CN112272353A - 一种基于强化学习的设备到设备的邻近服务方法 - Google Patents
一种基于强化学习的设备到设备的邻近服务方法 Download PDFInfo
- Publication number
- CN112272353A CN112272353A CN202011074638.1A CN202011074638A CN112272353A CN 112272353 A CN112272353 A CN 112272353A CN 202011074638 A CN202011074638 A CN 202011074638A CN 112272353 A CN112272353 A CN 112272353A
- Authority
- CN
- China
- Prior art keywords
- service
- service providing
- equipment
- reinforcement learning
- service request
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/50—Service provisioning or reconfiguring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于强化学习的设备到设备的邻近服务方法,包括:服务请求设备发送服务请求信号,通过邻近服务提供设备传送给无法直接通信的移动通信基站;移动通信基站根据服务请求设备与所有服务提供设备的连接通信历史,对具备服务条件的服务提供设备进行评分和排序;移动通信基站根据排序结果为服务请求设备选择预设数量的备选服务提供设备;当服务请求设备与备选服务提供设备移动到通信距离以内时,开始通信并提供服务;若两者移动超出通信距离,服务请求设备连接到移动通信基站选择的下一个备选服务提供设备。本发明基于强化学习的方法对服务提供设备进行评分及排序,为服务请求设备提供优选服务方案,提升了通信服务效率和质量。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种基于强化学习的设备到设备的邻近服务方法。
背景技术
在移动通信领域中,增加移动网络的容量和覆盖范围是满足当前用户服务需求的关键技术。与多输入多输出、毫米波、非正交多路访问和异构网络等技术相比,D2D(Device-to-Device,设备到设备)通信技术具有频谱资源占用低、连接灵活、信道质量高和成本低廉等优势,它可以实现用户设备之间的直接通信,而不必在数据传输中过多地涉及蜂窝链路。
目前,基于D2D通信服务研究中,大部分工作都集中在如何为配对的用户设备分配频谱或能量,以实现更高的吞吐量和更少的干扰,而对于如何减少设备移动对服务的影响、提升服务成功率和连续性上还少有研究者涉猎。因此,亟需对上述问题进行探索,以提升基于D2D的通信服务效率和质量。
发明内容
本发明的目的在于提供一种基于强化学习的设备到设备的邻近服务方法,以减少设备移动对服务的影响,提升基于设备到设备的通信服务效率和质量。
为解决上述技术问题,本发明的实施例提供如下方案:
一种基于强化学习的设备到设备的邻近服务方法,包括以下步骤:
S1、服务请求设备发送服务请求信号,通过邻近的服务提供设备,将所述服务请求信号传送给无法直接通信的移动通信基站;
S2、所述移动通信基站根据所述服务请求设备与所有服务提供设备的连接通信历史,对具备服务条件的服务提供设备进行评分和排序;
S3、所述移动通信基站根据排序结果为所述服务请求设备选择预设数量的备选服务提供设备;
S4、当所述服务请求设备与所述备选服务提供设备移动到通信距离以内时,所述备选服务提供设备开始与所述服务请求设备进行通信并提供服务;
S5、若当前备选服务提供设备移动超出通信距离时,所述服务请求设备连接到所述移动通信基站选择的下一个备选服务提供设备,同时重复步骤S2和步骤S3,为所述服务请求设备重新选择预设数量的备选服务提供设备。
优选地,所述具备服务条件的服务提供设备,其判定条件为:
所述服务提供设备与所述服务请求设备之间的距离小于最小信号与干扰加噪声比SINR所要求的最大通信距离。
优选地,在所述步骤S2中,根据所述服务请求设备与所有服务提供设备的连接通信历史,从所有服务提供设备中选出性能和功耗满足预设条件的服务提供设备,并进行评分和排序;其中,性能更优、功耗更低的服务提供设备排序更靠前。
优选地,所述步骤S2包括:
建立基于强化学习的卷积神经网络,对所述服务请求设备与所有服务提供设备的连接通信历史进行学习;
每隔预设时间更新目标卷积神经网络中的预测参数;
利用更新的卷积神经网络从所有服务提供设备中预测出性能更优、功耗更低的服务提供设备,并进行排序。
优选地,所述性能更优是指所述服务提供设备的接入时间更长、中断时间更短。
优选地,所述步骤S2具体包括:
利用卷积神经网络表示行为-值函数;
对所述卷积神经网络进行初始化,包括初始化经验池;
利用ε-greedy策略随机选择服务提供设备;
利用异策略的时间差分方法对值函数进行更新;
对历史通信数据进行预处理后存放到经验池中;
从经验池中采样数据,并根据采样数据更新预测参数;
利用更新的卷积神经网络对服务提供设备进行预测。
优选地,在对所述卷积神经网络进行更新的过程中,将所述服务提供设备的接入时间与中断时间的差值作为奖励值。
优选地,所述邻近服务方法还包括:
所述服务请求设备与所述服务提供设备通信中断或服务完成后,本次服务的数据在中断时间内传送至所述移动通信基站,为所述移动通信基站下一次评分和排序提供依据。
优选地,所述邻近服务方法还包括:
所述服务提供设备具有最大连接数量,同时仅为不超出所述最大连接数量的所述服务请求设备提供服务,超出所述最大连接数量的所述服务请求设备基于剩余时间紧迫性进行排序等待。
优选地,所述邻近服务方法还包括:
所述服务提供设备连接的所述服务请求设备超出最大连接数量后,所述移动通信基站从所述备选服务提供设备中优选当前排序最前的服务提供设备继续为所述服务请求设备提供服务。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明基于强化学习的方法对基于设备到设备的服务提供设备进行评分及排序,为服务请求设备提供通信服务优选方案,以减少设备随机移动对通信服务的影响,提升了基于设备到设备的通信服务效率和质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于强化学习的设备到设备的邻近服务方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种基于强化学习的设备到设备的邻近服务方法,如图1所示,该方法包括以下步骤:
S1、服务请求设备发送服务请求信号,通过邻近的服务提供设备,将所述服务请求信号传送给无法直接通信的移动通信基站;
S2、所述移动通信基站根据所述服务请求设备与所有服务提供设备的连接通信历史,对具备服务条件的服务提供设备进行评分和排序;
S3、所述移动通信基站根据排序结果为所述服务请求设备选择预设数量的备选服务提供设备;
S4、当所述服务请求设备与所述备选服务提供设备移动到通信距离以内时,所述备选服务提供设备开始与所述服务请求设备进行通信并提供服务;
S5、若当前备选服务提供设备移动超出通信距离时,所述服务请求设备连接到所述移动通信基站选择的下一个备选服务提供设备。
上述实施例中,服务请求设备和服务提供设备可以是具备D2D功能的移动终端,例如移动电话、便携式计算机、智能穿戴设备等,服务请求设备因信号干扰或通信距离限制可能无法直接连通移动通信基站,可以通过服务提供设备进行中继通信,来传送服务请求信号。
具体地,所述具备服务条件的服务提供设备,其判定条件为:
所述服务提供设备与所述服务请求设备之间的距离小于最小信号与干扰加噪声比SINR所要求的最大通信距离。满足此判定条件,可以减少干扰和噪声对通信服务的影响,保证服务提供设备与服务请求设备之间的通信服务质量。
在所述步骤S2中,根据所述服务请求设备与所有服务提供设备的连接通信历史,从所有服务提供设备中选出性能和功耗满足预设条件的服务提供设备,并进行评分和排序;其中,性能更优、功耗更低的服务提供设备排序更靠前。
其中,所述性能更优是指所述服务提供设备的接入时间更长、中断时间更短。也就是说,更适合作为中继的服务提供设备要具有两个特征:一是出现中断的次数尽可能少;二是中断持续的时间尽可能短。
在本发明的实施例中,主要利用基于强化学习的方法择优选取服务提供设备,相应地,所述步骤S2包括:
建立基于强化学习的卷积神经网络,对所述服务请求设备与所有服务提供设备的连接通信历史进行学习;
每隔预设时间更新目标卷积神经网络中的预测参数;
利用更新的卷积神经网络从所有服务提供设备中预测出性能更优、功耗更低的服务提供设备,并进行排序。
更进一步地,所述步骤S2具体包括:
利用卷积神经网络表示行为-值函数;
对所述卷积神经网络进行初始化,包括初始化经验池;
利用ε-greedy策略随机选择服务提供设备;
利用异策略的时间差分方法对值函数进行更新;
对历史通信数据进行预处理后存放到经验池中;
从经验池中采样数据,并根据采样数据更新预测参数;
利用更新的卷积神经网络对服务提供设备进行预测。
其中,在对所述卷积神经网络进行更新的过程中,将所述服务提供设备的接入时间与中断时间的差值作为奖励值。
下面以一个具体的实施例对本发明方法进行详细的阐述。
所述基于强化学习的算法的伪代码如下(括号内数字仅代表步骤数,空格表示缩进,为嵌套循环过程):
(1)初始化经验回访缓存器D,容量为N;
(2)利用随机权重θ来初始化行为-值函数U;
(3)初始化目标行为-值函数U’的权重为θ'=θ;
(4)For episode=1,M do;
(5)初始化序列s1={p1},预处理序列φ1=φ(st);
(6)For t=1,T do;
(7)以概率ε随机选择helper ht;
(8)否则选择helper ht=argmaxhU(φ(st),h;θ);
(9)在基站中为当前requester选择helper ht开始通信,观测回报rt,下一个观测片段pt+1;
(10)设置st+1=st,ht,pt+1,预处理φt+1=φ(st+1);
(11)将通讯历史(φt,ht,rt,φt+1)存储在经验回访缓存器D中;
