CN113068243A - 一种基于决策树的双跳无线网络中继选择方法 - Google Patents
一种基于决策树的双跳无线网络中继选择方法 Download PDFInfo
- Publication number
- CN113068243A CN113068243A CN202110300904.6A CN202110300904A CN113068243A CN 113068243 A CN113068243 A CN 113068243A CN 202110300904 A CN202110300904 A CN 202110300904A CN 113068243 A CN113068243 A CN 113068243A
- Authority
- CN
- China
- Prior art keywords
- decision tree
- wireless network
- relay
- hop wireless
- relay selection
- 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.)
- Pending
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 65
- 238000010187 selection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 description 11
- 238000013139 quantization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 229960001484 edetic acid Drugs 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Radio Relay Systems (AREA)
Abstract
Description
技术领域
本发明涉及无线通信网络技术领域,具体涉及一种基于决策树的双跳无线网络中继选择方法。
背景技术
机器学习作为一种有效的人工智能技术,它可以用来完成各种任务。最近,人们已经尝试到将机器学习应用到无线通信中,例如使用k-NN和支持向量机SVM算法解决天线选择问题,使用SVM和贝叶斯方案解决了无线窃听通道中的天线选择问题。
中继选择是中继辅助网络中的一项重要技术,并在过去十年中得到了广泛的研究。传统的中继选择依赖于最大化算法和准确的信道状态信息(CSI)。当其他问题与中继选择共存时,例如多跳中继或子信道分配问题,还有成本和资源消耗的问题。优化驱动选择的瓶颈和机器学习的发展激发了我们探索全新的中继选择方法。
有学者研究出了一些方案,但是这些方案的计算复杂度较高,会导致资源浪费和较高的成本,因此,需要进一步改进。
发明内容
本发明的目的是提供一种基于决策树的双跳无线网络中继选择方法,运用机器学习的知识研究两跳无线网络中的中继选择问题。
为了达到上述目的,本发明通过以下技术方案实现:
一种基于决策树的双跳无线网络中继选择方法,所述双跳无线网络包括源节点S、目的节点D和K个中继,所述方法包括:
步骤S1,准备训练数据G={(x1,y1),(x2,y2),...,(xm,ym),...,(xM,yM)},其中(xm,ym)是由输入xm和输出ym组成的第m个样本,xm是包含K个特征的输入向量,ym表示最优策略选择的中继k*;
步骤S2,将训练数据G输入到决策树进行训练,构建决策树模型;
步骤S3,采用所述决策树模型进行双跳无线网络中继选择。
其中,gk表示通过中继rk从源节点S到目的节点D的等效信道增益,θ为信道状态信息阈值。
进一步的,传统算法的最佳k*按照以下公式计算:
其中,gk表示通过中继rk从源节点S到目的节点D的等效信道增益。
进一步的,所述双跳无线网络遵循DF协议,通过中继rk从源节点S到目的节点D的等效信道增益gk=min{gk,1,gk,2},gk,1=|hk,1|2,gk,2=|hk,2|2,hk,1和hk,2是从源节点S到中继rk以及从中继rk到目的节点D的负载信道系数,遵循参数λ的指数分布,因此,gk遵循参数2λ的指数分布。
进一步的,信道状态信息阈值θ按照如下方式确定;
通过数值仿真计算的方法获得能够使信息增益最大化的最佳阈值θ。
进一步的,信道状态信息阈值θ按照如下方式确定:
通过数值仿真计算的方法获得能够使基尼指数最大化的最佳阈值θ。
进一步的,所述决策树模型采用CART算法。
进一步的,所述决策树模型的分裂标准为信息增益或基尼指数。
本发明与现有技术相比,具有以下有益效果:
1、本发明具有较低的计算复杂度:在预测过程中,决策树不会对预测的每个输入要素进行测试。因此,本发明提供的预测最佳中继的计算复杂度低于基于最大化的算法。
2、本发明具有较小的反馈量:基于决策树的中继预测仅需要量化的信道状态信息(CSI),其是二进制值,并且每个信道仅占用1比特。
3、本发明具有量化的CSI反馈:估计量化的CSI并将其反馈给中央控制器,这对于难以获得准确CSI的网络来说是一个很大的优势。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图:
