CN117062132A - 兼顾时延与能耗的cf-uav智能传输信令交互方法 - Google Patents
兼顾时延与能耗的cf-uav智能传输信令交互方法 Download PDFInfo
- Publication number
- CN117062132A CN117062132A CN202311315063.1A CN202311315063A CN117062132A CN 117062132 A CN117062132 A CN 117062132A CN 202311315063 A CN202311315063 A CN 202311315063A CN 117062132 A CN117062132 A CN 117062132A
- Authority
- CN
- China
- Prior art keywords
- model
- energy consumption
- time delay
- local
- transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 79
- 238000005265 energy consumption Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000011664 signaling Effects 0.000 title claims abstract description 29
- 230000003993 interaction Effects 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000013468 resource allocation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 16
- 230000001413 cellular effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及移动通信与人工智能技术领域,具体公开了一种兼顾时延与能耗的CF‑UAV智能传输信令交互方法,包括:构建联邦学习模型,执行联邦学习模型的一次迭代训练过程;对迭代训练过程进行分析,构建时延与能耗折中计算模型对联邦学习模型进行性能优化;对一次迭代训练过程的总执行时间进行定义,基于总执行时间以及一次迭代训练的总迭代次数构建联邦学习模型性能优化的约束条件;基于并行的AM算法最小化联邦学习模型的训练时间,获取联邦学习模型的初始参数,进行网络传输优化。本发明解决了CF‑UAV网络中,因用户的移动性导致数据分布不均的问题,同时考虑时延与能耗的共同影响,在保证信息安全的基础上提高系统能效和时效。
Description
技术领域
本发明属于移动通信与人工智能技术领域,特别是涉及一种兼顾时延与能耗的CF-UAV智能传输信令交互方法。
背景技术
随着新兴业务的不断涌现,移动通信系统的场景和网络部署也变得复杂多变。例如,在音乐会、运动会等业务拥塞的短时网络“热点”及自然灾害造成的救灾、灾后重建等应急场景,复杂多变的环境将导致传统地面基础设施受限或受损。配备通信功能的无人机(Unmanned Aerial Vehicle,UAV)具有移动性和灵活部署等优点,可作为空中基站进行快速、精准地部署,为应急场景中的用户提供服务,有效地扩展地面的物理资源维度,应急场景面临复杂的异构网络环境,具有多路大流量的高清数据回传需求,应急前线与控制中心需要实时交互来提高作战指挥效率。构建蜂窝-UAV通信系统,利用蜂窝网为UAV基站提供无线回程链路,是一种主流的解决办法。
然而,蜂窝-UAV系统,仍然受传统蜂窝网络垂直建站方式以及封闭小区制的影响,且UAV的动态性特征,导致其面临更严重的越区切换和网络间干扰。此外,传统通信网络受组网、建站方式的约束,网络资源很难实现全动态地最优配比,通常需要以较多的时频资源为代价来满足复杂应急网络场景下不同业务的差异化服务需求,如传输速率、时延和能耗等,导致网络性能指标提升困难。
为解决上述问题,对蜂窝网络进行彻底革新的无蜂窝 (Cell-Free, CF)(部分文献也称为去蜂窝大规模MIMO系统)网络已成为6G的变革性技术之一。CF网络将大量配备单根或多根天线的接入点(Access Point,AP)部署在一个区域内,以用户为中心,利用多AP联合处理的形式,采用相同的时频资源为多个用户提供服务,可最大化消除小区间干扰。CF网络利用大规模AP的联合传输,打破了传统蜂窝网络只能进行单小区或局部几个小区之间静态/半静态的资源分配方式,可实现真正意义上的全网络、全动态资源配比。因此,基于CF网络的优势,利用AP的联合传输来为UAV提供无线回程链路,可以构建无蜂窝无人机(Cell-Free Unmanned Aerial Vehicle,CF-UAV)网络。
然而,现有CF-UAV网络及其传输技术的研究仍处于探索阶段,传输信令交互和传输资源管理开销大,且无法匹配大规模、非线性的空-时-频-功率-计算等多维度传输资源,同时,现有的CF-UAV网络传输优化方法中,大多依赖于业务模型和优化目标的设定,随着网络规模的增加以及用户和UAV的动态变化,现有方法很难适用于普遍场景。利用CF-UAV网络中多AP的协作传输与CPU的集中控制机制来构建联邦学习框架,进而利用模型传输来替代数据传输,从而使得传输优化策略可以在保证信息安全的基础上提高系统能效和时效。然而,CF-UAV网络中与智能化框架匹配的信令交互传输机制研究仍然较少,信令传输机制的研究,是构建传输优化问题的基础。然而,基于FL的分布式机器学习,本地模型训练会增加终端的能量消耗。因此,如何设计匹配FL的CF-UAV信令交互传输机制,在保证终端能耗的同时优化CF-UAV中的FL性能,是CF-UAV智能传输技术研究面临的重要问题。
