論文の概要: Reinforcement Learning based Per-antenna Discrete Power Control for
Massive MIMO Systems
- arxiv url: http://arxiv.org/abs/2101.12154v1
- Date: Thu, 28 Jan 2021 18:03:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 11:31:10.495963
- Title: Reinforcement Learning based Per-antenna Discrete Power Control for
Massive MIMO Systems
- Title（参考訳）: 強化学習に基づくMIMOシステムのためのアンテナごとの離散電力制御
- Authors: Navneet Garg, Mathini Sellathurai and Tharmalingam Ratnarajah
- Abstract要約: 我々は,マルチユーザシステムの長期エネルギー効率を最大化するために,有限個の電力レベルを持つアンテナ単位の電力割り当てを検討する。
シミュレーションの結果は、SINR閾値を達成しつつ、消費電力の最小化に成功したことを示すものである。
- 参考スコア（独自算出の注目度）: 44.27332693894973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power consumption is one of the major issues in massive MIMO (multiple input
multiple output) systems, causing increased long-term operational cost and
overheating issues. In this paper, we consider per-antenna power allocation
with a given finite set of power levels towards maximizing the long-term energy
efficiency of the multi-user systems, while satisfying the QoS (quality of
service) constraints at the end users in terms of required SINRs
(signal-to-interference-plus-noise ratio), which depends on channel
information. Assuming channel states to vary as a Markov process, the
constraint problem is modeled as an unconstraint problem, followed by the power
allocation based on Q-learning algorithm. Simulation results are presented to
demonstrate the successful minimization of power consumption while achieving
the SINR threshold at users.
- Abstract（参考訳）: 電力消費は大規模mimo(multiple input multi output)システムの主要な問題の一つであり、長期運用コストの増加と過熱の原因となっている。
本稿では,マルチユーザシステムの長期的エネルギー効率を最大化するために,与えられた有限個の電力レベルによる電力割り当てを検討するとともに,チャネル情報に依存するsinrs(signal-to-interference-plus-noise ratio)の観点から,エンドユーザのqos制約を満たす。
チャネル状態がマルコフ過程として変化すると仮定すると、制約問題は矛盾しない問題としてモデル化され、q-learningアルゴリズムに基づく電力割当が行われる。
シミュレーションの結果は、SINR閾値を達成しつつ、消費電力の最小化に成功したことを示す。
関連論文リスト
- Energy-Aware Dynamic Neural Inference [39.04688735618206]
エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。
環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。
我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
論文 参考訳（メタデータ） (2024-11-04T16:51:22Z) - Energy-Efficient Power Control for Multiple-Task Split Inference in
UAVs: A Tiny Learning-Based Approach [27.48920259431965]
無人航空機(UAV)における分割推論におけるエネルギー最小化のための2段階のアプローチを提案する。
送信電力の最適化を送信時間に置き換えて,計算複雑性を低減する。
シミュレーションの結果,提案アルゴリズムは低消費電力でタスク完了確率が高いことを示す。
論文 参考訳（メタデータ） (2023-12-31T10:16:59Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Sum-Rate Maximization of RSMA-based Aerial Communications with Energy
Harvesting: A Reinforcement Learning Approach [5.35414932422173]
自給自足の航空基地局は、収穫されたエネルギーを利用して複数の利用者にサービスを提供する。
長期的観点からの総和率の最大化を考慮し、深層強化学習(DRL)アプローチを用いる。
提案手法は,平均和レート性能において,いくつかの基本手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-22T15:38:22Z) - 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) - 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) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Green Offloading in Fog-Assisted IoT Systems: An Online Perspective
Integrating Learning and Control [20.68436820937947]
フォグアシスト型IoTシステムでは、タスク処理のレイテンシとエネルギー消費を減らすために、IoTデバイスから近隣のフォグノードにタスクをオフロードすることが一般的である。
本稿では,時間平均エネルギー消費の長期的制約を伴うマルチアームバンディット(CMAB)問題として,未知のシステムダイナミクスによるタスクオフロード問題を定式化する。
オンライン学習とオンライン制御の効果的な統合により,テキスト学習支援グリーンオフロード(LAGO)方式を提案する。
論文 参考訳（メタデータ） (2020-08-01T07:27:24Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。