图1为本发明一实施例提供的一种基于决策树的双跳无线网络中继选择方法的流程图;
图2为基于决策树的中继选择系统模型图;
图3为最优θ的数值分析图;
图4为四种方案的性能比较图;
图5为正确比率图。
具体实施方式
以下结合附图1~5和具体实施方式对本发明提出的技术方案作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
本发明提供的一种基于决策树的双跳无线网络中继选择方法,将中继选择划分为一个多类别分类问题,提出一种基于决策树的解决方案,通过对每个中继的等效信道状态信息进行二进制量化生成输入特征,消除了中继选择对最大化算法的依赖。采用两个分裂标准来优化量化参数,即信息增益和基尼指数,最后的仿真结果验证了量化阈值的最优性,表明基于决策树的中继选择方案可以达到与最优选择相当的平均端到端速率。与现有技术相比,本发明基于决策树的中继选择的优点在于较低的计算复杂度,较小的反馈量和量化的信道状态信息要求。
本发明提供一种基于决策树的双跳无线网络中继选择方法,所述双跳无线网络包括源节点S、目的节点D和K个中继,如图1所示,所述方法包括:
步骤S1,准备训练数据G={(x1,y1),(x2,y2),...,(xm,ym),...,(xM,yM)},其中(xm,ym)是由输入xm和输出ym组成的第m个样本,xm是包含K个特征的输入向量,ym表示最优策略选择的中继k*;
步骤S2,将训练数据G输入到决策树进行训练,构建决策树模型;
步骤S3,采用所述决策树模型进行双跳无线网络中继选择。
首先对本发明所述的双跳无线网络的系统模型进行介绍。在本发明中,如图2所示,双跳网络包含源节点(S)、目的节点(D)和由r1,r2,...,rk,...,rK表示的K个解码转发(DF)中继。假设覆盖范围足够大,不存在直接链接。为了便于分析,本发明考虑中继位于集群中的集群中继场景,并且所有中继的无线信道都是独立同分布的瑞利衰落。hk,1和hk,2是从源节点到中继rk以及从中继rk到目的节点的复杂信道系数。遵循DF协议,通过中继rk从源节点到目的节点的等效信道增益由gk=min{gk,1,gk,2}表示,gk,1=|hk,1|2,gk,2=|hk,2|2,hk,1和hk,2遵循参数λ的指数分布,因此,gk遵循参数2λ的指数分布。
双跳传输中的常规中继选择是集中式的和优化驱动的,中央控制器收集所有中继的gk,1和gk,2,选择端到端最大化速率Rk的中继,通过式(1)解决优化问题,这里σ2表示复零均值高斯噪声的方差,P表示两跳的发射功率。
将平均E2E速率作为评估不同中继选择方案性能的指标,由式(2)计算得出,
下面对本发明的基于决策树的中继选择的具体方法进行介绍。
本发明考虑用有监督的机器学习解决中继选择问题。具体而言,本发明将中继选择问题建模为K类分类问题,根据训练数据构建分类树模型,并预测当前CSI所属的分类标签。基于决策树的中继选择包括三个阶段:S1准备训练数据,S2构建决策树模型和S3预测中继选择。
S1准备训练数据:基于决策树的中继选择所使用的训练数据定义为G={(x1,y1),(x2,y2),...,(xm,ym),...,(xM,yM)},其中(xm,ym)是由输入xm和输出ym组成的第m个样本,ym表示最优策略的中继选择结果,并且由式(1)计算得出,xm是包含K个特征(F={F1,F2,...,FK})的输入向量,如公式(3)所示,其中表示Fk的值;
将gk,1和gk,2转换成离散特征,由公式(4)计算得到,其中θ是预定的信道状态信息阈值,从{0,1}中取值;在准备训练数据时,中央控制器需要精确的gk,1和gk,2值,以便计算最佳中继选择结果并生成ym,然后,将gk,1和gk,2代入公式(4)得到进而得到xm,把包含输入xm和输出ym的M个样本打包作为训练数据G。该过程在源节点与目的节点之间通信之前离线进行;
S2构建决策树模型:基于训练数据G中M个样本的输入xm和输出ym训练得到决策树模型的方法属于现有技术。构建阶段是选择具有最高分裂标准的最佳特征,然后通过特征值测试分割当前数据集的递归过程,在每个分支上重复该过程,直到满足一个停止标准;分裂标准是一个用来判断一组特定特征数据纯度的指标,最常用的分裂标准包括信息增益和基尼指数,将分裂标准低于阈值或样本数小于阈值,或F为空的情况定义为停止标准。决策树模型可使用现有的ID3,C4.5或CART(分类和回归树)算法。
S3预测中继选择:在进行中继选择时,将x=[x1,x2,…,xk,…,xK]输入已训练得到的决策树模型,决策树模型将输出y,即预测的中继选择结果。具体而言,令和使用与特征提取公式(4)相同的参数表示gk,1和gk,2的量化结果。和的值取自{0,1},因此发送它们中的每一个仅需要1比特,x由公式(5)计算得到;从根节点开始,x的特征由当前节点定义的规则测试,并遵循正确的分支,直到到达叶节点。
整个过程总结如下:
本实施例中,信道状态信息阈值θ在提取输入要素中起着重要作用,如何确定θ的值会极大地影响决策树的性能。信息增益和基尼指数是描述数据分裂纯度的两个标准,信息增益衡量分裂后的熵损失,而基尼指数是衡量样本被错误分类的概率。本发明按照上述两个分裂标准推导,目的是通过最佳的计算推导来优化θ。