(12)从经验回访缓存器D中随机采样batch组通讯历史(φt,ht,rt,φt+1);
(13)设置目标yj=rj+γmaxhU'(φj+1,hj;θ);
(14)对目标函数(yj-U(φj,aj;θ))2实施梯度下降法从而更新参数θ;
(15)每隔C步重新设置U’=U;
(16)End For;
(17)End For。
强化学习算法DQN基于Q-learning算法和神经网络,具有以下特点:用卷积神经网络来表示行为-值函数;利用经验回放的技术,从经验池中随机抽取数据,从而消除了相邻数据之间的相关性;设置了独立的目标网络,使得学习更加稳定。
上述实施例中,算法伪代码的第1行到第3行进行初始化神经网络,同时DQN算法利用经验回放数据进行学习,所以就初始化了一个经验池;另外,DQN算法设置了独立的目标网络,所以也初始化了该目标网络。目标网络与行为-值函数的初始值相同。
第7行第8行的步骤就是ε-greedy策略,第9行到第14行是利用异策略的时间差分方法对值函数进行更新,其中异策略是指行动策略和目标策略的不同。第10、11、12行的操作,是从历史数据中进行学习的一个具体操作。DQN算法需要先将环境中得到的数据进行处理,然后存放到经验池中,再从经验池中采样数据,然后再进行第13行,利用采样数据更新参数θ,第14行更新目标网络的参数。
通常,一个拥有更好性能的服务提供设备helper意味着更长(稳定)的接入时间Duration,以及更短的中断时间Encounter gap。那么这个服务提供设备helper的性能越好,就必然意味着这两者的差值越大。所以在算法中,以单个helper的接入时间与中断时间的差值作为DQN算法中的奖励r。接入过程和中断时间结束后,就可以知道奖励r和下一段通信开始的时间t’。
上述算法在CAP(ContAct based Proximity)模型中要实现的功能是:从不断产生的通信历史中进行学习,分别更新两个神经网络的参数θ和θ’,其中θ是每次选择helper时更新,θ’是每隔一定次数进行更新。这样可以使神经网络的预测结果更加准确,即可以更加准确地选出性能优秀的helper。
进一步地,所述邻近服务方法还包括:
所述服务请求设备与所述服务提供设备通信中断或服务完成后,本次服务的数据在中断时间内传送至所述移动通信基站,为所述移动通信基站下一次评分和排序提供依据。
进一步地,所述邻近服务方法还包括:
所述服务提供设备具有最大连接数量,同时仅为不超出所述最大连接数量的所述服务请求设备提供服务,超出所述最大连接数量的所述服务请求设备基于剩余时间紧迫性进行排序等待。
所述服务提供设备连接的所述服务请求设备超出最大连接数量后,所述移动通信基站从所述备选服务提供设备中优选当前排序最前的服务提供设备继续为所述服务请求设备提供服务。
综上所述,本发明基于强化学习的方法对基于设备到设备的服务提供设备进行评分及排序,为服务请求设备提供通信服务优选方案,以减少设备随机移动对通信服务的影响,提升了基于设备到设备的通信服务效率和质量。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于强化学习的设备到设备的邻近服务方法,其特征在于,包括以下步骤:
S1、服务请求设备发送服务请求信号,通过邻近的服务提供设备,将所述服务请求信号传送给无法直接通信的移动通信基站;
S2、所述移动通信基站根据所述服务请求设备与所有服务提供设备的连接通信历史,对具备服务条件的服务提供设备进行评分和排序;
S3、所述移动通信基站根据排序结果为所述服务请求设备选择预设数量的备选服务提供设备;
S4、当所述服务请求设备与所述备选服务提供设备移动到通信距离以内时,所述备选服务提供设备开始与所述服务请求设备进行通信并提供服务;
S5、若当前备选服务提供设备移动超出通信距离时,所述服务请求设备连接到所述移动通信基站选择的下一个备选服务提供设备,同时重复步骤S2和步骤S3,为所述服务请求设备重新选择预设数量的备选服务提供设备。
2.根据权利要求1所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,所述具备服务条件的服务提供设备,其判定条件为:
所述服务提供设备与所述服务请求设备之间的距离小于最小信号与干扰加噪声比SINR所要求的最大通信距离。
3.根据权利要求1所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,在所述步骤S2中,根据所述服务请求设备与所有服务提供设备的连接通信历史,从所有服务提供设备中选出性能和功耗满足预设条件的服务提供设备,并进行评分和排序;其中,性能更优、功耗更低的服务提供设备排序更靠前。
4.根据权利要求1所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,所述步骤S2包括:
建立基于强化学习的卷积神经网络,对所述服务请求设备与所有服务提供设备的连接通信历史进行学习;
每隔预设时间更新目标卷积神经网络中的预测参数;
利用更新的卷积神经网络从所有服务提供设备中预测出性能更优、功耗更低的服务提供设备,并进行排序。
