論文の概要: A Deep Reinforcement Learning-based Adaptive Charging Policy for
Wireless Rechargeable Sensor Networks
- arxiv url: http://arxiv.org/abs/2208.07824v1
- Date: Tue, 16 Aug 2022 16:10:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-17 13:04:20.446700
- Title: A Deep Reinforcement Learning-based Adaptive Charging Policy for
Wireless Rechargeable Sensor Networks
- Title（参考訳）: 無線充電型センサネットワークのための深層強化学習に基づく適応充電ポリシー
- Authors: Ngoc Bui, Phi Le Nguyen, Viet Anh Nguyen, Phan Thuan Do
- Abstract要約: センサをエネルギ化するための信頼性の高いソリューションとして、ワイヤレス電力伝送技術が登場している。
深部強化学習(DRL)を用いた適応型充電方式を提案する。
我々のモデルはネットワークトポロジの自然変化に適応できる。
- 参考スコア（独自算出の注目度）: 14.67786743033424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wireless sensor networks consist of randomly distributed sensor nodes for
monitoring targets or areas of interest. Maintaining the network for continuous
surveillance is a challenge due to the limited battery capacity in each sensor.
Wireless power transfer technology is emerging as a reliable solution for
energizing the sensors by deploying a mobile charger (MC) to recharge the
sensor. However, designing an optimal charging path for the MC is challenging
because of uncertainties arising in the networks. The energy consumption rate
of the sensors may fluctuate significantly due to unpredictable changes in the
network topology, such as node failures. These changes also lead to shifts in
the importance of each sensor, which are often assumed to be the same in
existing works. We address these challenges in this paper by proposing a novel
adaptive charging scheme using a deep reinforcement learning (DRL) approach.
Specifically, we endow the MC with a charging policy that determines the next
sensor to charge conditioning on the current state of the network. We then use
a deep neural network to parametrize this charging policy, which will be
trained by reinforcement learning techniques. Our model can adapt to
spontaneous changes in the network topology. The empirical results show that
the proposed algorithm outperforms the existing on-demand algorithms by a
significant margin.
- Abstract（参考訳）: 無線センサネットワークは、ターゲットや関心のある領域を監視するためにランダムに分散されたセンサノードで構成される。
連続監視のためのネットワークを維持することは、各センサーのバッテリー容量が限られているため、課題である。
センサを充電するために移動充電器(MC)を配置することで、センサをエネルギー化する信頼性の高いソリューションとしてワイヤレス電力伝達技術が登場している。
しかし,ネットワークに生じる不確実性のため,MCの最適充電経路の設計は困難である。
センサのエネルギー消費速度は、ノード故障などのネットワークトポロジの予測不可能な変化により著しく変動する可能性がある。
これらの変化は、各センサーの重要性のシフトにもつながり、既存の作業でも同じことがしばしば想定される。
本稿では, 深部強化学習(DRL)を用いた適応型充電方式を提案することで, これらの課題に対処する。
具体的には、ネットワークの現在の状態のコンディショニングを行うための次のセンサを決定する充電ポリシをmcに付与する。
次に、深層ニューラルネットワークを使用して、この充電ポリシーをパラメータ化し、強化学習技術によってトレーニングします。
我々のモデルはネットワークトポロジーの自発的な変化に対応できる。
実験の結果,提案アルゴリズムは既存のオンデマンドアルゴリズムよりもかなりの差で優れていた。
関連論文リスト
- Data-driven Modality Fusion: An AI-enabled Framework for Large-Scale Sensor Network Management [0.49998148477760973]
本稿では,DMF(Data-driven Modality Fusion)と呼ばれる新しいセンシングパラダイムを紹介する。
異なるセンシングモードからの時系列データ間の相関を利用して、DMF手法によりモニタリングに必要な物理センサの数を削減できる。
このフレームワークは、エッジデバイスからコアへ計算の複雑さを移動させ、リソースに制約のあるIoTデバイスが集中的な処理タスクに負担されないようにする。
論文 参考訳（メタデータ） (2025-02-07T14:00:04Z) - Over-the-Air Multi-Sensor Inference with Neural Networks Using Memristor-Based Analog Computing [13.5346836945515]
本研究では,メムリスタ型アナログ計算を用いたマルチセンサ無線推論システムを提案する。
センサーの計算能力が限られているため、ネットワークのフロントエンドの機能は中央のデバイスに送信される。
また,$L_p$-normにインスパイアされた合成関数をベースとした,トレーニング可能なオーバー・ザ・エアセンサ融合手法を提案する。
論文 参考訳（メタデータ） (2025-01-17T15:14:58Z) - DynamiQS: Quantum Secure Authentication for Dynamic Charging of Electric Vehicles [61.394095512765304]
Dynamic Wireless Power Transfer (DWPT)は、電気自動車を運転中に充電できる新しい技術である。
量子コンピューティングの最近の進歩は、古典的な公開鍵暗号を危険にさらしている。
動的ワイヤレス充電のための第1量子後セキュア認証プロトコルであるDynamiQSを提案する。
論文 参考訳（メタデータ） (2023-12-20T09:40:45Z) - Sensor Placement for Learning in Flow Networks [6.680930089714339]
本稿では,ネットワークのセンサ配置問題について検討する。
まず, 流れの保存仮定に基づいて問題を定式化し, 最適に固定されたセンサを配置することがNPハードであることを示す。
次に,大規模ネットワークにスケールするセンサ配置のための効率よく適応的なグリージーを提案する。
論文 参考訳（メタデータ） (2023-12-12T01:08:08Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - 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) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - A Reinforcement Learning Approach to Sensing Design in
Resource-Constrained Wireless Networked Control Systems [0.0]
我々は,動的プロセスを監視し,基地局に計測を送信するセンサ(エージェント)の無線ネットワークについて検討する。
スマートセンサーは、センサーと計算の両方を備えており、生の測定を送信したり、送信前に処理することができる。
本稿では,各センサで計測処理を行う際に動的に決定する効率的なポリシーを学習するための強化学習手法を提案する。
論文 参考訳（メタデータ） (2022-04-01T21:55:11Z) - Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。
私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文 参考訳（メタデータ） (2021-11-11T11:31:20Z) - A supervised active learning method for identifying critical nodes in
Wireless Sensor Network [0.27920304852537525]
無線センサネットワーク(WSN)におけるクリティカルノード同定の計算オーバーヘッドに対処する能動的学習手法を提案する。
提案手法は,非臨界ノード同定におけるバイアスを克服し,WSNの動的性質に適応するためには,微調整の労力をはるかに削減する必要がある。
実験により, 提案手法は, 大規模WSN環境において, 最先端技術と比較して柔軟性が高いことが示された。
論文 参考訳（メタデータ） (2020-04-19T15:48:27Z)
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。