論文の概要: RL-NCS: Reinforcement learning based data-driven approach for nonuniform compressed sensing

• arxiv url: http://arxiv.org/abs/2107.00838v1
• Date: Fri, 2 Jul 2021 05:07:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-05 12:41:31.698136
• Title: RL-NCS: Reinforcement learning based data-driven approach for nonuniform compressed sensing
• Title（参考訳）: RL-NCS:非一様圧縮センシングのための強化学習に基づくデータ駆動アプローチ
• Authors: Nazmul Karim, Alireza Zaeemzadeh, and Nazanin Rahnavard
• Abstract要約: 時間変化信号のための強化学習に基づく非一様圧縮センシング(NCS)フレームワークを導入する。 提案手法は,センサエネルギーの最適かつ適応的な分布によって信号回復性能を向上させることを目的としている。
• 参考スコア（独自算出の注目度）: 6.210224116507287
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A reinforcement-learning-based non-uniform compressed sensing (NCS) framework for time-varying signals is introduced. The proposed scheme, referred to as RL-NCS, aims to boost the performance of signal recovery through an optimal and adaptive distribution of sensing energy among two groups of coefficients of the signal, referred to as the region of interest (ROI) coefficients and non-ROI coefficients. The coefficients in ROI usually have greater importance and need to be reconstructed with higher accuracy compared to non-ROI coefficients. In order to accomplish this task, the ROI is predicted at each time step using two specific approaches. One of these approaches incorporates a long short-term memory (LSTM) network for the prediction. The other approach employs the previous ROI information for predicting the next step ROI. Using the exploration-exploitation technique, a Q-network learns to choose the best approach for designing the measurement matrix. Furthermore, a joint loss function is introduced for the efficient training of the Q-network as well as the LSTM network. The result indicates a significant performance gain for our proposed method, even for rapidly varying signals and a reduced number of measurements.
• Abstract（参考訳）: 時間変化信号のための強化学習に基づく非一様圧縮センシング(NCS)フレームワークを導入する。 RL-NCSと呼ばれる提案手法は,信号のROI係数と非ROI係数の2つの係数群間のセンサエネルギーの最適かつ適応的な分布を通じて,信号回復性能を向上させることを目的としている。 ROIの係数は通常より重要であり、非ROI係数よりも高い精度で再構成する必要がある。 このタスクを達成するために、ROIは2つの特定のアプローチを使用して各タイミングで予測される。 これらのアプローチの1つは、予測のために長い短期記憶(LSTM)ネットワークを組み込んでいる。 別のアプローチでは、次のステップROIを予測するために、以前のROI情報を使用します。 探索探索法を用いて、qネットワークは測定行列を設計するための最適なアプローチを選択することを学ぶ。 さらに,Q-network と LSTM ネットワークの効率的なトレーニングのために,結合損失関数を導入している。 その結果,急速に変化する信号や測定回数の削減においても,提案手法の有効性が示唆された。

関連論文リスト

• IRS-Assisted Lossy Communications Under Correlated Rayleigh Fading: Outage Probability Analysis and Optimization [23.863453726808796]
  本稿では,レイリーフェーディングを用いたインテリジェント反射面(IRS)を用いた損失通信システムについて述べる。 相関チャネルモデルを分析し,システム停止確率を導出する。 そして、IRSの位相シフトを最適化するために、深層強化学習法(DRL)を設計する。
  論文  参考訳（メタデータ） (2024-08-13T15:27:30Z)
• Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
  我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。 最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-02T01:36:13Z)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)
• Reconfigurable Intelligent Surface Assisted Multiuser MISO Systems Exploiting Deep Reinforcement Learning [21.770491711632832]
  再構成可能なインテリジェントサーフェス(RIS)は、将来の6世代(6G)無線通信システムにおいて重要な技術の一つとして推測されている。 本稿では, 基地局におけるビームフォーミング行列とRISにおける位相シフト行列の接合設計について, 深部強化学習(DRL)の最近の進歩を活用して検討する。 提案アルゴリズムは環境から学習し、その振る舞いを徐々に改善するだけでなく、2つの最先端ベンチマークと比較して同等の性能が得られる。
  論文  参考訳（メタデータ） (2020-02-24T04:28:44Z)

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。