論文の概要: PAMLR: A Passive-Active Multi-Armed Bandit-Based Solution for LoRa Channel Allocation
- arxiv url: http://arxiv.org/abs/2410.05147v2
- Date: Tue, 8 Oct 2024 12:25:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 23:58:57.689982
- Title: PAMLR: A Passive-Active Multi-Armed Bandit-Based Solution for LoRa Channel Allocation
- Title（参考訳）: PAMLR:LoRaチャネルアロケーションのためのパッシブアクティブマルチArmed Banditベースのソリューション
- Authors: Jihoon Yun, Chengzhang Li, Anish Arora,
- Abstract要約: チャネル選択における低消費電力化のための強化学習の活用について検討する。
この学習は、外部干渉に対処するための受動的チャネルサンプリングと、フェージングに対処するためのアクティブチャネルサンプリングのハイブリッドに依存している。
我々のソリューションであるPassive-Active Multi-armed bandit for LoRa (PAMLR, 発音: "Pamela")は、2種類のサンプルのバランスをとり、エネルギー効率の良いチャネル選択を実現する。
- 参考スコア（独自算出の注目度）: 4.5093622692490465
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Achieving low duty cycle operation in low-power wireless networks in urban environments is complicated by the complex and variable dynamics of external interference and fading. We explore the use of reinforcement learning for achieving low power consumption for the task of optimal selection of channels. The learning relies on a hybrid of passive channel sampling for dealing with external interference and active channel sampling for dealing with fading. Our solution, Passive-Active Multi-armed bandit for LoRa (PAMLR, pronounced "Pamela"), balances the two types of samples to achieve energy-efficient channel selection: active channel measurements are tuned to an appropriately low level to update noise thresholds, and to compensate passive channel measurements are tuned to an appropriately high level for selecting the top-most channels from channel exploration using the noise thresholds. The rates of both types of samples are adapted in response to channel dynamics. Based on extensive testing in multiple environments in different cities, we validate that PAMLR can maintain excellent communication quality, as demonstrated by a low SNR regret compared to the optimal channel allocation policy, while substantially minimizing the energy cost associated with channel measurements.
- Abstract（参考訳）: 都市環境における低電力無線ネットワークにおける低デューティサイクルの運用は、外部干渉やフェードの複雑で変動的なダイナミクスによって複雑になる。
チャネル選択における低消費電力化のための強化学習の活用について検討する。
この学習は、外部干渉に対処するための受動的チャネルサンプリングと、フェージングに対処するためのアクティブチャネルサンプリングのハイブリッドに依存している。
能動チャネル計測はノイズ閾値を更新するために適度に低レベルに調整され、受動チャネル計測を補償するために、ノイズ閾値を用いたチャネル探索から最上位チャネルを選択するための適切な高レベルに調整される。
両方のタイプのサンプルの速度は、チャネルダイナミクスに応答して適応する。
異なる都市の複数の環境における広範囲なテストに基づいて,PAMLRは,チャネル割り当てポリシーと比較して,低SNRの後悔によって実証されるような,優れた通信品質を維持することができると同時に,チャネル計測に伴うエネルギーコストを大幅に最小化できることを示す。
関連論文リスト
- A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems [35.07773969966621]
無線通信におけるチャネル推定と信号検出のための有望なアプローチとして,Deep Learning (DL) が登場している。
無線チャネルの動的性質に対処するためには、新しい非老化データに基づいてDL手法を再訓練する必要がある。
本稿では,モデルを再学習することなく,様々な無線環境において高い検出性能を達成できる,新しいユニバーサルディープニューラルネットワーク(Uni-DNN)を提案する。
論文 参考訳（メタデータ） (2024-04-03T11:21:10Z) - Learning Task-Oriented Flows to Mutually Guide Feature Alignment in
Synthesized and Real Video Denoising [137.5080784570804]
Video Denoisingは、クリーンなノイズを回復するためにビデオからノイズを取り除くことを目的としている。
既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生の助けとなることが示されている。
本稿では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノイング法を提案する。
論文 参考訳（メタデータ） (2022-08-25T00:09:18Z) - Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。
チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
論文 参考訳（メタデータ） (2022-01-24T19:55:10Z) - Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。
この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
論文 参考訳（メタデータ） (2021-09-02T14:51:16Z) - End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。
我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。
この一般的なアプローチは、2つの異なるEEGタスクで評価される。
論文 参考訳（メタデータ） (2021-02-11T13:44:07Z) - Reinforcement Learning for Efficient and Tuning-Free Link Adaptation [0.9176056742068812]
無線リンクは、データ転送パラメータを動的チャネルの状態に適応させる。
本稿では,データ伝達パラメータ間の相関を利用したリンク適応のための潜在学習モデルを提案する。
我々は、通信路のダイナミクスを自動的に追跡するチューニング不要のメカニズムにより、LTSを無線チャネルに拡張する。
論文 参考訳（メタデータ） (2020-10-16T22:20:58Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳（メタデータ） (2020-09-03T13:38:52Z) - Deep Learning Optimized Sparse Antenna Activation for Reconfigurable
Intelligent Surface Assisted Communication [54.72880662623178]
再構成可能なインテリジェントサーフェス(RIS)は通常、パッシブモードで動作する。
カスケードチャネル構造と信号処理能力の欠如により、RISが個々のチャネル状態情報を取得することは困難である。
本稿では、RISのアンテナの一部に信号処理ユニットを追加し、チャネルを部分的に取得する。
論文 参考訳（メタデータ） (2020-09-03T12:27:22Z) - Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。
我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
論文 参考訳（メタデータ） (2020-07-08T07:44:00Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z)
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。