发明内容
本发明的目的是提供一种兼顾时延与能耗的CF-UAV智能传输信令交互方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种兼顾时延与能耗的CF-UAV智能传输信令交互方法,包括以下步骤:
构建联邦学习模型,执行联邦学习模型的一次迭代训练过程;
对所述一次迭代训练过程进行分析,构建时延与能耗折中计算模型;
基于所述时延与能耗折中计算模型对所述联邦学习模型进行性能优化;所述时延与能耗折中计算模型包括时延模型与终端能耗模型;
对所述一次迭代训练过程的总执行时间进行定义,基于所述总执行时间以及一次迭代训练的总迭代次数构建联邦学习模型性能优化的约束条件;
基于并行的AM算法最小化联邦学习模型的训练时间,获取联邦学习模型的初始参数设计,进行CF-UAV网络传输优化。
可选地,所述时延模型包括下行传输时延模型、本地更新时延模型、上行传输时延模型;
执行联邦学习模型的迭代训练过程包括:
CPU向所选终端发送下行链路的全局模型更新;终端接收所述全局模型更新,并计算本地模型更新;终端向CPU发送上行链路的所述本地模型更新;CPU接收所有本地模型更新,进行全局模型聚合。
可选地,所述下行传输时延模型的构建过程包括:
在CPU向所选终端发送下行链路的全局模型更新的过程中,基于数据大小、下行数据速率分别计算从CPU到无线访问节点以及从无线访问节点到终端的下行链路传输时延。
可选地,所述本地更新时延模型的构建过程包括:
在终端计算本地模型更新的过程中,基于本地训练的迭代次数、本地模型精确度、采样数据集的处理转速、终端的数据处理频率、本地采样数据集获取终端计算、训练、更新本地资源分配模型的时延。
可选地,所述上行传输时延模型的构建过程包括:
在终端向CPU发送上行链路的所述本地模型更新的过程中,基于数据大小、上行数据速率分别计算从终端到无线访问节点以及从无线访问节点到CPU的上行链路传输时延。
可选地,所述终端能耗模型包括终端传输更新模型的传输能耗模型以及终端进行本地训练更新的训练能耗模型;
所述传输能耗模型基于上行传输功率、数据大小以及上行数据速率构建;所述训练能耗模型基于终端芯片组的有效电容系数、采样数据集的处理转速、终端的数据处理频率、本地采样数据集构建。
可选地,基于所述时延与能耗折中计算模型对所述联邦学习模型进行性能优化的过程中,对所述联邦学习模型的计算资源与无线资源进行优化,所述计算资源包括但不限于模型局部精度、数据处理频率,所述无线资源包括但不限于上下行数据传输速率、上下行功率系数。
可选地,所述约束条件包括归一化功率约束、本地模型训练过程的能耗约束、处理速率约束、上下行数据传输速率约束、本地模型精确度约束。
本发明的技术效果为:
本发明提出了一种适配于联邦学习的CF-UAV信令交互机制及帧结构。解决了CF-UAV网络中,因用户的移动性导致数据分布不均匀的问题,保障了用户的数据安全。在所提信令交互机制及帧结构的基础上,构建时延和能耗的折中优化模型,解决了因本地模型训练所产生的终端能量消耗问题,综合考虑时延与能耗的共同影响,在保证信息安全的基础上提高系统能效和时效。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中基于FL的CF-UAV传输机制及帧结构;
图2为本发明实施例的CF-UAV中FL一次迭代的训练过程帧结构图;
图3为本发明实施例中兼顾时延与能耗的CF-UAV智能化传输信令交互方法及优化技术路线图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1-3所示,本实施例中提供一种兼顾时延与能耗的CF-UAV智能传输信令交互方法。
为应对多变的CF-UAV网络状态信息,适配CF-UAV网络及其传输优化机制,本实施例拟设计基于联邦学习的CF-UAV智能化传输信令交互机制及优化策略。
本实施例拟部署个搭载多天线的UAV(天线数记为N),部署个多天线AP(天线数记为M)。
其中,UAV可为应急场景中的用户提供服务,AP可为城镇密集场景中的用户提供服务。且AP可为UAV提供无线回程链路,UAV工作于全双工模式。假设用户为单天线,记为。
(1)适配FL的CF-UAV网络帧结构设计:
本实施例拟利用基于FL的分布式机器学习算法来弥补传统集中式机器学习算法的缺陷。为了将FL算法与CF-UAV网络相融合,本实施例设计基于FL的CF-UAV传输信令交互机制及帧结构,并进一步细化了FL一次迭代过程的帧结构。
拟定的基于FL的CF-UAV传输信令交互机制及帧结构如图1所示,其帧结构可描述为:将一个统计周期划分为多个时隙,假设信道在一个统计周期内平稳。在时隙1中,根据拟定的时延与能耗折中的计算模型,优化FL性能。在时隙2中,执行FL的迭代训练过程。其中,本实施例依据耗时长短将参数定义为短时参数和长时参数。具体描述如下:
时隙1(通过CF-UAV时延与能耗折中的计算模型优化FL性能):在该时隙中,本实施例优化FL训练模型的局部精度、数据处理频率等计算资源,以及上下行数据传输速率、上下行功率系数等无线资源,实现优化的计算资源与无线资源联合编排,进而优化FL的性能。
时隙2(FL训练过程):在该时隙中,FL完成训练及模型传输,其拟定的一次迭代过程帧结构如图2所示,具体包含:
S1(全局模型传输):CPU向所选UE发送下行链路的全局模型更新。
从中心单元到AP的下行传输链路时延为:
(1)
其中,,/>(单位为bits)为数据的大小,/>为CF-UAV网络中,中心单元向终端用户k发送全局模型的下行数据速率。
