論文の概要: A Lightweight Transmission Parameter Selection Scheme Using
Reinforcement Learning for LoRaWAN
- arxiv url: http://arxiv.org/abs/2208.01824v1
- Date: Wed, 3 Aug 2022 03:10:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 14:22:19.133339
- Title: A Lightweight Transmission Parameter Selection Scheme Using
Reinforcement Learning for LoRaWAN
- Title（参考訳）: LoRaWANの強化学習を用いた軽量伝送パラメータ選択方式
- Authors: Aohan Li, Ikumi Urabe, Minoru Fujisawa, So Hasegawa, Hiroyuki Yasuda,
Song-Ju Kim, and Mikio Hasegawa
- Abstract要約: IoTデバイスの数は2023年までに125億に達すると予測されている。
IoTデバイスの成長は、デバイス間の衝突を強化し、通信性能を低下させる。
現在の文献で提案されているほとんどのスキームは、計算複雑性とメモリの制限のあるIoTデバイスで簡単に実装できない。
- 参考スコア（独自算出の注目度）: 1.3368461685675714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The number of IoT devices is predicted to reach 125 billion by 2023. The
growth of IoT devices will intensify the collisions between devices, degrading
communication performance. Selecting appropriate transmission parameters, such
as channel and spreading factor (SF), can effectively reduce the collisions
between long-range (LoRa) devices. However, most of the schemes proposed in the
current literature are not easy to implement on an IoT device with limited
computational complexity and memory. To solve this issue, we propose a
lightweight transmission-parameter selection scheme, i.e., a joint channel and
SF selection scheme using reinforcement learning for low-power wide area
networking (LoRaWAN). In the proposed scheme, appropriate transmission
parameters can be selected by simple four arithmetic operations using only
Acknowledge (ACK) information. Additionally, we theoretically analyze the
computational complexity and memory requirement of our proposed scheme, which
verified that our proposed scheme could select transmission parameters with
extremely low computational complexity and memory requirement. Moreover, a
large number of experiments were implemented on the LoRa devices in the real
world to evaluate the effectiveness of our proposed scheme. The experimental
results demonstrate the following main phenomena. (1) Compared to other
lightweight transmission-parameter selection schemes, collisions between LoRa
devices can be efficiently avoided by our proposed scheme in LoRaWAN
irrespective of changes in the available channels. (2) The frame success rate
(FSR) can be improved by selecting access channels and using SFs as opposed to
only selecting access channels. (3) Since interference exists between adjacent
channels, FSR and fairness can be improved by increasing the interval of
adjacent available channels.
- Abstract（参考訳）: IoTデバイスの数は2023年までに125億に達すると予測されている。
iotデバイスの成長はデバイス間の衝突を激化させ、通信性能を低下させる。
チャネルや拡散係数(SF)などの適切な伝送パラメータを選択することで、長距離(LoRa)デバイス間の衝突を効果的に低減することができる。
しかし、現在の文献で提案されているほとんどのスキームは、計算複雑性とメモリの制限のあるIoTデバイスで簡単に実装できない。
そこで本稿では,低消費電力広域ネットワーク (lorawan) のための強化学習を用いた簡易な伝送パラメータ選択方式,すなわち統合チャネルとsf選択方式を提案する。
提案手法では,アック情報のみを用いて,単純な4つの演算で適切な伝送パラメータを選択できる。
さらに,提案手法の計算複雑性とメモリ要件を理論的に解析し,提案手法が計算複雑性とメモリ要求の極めて低い伝送パラメータを選択できることを検証した。
さらに,提案手法の有効性を評価するために,実世界のLoRaデバイス上で多数の実験を行った。
実験結果は以下の主な現象を示す。
1)他の軽量伝送パラメータ選択方式と比較して,利用可能なチャネルの変化にかかわらず,提案したLoRaWAN方式では,LoRaデバイス間の衝突を効率よく回避できる。
2) フレーム成功率(FSR)は,アクセスチャネルの選択と,アクセスチャネルの選択のみではなくSFの使用によって向上することができる。
3)隣接チャネル間に干渉が存在するため、隣接チャネル間の間隔を増加させることで、fsrとフェアネスを改善することができる。
関連論文リスト
- Hybrid Knowledge-Data Driven Channel Semantic Acquisition and
Beamforming for Cell-Free Massive MIMO [6.010360758759109]
本稿では、ユビキタス・拡張現実(XR)アプリケーションのサポートを改善するために、屋外無線システムの進歩に焦点を当てる。
セルレス大規模マルチインプットマルチアウトプット(MIMO)システムにおいて,チャネル意味獲得とマルチユーザビームフォーミングのためのハイブリッド知識データ駆動方式を提案する。
論文 参考訳（メタデータ） (2023-07-06T15:35:55Z) - Spatially-Adaptive Feature Modulation for Efficient Image
Super-Resolution [90.16462805389943]
視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。
提案法は最先端のSR法よりも3倍程度小さい。
論文 参考訳（メタデータ） (2023-02-27T14:19:31Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Over-the-Air Multi-Task Federated Learning Over MIMO Interference
Channel [17.362158131772127]
We study over-the-air multi-task FL (OA-MTFL) over the multiple-input multiple-output (MIMO) interference channel。
そこで本研究では,各デバイスに局所勾配をアライメントするモデルアグリゲーション手法を提案する。
新たなモデルアグリゲーション手法を用いることで,デバイス選択はもはや我々の計画に必須ではないことを示す。
論文 参考訳（メタデータ） (2021-12-27T10:42:04Z) - Relay-Assisted Cooperative Federated Learning [10.05493937334448]
オーバー・ザ・エアの計算により、モバイルデバイスはローカルモデルを同時にアップロードできる。
無線チャネルの消失により、エッジサーバにおけるモデル集約誤差は、すべてのデバイスの中で最も弱いチャネルに支配される。
本稿では,トラグラー問題に効果的に対処するリレー支援型協調型FL方式を提案する。
論文 参考訳（メタデータ） (2021-07-20T14:06:19Z) - A Simple Cooperative Diversity Method Based on Deep-Learning-Aided Relay
Selection [10.199674137417796]
本稿では,予測リレー選択(PRS)を用いたディープラーニング支援協調手法の開発と解析を行う。
ORSの単純さを維持しつつ、チャネル予測をフェードすることで、CSIの品質を著しく向上させることができる。
PRSは、低速な無線環境において完全な多様性向上を実現し、高速なフェーディングチャネルにおける既存のスキームを大幅に上回っている。
論文 参考訳（メタデータ） (2021-02-05T20:20:27Z) - Deep Learning-based Resource Allocation For Device-to-Device
Communication [66.74874646973593]
デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。
任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。
シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
論文 参考訳（メタデータ） (2020-11-25T14:19:23Z) - Federated Learning via Intelligent Reflecting Surface [30.935389187215474]
オーバー・ザ・エア・コンピューティング・アルゴリズム(FL)は,複数のアクセスチャネルの波形重畳特性を利用して高速なモデルアグリゲーションを実現することができる。
本稿では,AirCompベースのFLのための高速かつ信頼性の高いモデルアグリゲーションを実現するための2段階最適化フレームワークを提案する。
シミュレーションの結果,提案するフレームワークとIRSの展開により,ベースラインアルゴリズムよりもトレーニング損失が低く,FL予測精度も高いことがわかった。
論文 参考訳（メタデータ） (2020-11-10T11:29:57Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z) - Communication Efficient Federated Learning with Energy Awareness over
Wireless Networks [51.645564534597625]
フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。
我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。
2つの最適化問題を定式化し、学習性能を最適化する。
FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話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） (2020-04-15T21:25:13Z) - 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)
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。