数据产业有限公司 | 基于深度学习的大数据系统配置参数调优的方法和系统 |
CN107592144A (zh) * | 2017-08-29 | 2018-01-16 | 广西师范大学 | Eh‑mimo能量收集及多天线通信系统的节点天线选择方法及装置 |
CN107659967A (zh) * | 2017-08-25 | 2018-02-02 | 浙江工业大学 | 一种集能型无线中继网络吞吐量最大化的可再生能量优化方法 |
CN107666676A (zh) * | 2017-09-14 | 2018-02-06 | 浙江工业大学 | 一种集能型无线中继网络最大化系统吞吐量的在线控制方法 |
-
2018
- 2018-07-19 CN CN201810795991.5A patent/CN108990141B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987905A (zh) * | 2006-12-14 | 2007-06-27 | 东华大学 | 一种基于模糊逻辑的神经网络输入参数筛选方法 |
CN104036329A (zh) * | 2014-05-16 | 2014-09-10 | 浙江大学 | 一种基于多智能体协同寻优的含光伏微源主动配网拓扑重构方法 |
CN105228180A (zh) * | 2015-09-29 | 2016-01-06 | 江苏大学 | 一种基于节点转发能力估计的车载容迟网络路由方法 |
CN107229693A (zh) * | 2017-05-22 | 2017-10-03 | 哈工大大数据产业有限公司 | 基于深度学习的大数据系统配置参数调优的方法和系统 |
CN107659967A (zh) * | 2017-08-25 | 2018-02-02 | 浙江工业大学 | 一种集能型无线中继网络吞吐量最大化的可再生能量优化方法 |
CN107592144A (zh) * | 2017-08-29 | 2018-01-16 | 广西师范大学 | Eh‑mimo能量收集及多天线通信系统的节点天线选择方法及装置 |
CN107666676A (zh) * | 2017-09-14 | 2018-02-06 | 浙江工业大学 | 一种集能型无线中继网络最大化系统吞吐量的在线控制方法 |
Non-Patent Citations (4)
Title |
---|
ANDREA ORTIZ等: "Reinforcement Learning for Energy Harvesting Decode-and-Forward Two-Hop Communications", 《IEEE TRANSACTIONS ON GREEN COMMUNICATIONS AND NETWORKING》 * |
WU YUAN等: "Optimal Relay Selection and Power Control for Energy-Harvesting Wireless Relay Networks", 《IEEE ICC 2017 MOBILE AND WIRELESS NETWORKING》 * |
YIFEI WEI等: "User Scheduling and Resource Allocation in HetNets With Hybrid Energy Supply:An Actor-Critic Reinforcement Learning Approach", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 * |
YUAN WU等: "Optimal Relay Selection and Power Control for Energy-Harvesting Wireless Relay Networks", 《IEEE TRANSACTIONS ON GREEN COMMUNICATIONS AND NETWORKING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109769292A (zh) * | 2019-01-31 | 2019-05-17 | 哈尔滨工业大学(深圳) | 资源分配方法、系统、设备及计算机介质 |
CN111064501A (zh) * | 2019-12-23 | 2020-04-24 | 广东工业大学 | 基于无人机双中继通信系统的资源优化方法 |
CN111064501B (zh) * | 2019-12-23 | 2022-02-11 | 广东工业大学 | 基于无人机双中继通信系统的资源优化方法 |
CN117692917A (zh) * | 2024-02-01 | 2024-03-12 | 苏州抖文信息科技有限公司 | 用于无线通信网络的中继控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108990141B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A hybrid framework combining solar energy harvesting and wireless charging for wireless sensor networks | |
Zhou et al. | Wireless-powered cooperative communications: Power-splitting relaying with energy accumulation | |
CN109195207A (zh) | 一种基于深度强化学习的集能型无线中继网络吞吐量最大化方法 | |
CN107666676B (zh) | 一种集能型无线中继网络最大化系统吞吐量的在线控制方法 | |
CN107659967A (zh) | 一种集能型无线中继网络吞吐量最大化的可再生能量优化方法 | |
CN108990141A (zh) | 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法 | |
CN105451343A (zh) | 一种基于能量采集的多中继网络资源分配方法 | |
Li et al. | Globally optimal antenna selection and power allocation for energy efficiency maximization in downlink distributed antenna systems | |
Ng et al. | Energy-efficient power allocation for M2M communications with energy harvesting transmitter | |
Luo et al. | Optimal energy requesting strategy for RF-based energy harvesting wireless communications | |
CN109104734A (zh) | 一种基于深度确定性策略梯度的集能型无线中继网络吞吐量最大化方法 | |
Chen et al. | A deep learning based resource allocation scheme in vehicular communication systems | |
CN109089307B (zh) | 一种基于异步优势行动者评论家算法的集能型无线中继网络吞吐量最大化方法 | |
CN107276704B (zh) | 两层Femtocell网络中基于能效最大化的最优鲁棒功率控制方法 | |
Ayatollahi et al. | Reinforcement learning in MIMO wireless networks with energy harvesting | |
Ahmed et al. | Power allocation for a hybrid energy harvesting relay system with imperfect channel and energy state information | |
CN108521672B (zh) | 一种分布式无线能量和信息传输系统的资源分配方法 | |
Baidas | Distributed energy-efficiency maximization in energy-harvesting uplink NOMA relay ad-hoc networks: game-theoretic modeling and analysis | |
CN109041195A (zh) | 一种基于半监督学习的集能型无线中继网络吞吐量最大化方法 | |
Iqbal et al. | Throughput maximization for full duplex wireless powered communication networks | |
Li et al. | Online power allocation for sum rate maximization in TDD massive MIMO systems | |
CN110191431B (zh) | 一种电池容量衰减下的最大化网络效用的方法 | |
Chien et al. | Optimizing energy efficiency in multi-user OFDMA systems with genetic algorithm | |
Tang et al. | Energy states aided relay selection and optimal power allocation for cognitive relaying networks | |
Ahmed et al. | Optimal power allocation for a hybrid energy harvesting transmitter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |