論文の概要: Ensemble Consensus-based Representation Deep Reinforcement Learning for
Hybrid FSO/RF Communication Systems
- arxiv url: http://arxiv.org/abs/2108.02551v1
- Date: Thu, 5 Aug 2021 12:18:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 17:58:58.102625
- Title: Ensemble Consensus-based Representation Deep Reinforcement Learning for
Hybrid FSO/RF Communication Systems
- Title（参考訳）: エンサンブル・コンセンサスに基づくハイブリッドFSO/RF通信システムのための深層強化学習
- Authors: Shagufta Henna
- Abstract要約: ハイブリッドFSO/RFシステムは、システム容量を改善するために効率的なFSOおよびRFリンク切替機構を必要とする。
霧、ほこり、砂嵐などのネットワーク条件のダイナミクスは、リンク切替問題と制御複雑性を複雑にしている。
ハイブリッドFSO/RFシステムのリンク切替のための深部強化学習(DRL)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid FSO/RF system requires an efficient FSO and RF link switching
mechanism to improve the system capacity by realizing the complementary
benefits of both the links. The dynamics of network conditions, such as fog,
dust, and sand storms compound the link switching problem and control
complexity. To address this problem, we initiate the study of deep
reinforcement learning (DRL) for link switching of hybrid FSO/RF systems.
Specifically, in this work, we focus on actor-critic called Actor/Critic-FSO/RF
and Deep-Q network (DQN) called DQN-FSO/RF for FSO/RF link switching under
atmospheric turbulences. To formulate the problem, we define the state, action,
and reward function of a hybrid FSO/RF system. DQN-FSO/RF frequently updates
the deployed policy that interacts with the environment in a hybrid FSO/RF
system, resulting in high switching costs. To overcome this, we lift this
problem to ensemble consensus-based representation learning for deep
reinforcement called DQNEnsemble-FSO/RF. The proposed novel DQNEnsemble-FSO/RF
DRL approach uses consensus learned features representations based on an
ensemble of asynchronous threads to update the deployed policy. Experimental
results corroborate that the proposed DQNEnsemble-FSO/RF's consensus-learned
features switching achieves better performance than Actor/Critic-FSO/RF,
DQN-FSO/RF, and MyOpic for FSO/RF link switching while keeping the switching
cost significantly low.
- Abstract（参考訳）: ハイブリッドFSO/RFシステムは、両方のリンクの相補的な利点を実現することにより、システム容量を改善するために効率的なFSOおよびRFリンク切替機構を必要とする。
霧、ほこり、砂嵐などのネットワーク条件のダイナミクスは、リンク切替問題と制御複雑性を複雑にしている。
この問題に対処するために,ハイブリッドFSO/RFシステムのリンク切替のための深層強化学習(DRL)の研究を開始する。
具体的には,大気乱流下でのFSO/RFリンクスイッチングのためのDQN-FSO/RF(DQN)と呼ばれるアクタ/Critic-FSO/RFおよびDeep-Qネットワークに着目した。
問題を定式化するために,ハイブリッドFSO/RFシステムの状態,動作,報酬関数を定義する。
DQN-FSO/RFは、ハイブリッドFSO/RFシステムにおいて環境と相互作用するデプロイポリシーを頻繁に更新する。
これを解決するため,DQNEnsemble-FSO/RFと呼ばれる深層強化のためのコンセンサスに基づく表現学習を行う。
提案するDQNEnsemble-FSO/RF DRLアプローチでは,非同期スレッドのアンサンブルに基づくコンセンサス学習された特徴表現を用いて,デプロイされたポリシーを更新する。
実験結果から,提案するdqnensemble-fso/rfのコンセンサスをリードする特徴スイッチングの性能は,fso/fso/rf,dqn-fso/rf,myopicよりも向上し,スイッチングコストは大幅に低減した。
関連論文リスト
- Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning [67.95280175998792]
ビームフォーミング,スペクトルアロケーション,リモートユーザ機器(RUE)アソシエイトを最適化するために,GAILを利用した新しいポリシー学習手法を提案する。
手動チューニングなしで報酬関数を自動的に学習するために、逆RL(IRL)を用いる。
提案手法は従来のRL手法よりも優れており,コンバージェンスと報酬値の14.6%の改善が達成されている。
論文 参考訳（メタデータ） (2024-09-27T13:05:02Z) - SF-DQN: Provable Knowledge Transfer using Successor Feature for Deep Reinforcement Learning [89.04776523010409]
本稿では、複数のRL問題が異なる報酬関数を持つが、基礎となる遷移力学を共有する転写強化学習(RL)問題を考察する。
この設定では、各RL問題(タスク)のQ-関数を後継特徴(SF)と報酬マッピングに分解することができる。
GPIを用いたSF-DQNの証明可能な一般化保証を用いた最初の収束解析を確立する。
論文 参考訳（メタデータ） (2024-05-24T20:30:14Z) - Multi-Agent Hybrid SAC for Joint SS-DSA in CRNs [17.162697767466085]
機会論的スペクトルアクセスは、認知無線ネットワーク(CRN)におけるスペクトル利用の効率を高める可能性がある
CRNでは、スペクトルセンシングとリソース割り当て(SSRA)の両方がシステムスループットの最大化に不可欠である。
我々は,ハイブリッドソフトアクター批評家MHSACのマルチエージェント実装を開発した。
論文 参考訳（メタデータ） (2024-04-22T16:30:03Z) - Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement
Distribution in FSO Quantum Networks [62.87033427172205]
自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。
エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
論文 参考訳（メタデータ） (2024-01-19T17:16:40Z) - In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent
Radar [8.041399176135178]
本稿では,大規模RFNNを,その精度をほぼ保ちつつ,コンパクトなRFNNに変換することを提案する。
我々は、ロバストTT-RFNN(RTT-RFNN)をTT-RFNNに組み込むことにより、ロバストTT-RFNN(RTT-RFNN)を構築する。
MNIST と CIFAR-10 データセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-12-16T06:21:42Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - Hybrid Driven Learning for Channel Estimation in Intelligent Reflecting
Surface Aided Millimeter Wave Communications [25.311351571810032]
ミリ波(mmWave)およびテラヘルツ(THz)システムにおいて、カバー範囲とキャパシティ向上の両方を達成するために、インテリジェント反射面(IRS)が提案されている。
ハイブリッドアーキテクチャを用いたマルチユーザマルチインプット・シングルアウトプット(MISO)システムにおけるアップリンク広帯域チャネル推定の問題に対処する。
論文 参考訳（メタデータ） (2023-05-30T13:03:37Z) - Two-pass Decoding and Cross-adaptation Based System Combination of
End-to-end Conformer and Hybrid TDNN ASR Systems [61.90743116707422]
本稿では,ハイブリッドTDNNとConformer E2E ASRシステムのためのマルチパス再構成とクロスアダプティブに基づくシステムの組み合わせについて検討する。
NIST Hub5'00、Rt03、Rt02の評価データに対して、マルチパス再構成を用いて得られた最良の組み合わせシステムにより、統計的に有意な単語誤り率(WER)が2.5%から3.9%の絶対値(22.5%から28.9%の相対値)に低下した。
論文 参考訳（メタデータ） (2022-06-23T10:17:13Z) - Deep Reinforcement Learning in mmW-NOMA: Joint Power Allocation and
Hybrid Beamforming [0.0]
ミリ波(mmW)周波数帯域における非直交多重アクセス(NOMA)アプローチにより、データレートの高要求が保証される。
mmW-NOMAシステムの連系電力配分とハイブリッドビームフォーミングは、機械学習と制御理論のアプローチの最近の進歩によってもたらされる。
論文 参考訳（メタデータ） (2022-05-13T07:55:48Z) - Integrating LEO Satellites and Multi-UAV Reinforcement Learning for
Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。
我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
論文 参考訳（メタデータ） (2020-10-20T09:07:10Z)
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。