从AP到用户的下行链路传输时延为:
(2)
S2(本地模型训练及更新):UE接收从CPU的全局更新时,计算其本地模型更新。
终端用户计算、训练、更新本地资源分配模型的时延为:
(3)
其中,为进行本地训练的迭代次数,/>为FL算法的本地模型精确度,/>(单位为cycles/sample)为每个采样数据集的处理转速(预先由离线训练统计得出),/>(单位为cycles/s)为用户k的数据处理频率,/>(单位为samples)为本地采样数据集。
S3(本地模型传输):UE向CPU发送上行链路的全局模型更新。
本实施例假设终端用户的计算资源有限,且终端用户进行本地训练会产生计算开销和能耗。终端用户k到APl的上行链路传输时延为:
(4)
其中,(单位为bits)为数据的大小,/>为CF-UAV操作下,终端用户k向控制器发送更新的局部模型时的上行数据速率。
APm到控制器的上行链路传输时延为:
(5)
其中,。
S4(全局模型更新):CPU处接收所有本地更新后,进行全局模型聚合。
控制平面中的集中单元执行全局模型的更新,本实施例假设集中单元的计算资源充足,并假设全局模型更新的时延可以忽略。
(2)终端能耗模型:
基于上述传输机制及理论分析,本项目拟定将终端用户k传输更新模型的能耗建模为:
(6)
其中为用户k的上行传输功率。
终端用户k进行本地训练更新消耗的能耗建模为:
(7)
其中,为用户芯片组的有效电容系数。
(3)时延和能耗折中的FL性能优化问题:
在CF-UAV系统中,定义FL一次迭代的执行时间为步骤S1~S4执行时间总和,定义为,因此,FL的性能优化问题可表述如下:
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
其中,为执行FL的总迭代次数。约束条件(9)~(10)为归一化的功率约束,约束(11)表示用户在训练和模型传输过程中的能耗不能超过用户的最大能量。约束(12)~(15)分别规定了处理速率、上行数据速率、下行数据速率及本地模型精确度的取值区间。本实施例优化数据处理频率、FL训练模型的局部精度等、上下行功率系数、上下行数据传输速率等参数,在最小化FL训练时间的同时,保障终端的能耗。
本实施例将在上述拟定CF-UAV智能化传输信令交互机制下进行全动态多维的资源管理。
(4)兼顾时延与能耗的CF-UAV智能化传输信令交互机制设计及优化技术路线:
为解决上述随机性非凸优化问题,本实施例拟采用并行的AM(AlternateMinimization,AM)等算法进行求解,通过将原始优化变量分离为并行的小变量块并进行求解。
根据上述技术方案的阐述,技术路线如图3所示。
本实施例提出了一种适配于联邦学习的CF-UAV信令交互机制及帧结构,将一个统计周期划分为多个时隙,假定信道在一个统计周期内平稳,并在多个时隙内交替进行FL的性能优化和迭代训练。
本实施例在所提信令交互机制及帧结构的基础上,构建时延和能耗的折中优化模型:提出了时延和能耗折中的FL性能优化问题,并利用并行优化算法来最小化联邦学习的训练时间,在提升FL收敛性能的基础上兼顾时延与能耗。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种兼顾时延与能耗的CF-UAV智能传输信令交互方法,其特征在于,包括以下步骤:
构建联邦学习模型,执行联邦学习模型的一次迭代训练过程;
对所述一次迭代训练过程进行分析,构建时延与能耗折中计算模型;
基于所述时延与能耗折中计算模型对所述联邦学习模型进行性能优化;所述时延与能耗折中计算模型包括时延模型与终端能耗模型;
对所述一次迭代训练过程的总执行时间进行定义,基于所述总执行时间以及一次迭代训练的总迭代次数构建联邦学习模型性能优化的约束条件;
基于并行的AM算法最小化联邦学习模型的训练时间,获取联邦学习模型的初始参数设计,进行CF-UAV网络传输优化。
2.根据权利要求1所述的兼顾时延与能耗的CF-UAV智能传输信令交互方法,其特征在于,所述时延模型包括下行传输时延模型、本地更新时延模型、上行传输时延模型;
执行联邦学习模型的迭代训练过程包括:
CPU向所选终端发送下行链路的全局模型更新;终端接收所述全局模型更新,并计算本地模型更新;终端向CPU发送上行链路的所述本地模型更新;CPU接收所有本地模型更新,进行全局模型聚合。
3.根据权利要求2所述的兼顾时延与能耗的CF-UAV智能传输信令交互方法,其特征在于,所述下行传输时延模型的构建过程包括:
在CPU向所选终端发送下行链路的全局模型更新的过程中,基于数据大小、下行数据速率分别计算从CPU到无线访问节点以及从无线访问节点到终端的下行链路传输时延。
4.根据权利要求2所述的兼顾时延与能耗的CF-UAV智能传输信令交互方法,其特征在于,所述本地更新时延模型的构建过程包括:
在终端计算本地模型更新的过程中,基于本地训练的迭代次数、本地模型精确度、采样数据集的处理转速、终端的数据处理频率、本地采样数据集获取终端计算、训练、更新本地资源分配模型的时延。
5.根据权利要求2所述的兼顾时延与能耗的CF-UAV智能传输信令交互方法,其特征在于,所述上行传输时延模型的构建过程包括:
在终端向CPU发送上行链路的所述本地模型更新的过程中,基于数据大小、上行数据速率分别计算从终端到无线访问节点以及从无线访问节点到CPU的上行链路传输时延。
6.根据权利要求1所述的兼顾时延与能耗的CF-UAV智能传输信令交互方法,其特征在于,所述终端能耗模型包括终端传输更新模型的传输能耗模型以及终端进行本地训练更新的训练能耗模型;
所述传输能耗模型基于上行传输功率、数据大小以及上行数据速率构建;所述训练能耗模型基于终端芯片组的有效电容系数、采样数据集的处理转速、终端的数据处理频率、本地采样数据集构建。