A、信息增益优化
信息增益表示数据集被Fk分割后的信息熵的变化。因为所有无线链接都经历瑞利衰落,所以,若输入样本的大小足够大,则每个特征的信息增益是相同的。因此,阈值优化的策略是最大化每个特征的信息增益,如下式(6)所示:
H1(θ)和H0(θ)是两个分支的熵,表示为
当i=k时,
当i≠k时,
将上式代入(8),得到
H0(θ)的推导过程与H1(θ)相同。
当i=k时,
当i≠k时,
把(13)和(14)代入(9)将获得
结合以上得出的所有结果,可以获得信息增益的表达式。现在,考虑两种极端情况:θ<<2λ和θ>>2λ。
因为信息增益是严格的凹函数,所以存在一个θ最大化信息增益的最佳值。很难明确表达最优θ,因此我们可以通过数值仿真计算的方法得到它。
B、基尼指数优化
为了方便比较,将基尼指数定义为基尼杂质的变化。假设考虑了特征Fk,θ被优化为
在与信息增益相同的极端情况分析之后,可以得出结论,存在最优的θ最大化基尼指数并且可以通过数值仿真计算的方法获得。
注意,θ的这种优化方法仅适用于聚集(i.i.d.)场景,其中所有中继CSI具有相同的平均值。在独立的非同分布(i.n.i.d.)场景中,该方案然有效,但需要设计一种新的θ优化方法。
下面对本发明的方法进行性能评估,具体步骤为:
A.仿真模拟结果
通过数值仿真计算的方法检索最优θ,然后采用CART算法构建决策树,由CART算法采用Gini指数作为分裂准则并构建二叉树,通过Matlab生成了104个服从Rayleigh衰落的CSI样本,把所有样本输出的平均E2E率作为性能指标,将传统的优化驱动选择方法和随机选择方法作为基准,为了比较,提出了使用和的Q-最优中继选择方案,Q-最优中继选择方法是给定量化的CSI的最优方案。如图3所示。
首先,本发明展示了分裂标准的数值结果,在图3中,可以找到θ的最佳值,图中还描述了通过Monte Carlo模拟计算得出的平均E2E速率,作为一个优化验证的判断标准。曲线的最佳点用小方块标记,当λ=1时,可以看到存在一个同时取得最佳信息增益和基尼指数的点。同时,该值也使平均E2E率最大化,这证明了最优θ的存在。当λ=0.5时,三条曲线的最佳点仍然重合。由于信道质量的下降,θ的最佳值变大。值得一提的是,可以采用两个分裂标准中的任何一个,因为它们都在同一个θ点取得最大化。
在图4中,将基于决策树的中继选择的性能与最优选择、随机选择和Q-最优作比较。描述了四种方案在不同中继数量下的平均E2E速率,可以很明显地观察到基于决策树的方案的平均E2E率随着K的增加而增加,这证明了中继选择的优势。还可以观察到,与最优选择相比,基于决策树的方案具有平和的损失率。性能差距随着K的增长而增加,因为最佳选择会选择具有最佳CSI的中继,其CSI随K的增长而增加。相反,本发明所提出的方案使用二进制量化结果作为信道信息,不能像最佳方案一样受益于更大的K。另一个重要的观察结果是,由小方块标记的Q-最佳的平均E2E率与本发明的方案的曲线一致。这意味着如果仅有量化的CSI可用,则本发明的方案可以实现最佳性能。
正确率,即分类的准确性,定义为正确分类的样本数与总数之比。如图5所示,可以看到平均E2E速率和正确率的比较图,可以观察到在取得最大化平均E2E速率的时候,并没有取得最佳正确率。回想一下,当最佳的θ使得分割标准最大化的同时,也会使得平均端到端速率最大化。由此可以得出结论,与常规分类指标(例如正确率)相比,通信指标更适合评估基于决策树的中继选择的性能。
B.成本分析
在表1中比较了基于决策树的选择,最佳选择,Q最优和随机选择的成本。
(1)计算复杂性:优化驱动的中继选择方案依赖于最大化算法和O(K)的成本复杂性。决策树预测的复杂性由树深度决定,导致平均时间复杂度低于O(K)。以平衡树为例,其复杂度为O(log2K)。收集培训数据和建立决策树是一次性初始化程序。使用gk生成xm,计算得出ym会导致O(KM)复杂性。构建决策树包括选择最佳特征和分割数据集,其计算复杂度为O(KMlog2 M)。
表1中继选择方案比较
方案 | 最优选择 | Q最优选择 | 随机选择 | 决策树选择 |
复杂度 | O(k) | O(k) | O(1) | O(log<sub>2</sub>K) |
反馈量(比特) | 16*2K | 2K | 无 | 2K |
CSI要求 | 准确 | 量化 | 无 | 量化 |
(2)反馈量:在最佳方案中,反馈所有中继的和需要2K实数,而在实际网络中则要花费16×2K位。在决策树预测中,和是二进制数,并且每个反馈仅采用2K比特。训练阶段是一次初始化,需要M个精确的CSI样本和16×2KM比特反馈。如果一个时隙是0.5ms,则决策树预测的反馈量是2K×103比特每秒,节省30K×103比特每秒。
(3)CSI准确度:优化驱动方案需要准确的CSI,而本发明提出的基于决策树的方案仅需要量化的CSI。这相较于难以获得某些节点的准确的CSI网络来说是一种优势。
