論文の概要: Learning to Optimize Energy Efficiency in Energy Harvesting Wireless Sensor Networks

• arxiv url: http://arxiv.org/abs/2012.15203v1
• Date: Wed, 30 Dec 2020 15:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 12:18:59.657668
• Title: Learning to Optimize Energy Efficiency in Energy Harvesting Wireless Sensor Networks
• Title（参考訳）: 無線センサネットワークにおけるエネルギー効率の最適化のための学習
• Authors: Debamita Ghosh and Manjesh K. Hanawal and Nikola Zlatanov
• Abstract要約: エネルギー源から複数のエネルギー収穫ノードへの無線電力伝送について検討する。 本研究では,エネルギー効率を最大化するエネルギー源の最適送信電力を学習する高信頼バウンドベースアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 11.075698140595113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study wireless power transmission by an energy source to multiple energy harvesting nodes with the aim to maximize the energy efficiency. The source transmits energy to the nodes using one of the available power levels in each time slot and the nodes transmit information back to the energy source using the harvested energy. The source does not have any channel state information and it only knows whether a received codeword from a given node was successfully decoded or not. With this limited information, the source has to learn the optimal power level that maximizes the energy efficiency of the network. We model the problem as a stochastic Multi-Armed Bandits problem and develop an Upper Confidence Bound based algorithm, which learns the optimal transmit power of the energy source that maximizes the energy efficiency. Numerical results validate the performance guarantees of the proposed algorithm and show significant gains compared to the benchmark schemes.
• Abstract（参考訳）: エネルギー効率の最大化を目的とした,エネルギー源による複数のエネルギー収穫ノードへの無線電力伝送について検討した。 ソースは各タイムスロット内の利用可能な電力レベルのいずれかを使用してノードにエネルギーを送信し、ノードは収穫したエネルギーを使用してエネルギー源に情報を送信する。 ソースはチャネルの状態情報を持っておらず、与えられたノードから受信したコードワードがうまくデコードされたかどうかのみを判断する。 この限られた情報により、ソースはネットワークのエネルギー効率を最大化する最適な電力レベルを学ぶ必要がある。 この問題を確率的多元帯域問題としてモデル化し,エネルギー効率を最大化するエネルギー源の最適送信電力を学習する上信頼境界に基づくアルゴリズムを開発した。 数値結果は,提案アルゴリズムの性能保証を検証し,ベンチマーク手法と比較して有意な向上を示した。

関連論文リスト

• IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode [49.734868032441625]
  本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。 このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。 本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-02-03T03:34:06Z)
• Energy-Efficient Design for a NOMA assisted STAR-RIS Network with Deep Reinforcement Learning [78.50920340621677]
  同時送信・再構成可能なインテリジェントサーフェス(STAR-RIS)は、無線ネットワークの性能を高めるための有望な補助装置であると考えられている。 本稿では,非直交多重アクセス(NOMA)ネットワークにおけるエネルギー効率(EE)問題について検討する。 基地局の送信ビームフォーミングベクトルとSTAR-RISの勾配行列を協調的に最適化することにより,EEを最大化する。
  論文  参考訳（メタデータ） (2021-11-30T15:01:19Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Dynamic Network Quantization for Efficient Video Inference [60.109250720206425]
  本稿では,入力に条件付けされたフレーム毎に最適な精度を選択し,効率的な映像認識を実現する動的ネットワーク量子化フレームワークを提案する。 我々は、競争性能と資源効率の両方を達成するために、標準的なバックプロパゲーションと損失を使って、両方のネットワークを効果的に訓練する。
  論文  参考訳（メタデータ） (2021-08-23T20:23:57Z)
• Memory-Aware Partitioning of Machine Learning Applications for Optimal Energy Use in Batteryless Systems [17.072240411944914]
  電池レスアプリケーションの総エネルギーコストを最適化する自動化手法であるJulinningを提案する。 本手法では, エネルギー負荷を0.12%に抑えながら, 必要なエネルギー貯蔵量を94%以上削減できる。
  論文  参考訳（メタデータ） (2021-08-05T09:49:42Z)
• Learning based E2E Energy Efficient in Joint Radio and NFV Resource Allocation for 5G and Beyond Networks [21.60295771932728]
  無線部に電力とスペクトル資源を割り当てる最適化問題を定式化する。 コア部では、すべてのユーザの効率を確保するために、関数の連鎖、配置、スケジューリングを行う。 次に、最大エントロピーフレームワークに基づくソフトアクター・クリティカル・ディープラーニング(SAC-DRL)アルゴリズムを用いて、上記のMDPを解く。
  論文  参考訳（メタデータ） (2021-07-13T11:19:48Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• Design and Comparison of Reward Functions in Reinforcement Learning for Energy Management of Sensor Nodes [0.0]
  IoT(Internet-of-Things)パラダイムの最近の進歩により、リモート監視への関心が高まっている。 センサノードと呼ばれる小さなデバイスを使って、環境からデータを収集して処理できる新しいアプリケーションが登場した。 バッテリー技術は、これらの増大するニーズに対応するのに十分な速さで改善されていない。 従来のエネルギー源を補完するために、小型のエネルギー収穫装置が出現している。
  論文  参考訳（メタデータ） (2021-06-02T12:23:47Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。