7.根据权利要求1所述的兼顾时延与能耗的CF-UAV智能传输信令交互方法,其特征在于,基于所述时延与能耗折中计算模型对所述联邦学习模型进行性能优化的过程中,对所述联邦学习模型的计算资源与无线资源进行优化,所述计算资源包括但不限于模型局部精度、数据处理频率,所述无线资源包括但不限于上下行数据传输速率、上下行功率系数。
8.根据权利要求1所述的兼顾时延与能耗的CF-UAV智能传输信令交互方法,其特征在于,所述约束条件包括归一化功率约束、本地模型训练过程的能耗约束、处理速率约束、上下行数据传输速率约束、本地模型精确度约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315063.1A CN117062132B (zh) | 2023-10-12 | 2023-10-12 | 兼顾时延与能耗的cf-uav智能传输信令交互方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315063.1A CN117062132B (zh) | 2023-10-12 | 2023-10-12 | 兼顾时延与能耗的cf-uav智能传输信令交互方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117062132A true CN117062132A (zh) | 2023-11-14 |
CN117062132B CN117062132B (zh) | 2024-01-09 |
Family
ID=88661254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311315063.1A Active CN117062132B (zh) | 2023-10-12 | 2023-10-12 | 兼顾时延与能耗的cf-uav智能传输信令交互方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117062132B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625751A (zh) * | 2021-08-05 | 2021-11-09 | 南京航空航天大学 | 面向空地一体联邦学习的无人机位置与资源联合优化方法 |
WO2022153324A1 (en) * | 2021-01-15 | 2022-07-21 | Telefonaktiebolaget Lm Ericsson (Publ) | First node, second node, third node, communications system, and methods performed thereby to facilitate prediction of an event |
CN116009677A (zh) * | 2022-09-02 | 2023-04-25 | 南通大学 | 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法 |
CN116416508A (zh) * | 2023-03-17 | 2023-07-11 | 西安电子科技大学广州研究院 | 一种加快全局联邦学习模型收敛的方法及联邦学习系统 |
CN116800753A (zh) * | 2023-07-27 | 2023-09-22 | 国网河北省电力有限公司经济技术研究院 | 一种移动模型通信资源分配方法、装置、终端及存储介质 |
-
2023
- 2023-10-12 CN CN202311315063.1A patent/CN117062132B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022153324A1 (en) * | 2021-01-15 | 2022-07-21 | Telefonaktiebolaget Lm Ericsson (Publ) | First node, second node, third node, communications system, and methods performed thereby to facilitate prediction of an event |
CN113625751A (zh) * | 2021-08-05 | 2021-11-09 | 南京航空航天大学 | 面向空地一体联邦学习的无人机位置与资源联合优化方法 |
CN116009677A (zh) * | 2022-09-02 | 2023-04-25 | 南通大学 | 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法 |
CN116416508A (zh) * | 2023-03-17 | 2023-07-11 | 西安电子科技大学广州研究院 | 一种加快全局联邦学习模型收敛的方法及联邦学习系统 |
CN116800753A (zh) * | 2023-07-27 | 2023-09-22 | 国网河北省电力有限公司经济技术研究院 | 一种移动模型通信资源分配方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117062132B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Multi-agent reinforcement learning in NOMA-aided UAV networks for cellular offloading | |