5.根据权利要求4所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,所述性能更优是指所述服务提供设备的接入时间更长、中断时间更短。
6.根据权利要求4所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,所述步骤S2具体包括:
利用卷积神经网络表示行为-值函数;
对所述卷积神经网络进行初始化,包括初始化经验池;
利用ε-greedy策略随机选择服务提供设备;
利用异策略的时间差分方法对值函数进行更新;
对历史通信数据进行预处理后存放到经验池中;
从经验池中采样数据,并根据采样数据更新预测参数;
利用更新的卷积神经网络对服务提供设备进行预测。
7.根据权利要求6所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,在对所述卷积神经网络进行更新的过程中,将所述服务提供设备的接入时间与中断时间的差值作为奖励值。
8.根据权利要求1所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,所述邻近服务方法还包括:
所述服务请求设备与所述服务提供设备通信中断或服务完成后,本次服务的数据在中断时间内传送至所述移动通信基站,为所述移动通信基站下一次评分和排序提供依据。
9.根据权利要求1所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,所述邻近服务方法还包括:
所述服务提供设备具有最大连接数量,同时仅为不超出所述最大连接数量的所述服务请求设备提供服务,超出所述最大连接数量的所述服务请求设备基于剩余时间紧迫性进行排序等待。
10.根据权利要求9所述的基于强化学习的设备到设备的邻近服务方法,其特征在于,所述邻近服务方法还包括:
所述服务提供设备连接的所述服务请求设备超出最大连接数量后,所述移动通信基站从所述备选服务提供设备中优选当前排序最前的服务提供设备继续为所述服务请求设备提供服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074638.1A CN112272353B (zh) | 2020-10-09 | 2020-10-09 | 一种基于强化学习的设备到设备的邻近服务方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074638.1A CN112272353B (zh) | 2020-10-09 | 2020-10-09 | 一种基于强化学习的设备到设备的邻近服务方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112272353A true CN112272353A (zh) | 2021-01-26 |
CN112272353B CN112272353B (zh) | 2021-09-28 |
Family
ID=74337178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011074638.1A Active CN112272353B (zh) | 2020-10-09 | 2020-10-09 | 一种基于强化学习的设备到设备的邻近服务方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112272353B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104105217A (zh) * | 2013-04-15 | 2014-10-15 | 上海贝尔股份有限公司 | 为多个设备到设备通信分配资源方法和装置 |
US20160192225A1 (en) * | 2014-12-30 | 2016-06-30 | Lg Electronics Inc. | Method and apparatus for transmitting channel information report message in cloud radio access network (c-ran) environment |
CN109219025A (zh) * | 2018-09-28 | 2019-01-15 | 北京邮电大学 | 一种无线终端直连通信资源分配方法及装置 |
US10231134B1 (en) * | 2017-09-29 | 2019-03-12 | At&T Intellectual Property I, L.P. | Network planning based on crowd-sourced access point data for 5G or other next generation network |
CN109639760A (zh) * | 2018-11-02 | 2019-04-16 | 西北工业大学 | 一种基于深度强化学习的d2d网络中的缓存策略方法 |