综上所述,本发明提出了一种基于决策树的双跳无线网络中继选择方案。通过对每个中继的等效CSI进行二进制量化来生成离散特征。推导出了两个最佳分裂标准,即信息增益和基尼指数,然后用他们来优化量化阈值。仿真结果验证了量化阈值的最优性,并表明基于决策树的中继选择方案可以实现与最优选择相当的平均端到端速率。基于决策树的中继选择的优点在于较低的计算复杂度,较小的反馈量和量化的CSI需求。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
4.如权利要求1所述的基于决策树的双跳无线网络中继选择方法,其特征在于,所述双跳无线网络遵循DF协议,通过中继rk从源节点S到目的节点D的等效信道增益gk=min{gk,1,gk,2},gk,1=|hk,1|2,gk,2=|hk,2|2,hk,1和hk,2是从源节点S到中继rk以及从中继rk到目的节点D的负载信道系数,hk遵循参数λ的指数分布,因此,gk遵循参数2λ的指数分布。
5.如权利要求2所述的基于决策树的双跳无线网络中继选择方法,其特征在于,信道状态信息阈值θ按照如下方式确定;
通过数值仿真计算的方法获得能够使信息增益最大化的最佳阈值θ。
6.如权利要求2所述的基于决策树的双跳无线网络中继选择方法,其特征在于,信道状态信息阈值θ按照如下方式确定:
通过数值仿真计算的方法获得能够使基尼指数最大化的最佳阈值θ。
7.如权利要求1所述的基于决策树的双跳无线网络中继选择方法,其特征在于,所述决策树模型采用CART算法。
8.如权利要求1所述的基于决策树的双跳无线网络中继选择方法,其特征在于,所述决策树模型的分裂标准为信息增益或基尼指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300904.6A CN113068243A (zh) | 2021-03-22 | 2021-03-22 | 一种基于决策树的双跳无线网络中继选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300904.6A CN113068243A (zh) | 2021-03-22 | 2021-03-22 | 一种基于决策树的双跳无线网络中继选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113068243A true CN113068243A (zh) | 2021-07-02 |
Family
ID=76562838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300904.6A Pending CN113068243A (zh) | 2021-03-22 | 2021-03-22 | 一种基于决策树的双跳无线网络中继选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113068243A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080134271A1 (en) * | 2006-12-04 | 2008-06-05 | Samsung Electronics Co., Ltd. | System and method for wireless communication of uncompressed video having a relay device for power saving |
CN107517483A (zh) * | 2017-08-24 | 2017-12-26 | 南京邮电大学 | 一种密集部署的无线异构网络的中继分配方法 |
CN110290593A (zh) * | 2019-06-29 | 2019-09-27 | 中国人民解放军军事科学院国防科技创新研究院 | 基于双跳阈值决策的无线分布式网络机会信道接入方法 |
-
2021
- 2021-03-22 CN CN202110300904.6A patent/CN113068243A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080134271A1 (en) * | 2006-12-04 | 2008-06-05 | Samsung Electronics Co., Ltd. | System and method for wireless communication of uncompressed video having a relay device for power saving |
CN107517483A (zh) * | 2017-08-24 | 2017-12-26 | 南京邮电大学 | 一种密集部署的无线异构网络的中继分配方法 |
CN110290593A (zh) * | 2019-06-29 | 2019-09-27 | 中国人民解放军军事科学院国防科技创新研究院 | 基于双跳阈值决策的无线分布式网络机会信道接入方法 |
Non-Patent Citations (1)
Title |
---|
XIAOWEI WANG: "Decision-Tree-Based Relay Selection in Dualhop Wireless Communications", 《IEEE》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111970733B (zh) | 超密集网络中基于深度强化学习的协作式边缘缓存算法 | |