Maksymyuk et al. | Deep learning based massive MIMO beamforming for 5G mobile network | |
Zhang et al. | Trajectory optimization for UAV emergency communication with limited user equipment energy: A safe-DQN approach | |
Hoydis et al. | Green small-cell networks | |
Fan et al. | Self-optimization of coverage and capacity based on a fuzzy neural network with cooperative reinforcement learning | |
Liu et al. | Deep learning based hotspot prediction and beam management for adaptive virtual small cell in 5G networks | |
Gazda et al. | Unsupervised learning algorithm for intelligent coverage planning and performance optimization of multitier heterogeneous network | |
WO2019096005A1 (zh) | 组网方法和装置、网络接入方法、以及用户设备 | |
Huang et al. | True-data testbed for 5G/B5G intelligent network | |
Qu et al. | Empowering edge intelligence by air-ground integrated federated learning | |
Nouri et al. | Multi-UAV placement and user association in uplink MIMO ultra-dense wireless networks | |
Zhao et al. | D2D communication channel allocation and resource optimization in 5G network based on game theory | |
Huang et al. | User-centric intelligent UAV swarm networks: performance analysis and design insight | |
Qu et al. | Empowering the edge intelligence by air-ground integrated federated learning in 6G networks | |
Narmanlioglu et al. | Mobility-aware cell clustering mechanism for self-organizing networks | |
Ali Imran et al. | Machine learning in energy efficiency optimization | |
Zou et al. | 3D placement of unmanned aerial vehicles and partially overlapped channel assignment for throughput maximization | |
Ashtari et al. | Knowledge-defined networking: Applications, challenges and future work | |
Xu et al. | Efficient deployment of multi‐UAV assisted mobile edge computing: A cost and energy perspective | |
Zhao et al. | Transfer learning: A paradigm for dynamic spectrum and topology management in flexible architectures | |
Maluleke et al. | Efficient airborne network clustering for 5G backhauling and fronthauling | |
Pan et al. | 3D UAV placement and user association in software-defined cellular networks | |
CN117062132B (zh) | 兼顾时延与能耗的cf-uav智能传输信令交互方法 | |
Wang et al. | Resource allocation of wireless backhaul in heterogeneous network based on the large-scale MIMO | |
Chimeh | Compelling services for 5G creation |
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 |