論文の概要: A Neural Radiance Field-Based Architecture for Intelligent Multilayered
View Synthesis
- arxiv url: http://arxiv.org/abs/2311.01842v1
- Date: Fri, 3 Nov 2023 11:05:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 14:20:52.722913
- Title: A Neural Radiance Field-Based Architecture for Intelligent Multilayered
View Synthesis
- Title（参考訳）: インテリジェント多層ビュー合成のためのニューラルラジアンス場に基づくアーキテクチャ
- Authors: D. Dhinakaran, S. M. Udhaya Sankar, G. Elumalai, N. Jagadish kumar
- Abstract要約: モバイルアドホックネットワーク(MANET)は、モバイルノードの巨大かつ合理的に密集したコミュニティで構成されている。
インフラストラクチャ間で最高のパケットルーティングを見つけることが大きな問題です。
本研究は、オンデマンドソースルーティングシステムを改善する手段として、Red Imported Fire Ants (RIFA) 戦略による最適経路選択を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A mobile ad hoc network is made up of a number of wireless portable nodes
that spontaneously come together en route for establish a transitory network
with no need for any central management. A mobile ad hoc network (MANET) is
made up of a sizable and reasonably dense community of mobile nodes that travel
across any terrain and rely solely on wireless interfaces for communication,
not on any well before centralized management. Furthermore, routing be supposed
to offer a method for instantly delivering data across a network between any
two nodes. Finding the best packet routing from across infrastructure is the
major issue, though. The proposed protocol's major goal is to identify the
least-expensive nominal capacity acquisition that assures the transportation of
realistic transport that ensures its durability in the event of any node
failure. This study suggests the Optimized Route Selection via Red Imported
Fire Ants (RIFA) Strategy as a way to improve on-demand source routing systems.
Predicting Route Failure and energy Utilization is used to pick the path during
the routing phase. Proposed work assess the results of the comparisons based on
performance parameters like as energy usage, packet delivery rate (PDR), and
end-to-end (E2E) delay. The outcome demonstrates that the proposed strategy is
preferable and increases network lifetime while lowering node energy
consumption and typical E2E delay under the majority of network performance
measures and factors.
- Abstract（参考訳）: モバイルアドホックネットワークは、複数のワイヤレスポータブルノードで構成されており、中央管理を必要とせず、トランザクショナルネットワークを確立するために、途中で自発的に集まります。
移動アドホックネットワーク(mobile ad hoc network, manet)は、任意の地形を横断し、通信のための無線インターフェースのみに依存し、集中管理の前にはうまく動作しない、相当かつ合理的に密集したモバイルノードのコミュニティで構成されている。
さらに、ルーティングは、2つのノード間のネットワーク間でデータを即時に配信する方法を提供する。
しかし、インフラストラクチャ全体から最高のパケットルーティングを見つけることは大きな問題である。
提案プロトコルの主な目的は、ノードが故障した場合の耐久性を保証するために、現実的なトランスポートの輸送を保証する、最小限の名目キャパシティ取得を特定することである。
本研究は、オンデマンドソースルーティングシステムを改善する手段として、Red Imported Fire Ants(RIFA)戦略による最適化経路選択を提案する。
経路故障とエネルギー利用の予測は、経路段階の経路を選択するために用いられる。
提案手法は、エネルギー使用量、パケット配送率(pdr)、エンドツーエンド遅延(e2e)などの性能パラメータに基づいて比較結果を評価する。
その結果,提案手法が好ましく,ノードのエネルギー消費と典型的なE2E遅延をネットワーク性能の指標や要因の多数で低減しつつ,ネットワーク寿命を向上することを示した。
関連論文リスト
- A Novel Reinforcement Learning Routing Algorithm for Congestion Control
in Complex Networks [0.0]
本稿では,最短経路アルゴリズムに基づく渋滞制御と経路長最適化という,強化学習を活用するルーティングアルゴリズムを提案する。
提案手法は,バラビ・アルベルトスケールフリーネットワークだけでなく,Watts-Strogatz (小世界) や Erd"os-R'enyi (ランダムネットワーク) などのネットワークモデルでも有効であることを示す。
論文 参考訳（メタデータ） (2023-12-30T18:21:13Z) - 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) - An Intelligent SDWN Routing Algorithm Based on Network Situational
Awareness and Deep Reinforcement Learning [4.085916808788356]
本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。
実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
論文 参考訳（メタデータ） (2023-05-12T14:18:09Z) - Energy Efficient Routing For Underwater Acoustic Sensor Network Using
Genetic Algorithm [0.0]
水中音響センサネットワーク(UWASN)では、エネルギー信頼性の高いデータ伝送は難しい課題である。
ルーティング経路におけるデータ伝送のエネルギー効率を改善するための遺伝的アルゴリズムに基づく最適化手法を提案する。
論文 参考訳（メタデータ） (2022-04-25T18:27:36Z) - Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc
Networks Formed by Passenger Planes [99.54065757867554]
エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。
最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。
フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
論文 参考訳（メタデータ） (2021-10-28T14:18:56Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳（メタデータ） (2021-10-28T14:18:22Z) - Packet Routing with Graph Attention Multi-agent Reinforcement Learning [4.78921052969006]
我々は強化学習(RL)を利用したモデルフリーでデータ駆動型ルーティング戦略を開発する。
ネットワークトポロジのグラフ特性を考慮すると、グラフニューラルネットワーク(GNN)と組み合わせたマルチエージェントRLフレームワークを設計する。
論文 参考訳（メタデータ） (2021-07-28T06:20:34Z) - 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) - Purification and Entanglement Routing on Quantum Networks [55.41644538483948]
不完全なチャネルフィリティと限られたメモリ記憶時間を備えた量子ネットワークは、ユーザ間の絡み合いを分散することができる。
本稿では,量子ネットワーク上の2ノード間で共有される絡み合いを最大化するための高速パスフィニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-23T19:00:01Z) - Anypath Routing Protocol Design via Q-Learning for Underwater Sensor
Networks [12.896530402853612]
本稿では,水中センサネットワークのためのQラーニングに基づくローカライズフリーな任意の経路ルーティングプロトコルを提案する。
センサノードの残エネルギーと深さ情報を共同で考慮し、Q値を算出する。
提案したルーティングプロトコルの性能を数学的に解析する。
論文 参考訳（メタデータ） (2020-02-22T04:28:00Z) - Wireless Power Control via Counterfactual Optimization of Graph Neural
Networks [124.89036526192268]
本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。
コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。
次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
論文 参考訳（メタデータ） (2020-02-17T07:54:39Z)
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。