Fugu-MT 論文翻訳(概要): Placement of UAV-Mounted Mobile Base Station through User Load-Feature K-means Clustering

論文の概要: Placement of UAV-Mounted Mobile Base Station through User Load-Feature K-means Clustering

arxiv url: http://arxiv.org/abs/2010.01236v1
Date: Sat, 3 Oct 2020 00:24:56 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 11:46:27.601780
Title: Placement of UAV-Mounted Mobile Base Station through User Load-Feature K-means Clustering
Title（参考訳）: ユーザ負荷機能K平均クラスタリングによるUAV搭載移動基地局の配置
Authors: Amir Mirzaeinia, Mehdi Mirzaeinia, Mohammad Shekaramiz, Mostafa Hassanalian
Abstract要約: 携帯電話ネットワークにおける一時的高トラフィック要求をカバーする無人航空機の最近の進歩最適なクラスタを見つけるために,K平均クラスタリングに適用する新機能を提案する。シミュレーションの結果,UAVは高トラフィック利用者に近づき,高い性能を実現することができた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Temporary high traffic requests in cellular networks is a challenging problem to address. Recent advances in Unmanned Aerial Vehicles applied to cover these types of traffics. UAV -Mounted Mobile Base Stations placement is a challenging problem to achieve high performance. Different approaches have been proposed; however, user required traffic is not considered in UAV placement. We propose a new feature to apply to K-means clustering to find the optimum clusters. User required traffic is defined as a new feature to assign users to the UAVs. Our simulation results show that UAVs could be placed closer to the high traffic users to achieve higher performance.
Abstract（参考訳）: セルラーネットワークにおける一時的高トラフィック要求は、解決が難しい問題である。無人航空機の最近の進歩は、これらの交通をカバーしている。 UAV-Mounted Mobile Base Stations配置は高性能化に難題である。異なるアプローチが提案されているが、UAV配置ではユーザ要求トラフィックは考慮されていない。最適なクラスタを見つけるために,K平均クラスタリングに適用する新機能を提案する。ユーザ要求トラフィックは、UAVにユーザを割り当てる新機能として定義される。シミュレーションの結果,UAVは高トラフィック利用者に近づき,高い性能を実現することができた。

関連論文リスト

DeepAir: A Multi-Agent Deep Reinforcement Learning Based Scheme for an Unknown User Location Problem [6.185645393091031]
無人航空機(UAV)の様々な環境への展開は、ネットワークパラダイムに対する様々な解決策と戦略を提供してきた。既存の問題の1つは、インフラストラクチャレス環境における未知のユーザロケーションである。本研究では,新しい深層強化学習手法であるDeepAirを提案する。
論文参考訳（メタデータ） (2024-08-11T07:28:35Z)
Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
論文参考訳（メタデータ） (2024-02-05T12:36:08Z)
Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
論文参考訳（メタデータ） (2024-01-18T02:14:13Z)
UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper [115.56455278813756]
航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
論文参考訳（メタデータ） (2023-10-03T11:47:01Z)
AVARS -- Alleviating Unexpected Urban Road Traffic Congestion using UAVs [1.350455609556855]
本稿では, DRLを用いた交通信号制御により, 予期せぬ都市交通渋滞を低減するためにUAVを使用する可能性を探る「AVARS」システムを提案する。シミュレーションの結果,AVARSはアイルランドのダブリンで発生した予期せぬ交通渋滞を,本来の非混雑レベルに戻すことができることがわかった。
論文参考訳（メタデータ） (2023-09-10T09:40:20Z)
5G Network on Wings: A Deep Reinforcement Learning Approach to the UAV-based Integrated Access and Backhaul [11.197456628712846]
無人航空機(UAV)ベースの航空ネットワークは、高速で柔軟で信頼性の高い無線通信のための有望な代替手段を提供する。本稿では,静的環境と動的環境の両方において,複数のUAV-BSを制御する方法について検討する。複数のUAV-BSの3次元配置を協調的に最適化するために,深部強化学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-02-04T07:45:06Z)
A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文参考訳（メタデータ） (2021-07-19T12:54:04Z)
3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文参考訳（メタデータ） (2021-06-06T14:08:41Z)
Attention-based Reinforcement Learning for Real-Time UAV Semantic Communication [53.46235596543596]
移動地利用者に対する空対地超信頼性・低遅延通信(URLLC)の問題点について検討する。グラフアテンション交換ネットワーク(GAXNet)を用いたマルチエージェント深層強化学習フレームワークを提案する。 GAXNetは、最先端のベースラインフレームワークと比較して、0.0000001エラー率で6.5倍のレイテンシを実現している。
論文参考訳（メタデータ） (2021-05-22T12:43:25Z)
Learning in the Sky: An Efficient 3D Placement of UAVs [0.8399688944263842]
本稿では,地上のセルネットワークをダウンリンクで支援するUAVの3次元展開のための学習機構を提案する。この問題は、満足度のあるUAV間での非協調ゲームとしてモデル化されている。この問題を解決するために,不満足なUAVが学習アルゴリズムに基づいて位置情報を更新する,低複雑性アルゴリズムを用いる。
論文参考訳（メタデータ） (2020-03-02T15:16:00Z)
Artificial Intelligence Aided Next-Generation Networks Relying on UAVs [140.42435857856455]
動的環境において,人工知能(AI)による無人航空機(UAV)による次世代ネットワーク支援が提案されている。 AI対応のUAV支援無線ネットワーク(UAWN)では、複数のUAVが航空基地局として使用され、ダイナミックな環境に迅速に適応することができる。 AIフレームワークの利点として、従来のUAWNのいくつかの課題が回避され、ネットワークパフォーマンスが向上し、信頼性が向上し、アジャイル適応性が向上する。
論文参考訳（メタデータ） (2020-01-28T15:10:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。