US8867984B2 (en) | Interference coordination for communication network | |
Wang | Decision-tree-based relay selection in dualhop wireless communications | |
AlQerm et al. | Enhanced machine learning scheme for energy efficient resource allocation in 5G heterogeneous cloud radio access networks | |
US9451611B2 (en) | System and method for controlling multiple wireless access nodes | |
CN110784882B (zh) | 一种基于强化学习的能量采集d2d通信资源分配方法 | |
CN111132074B (zh) | 车联网环境下多接入边缘计算卸载和帧时隙资源分配方法 | |
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 | |
Combes et al. | Self-organizing relays: Dimensioning, self-optimization, and learning | |
Jia et al. | Learning-based queuing delay-aware task offloading in collaborative vehicular networks | |
CN111132299A (zh) | 中继系统的资源分配方法和装置 | |
Guo et al. | Predictive resource allocation with deep learning | |
Perlaza et al. | On the base station selection and base station sharing in self-configuring networks | |
Hakami et al. | A resource allocation scheme for D2D communications with unknown channel state information | |
Tripathi et al. | Channel-adaptive transmission protocols for smart grid IoT communication | |
Gez et al. | Subgradient descent learning over fading multiple access channels with over-the-air computation | |
CN113068243A (zh) | 一种基于决策树的双跳无线网络中继选择方法 | |
Peng et al. | Data-driven spectrum partition for multiplexing URLLC and eMBB | |
CN115361734B (zh) | 基于信息时效性的功率和irs相移联合优化方法及装置 | |
Alajmi et al. | Semi-centralized optimization for energy efficiency in IoT networks with NOMA | |
Chu et al. | Reinforcement learning based multi-access control with energy harvesting | |
Wang et al. | Energy Efficiency Optimization Algorithm of CR‐NOMA System Based on SWIPT | |
Guo et al. | Cellular network configuration via online learning and joint optimization | |
Liu et al. | Policy sampling and interpolation for wireless networks: A graph signal processing approach | |
Kim et al. | RL-based transmission completion time minimization with energy harvesting for time-varying channels |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |
|
RJ01 | Rejection of invention patent application after publication |