CN109729528A (zh) * | 2018-12-21 | 2019-05-07 | 北京邮电大学 | 一种基于多智能体深度强化学习的d2d资源分配方法 |
CN110062357A (zh) * | 2019-03-20 | 2019-07-26 | 重庆邮电大学 | 一种基于强化学习的d2d辅助设备缓存***及缓存方法 |
CN110809306A (zh) * | 2019-11-04 | 2020-02-18 | 电子科技大学 | 一种基于深度强化学习的终端接入选择方法 |
CN111132083A (zh) * | 2019-12-02 | 2020-05-08 | 北京邮电大学 | 一种车辆编队模式下基于noma的分布式资源分配方法 |
CN111630936A (zh) * | 2017-12-30 | 2020-09-04 | 英特尔公司 | 用于无线通信的方法和设备 |
-
2020
- 2020-10-09 CN CN202011074638.1A patent/CN112272353B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104105217A (zh) * | 2013-04-15 | 2014-10-15 | 上海贝尔股份有限公司 | 为多个设备到设备通信分配资源方法和装置 |
US20160192225A1 (en) * | 2014-12-30 | 2016-06-30 | Lg Electronics Inc. | Method and apparatus for transmitting channel information report message in cloud radio access network (c-ran) environment |
US10231134B1 (en) * | 2017-09-29 | 2019-03-12 | At&T Intellectual Property I, L.P. | Network planning based on crowd-sourced access point data for 5G or other next generation network |
CN111630936A (zh) * | 2017-12-30 | 2020-09-04 | 英特尔公司 | 用于无线通信的方法和设备 |
CN109219025A (zh) * | 2018-09-28 | 2019-01-15 | 北京邮电大学 | 一种无线终端直连通信资源分配方法及装置 |
CN109639760A (zh) * | 2018-11-02 | 2019-04-16 | 西北工业大学 | 一种基于深度强化学习的d2d网络中的缓存策略方法 |
CN109729528A (zh) * | 2018-12-21 | 2019-05-07 | 北京邮电大学 | 一种基于多智能体深度强化学习的d2d资源分配方法 |
CN110062357A (zh) * | 2019-03-20 | 2019-07-26 | 重庆邮电大学 | 一种基于强化学习的d2d辅助设备缓存***及缓存方法 |
CN110809306A (zh) * | 2019-11-04 | 2020-02-18 | 电子科技大学 | 一种基于深度强化学习的终端接入选择方法 |
CN111132083A (zh) * | 2019-12-02 | 2020-05-08 | 北京邮电大学 | 一种车辆编队模式下基于noma的分布式资源分配方法 |
Non-Patent Citations (2)
Title |
---|
GAOJIE CHEN: "Optimal Routing for Multihop Social-Based D2D Communications in the Internet of Things", 《IEEE INTERNET OF THINGS JOURNAL》 * |
郭大波: "卷积神经网络中激活函数的一种改进", 《万方》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112272353B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111726826B (zh) | 一种基站密集型边缘计算网络中的在线任务卸载方法 | |
CN111414252B (zh) | 一种基于深度强化学习的任务卸载方法 | |
US7864727B2 (en) | Congestion control method for wireless communication system and base station control apparatus | |
EP2578016B1 (en) | Dynamic channel and transmission rate selection | |
JP5035131B2 (ja) | 基地局装置、無線通信システム、無線通信制御方法および無線通信制御プログラム | |
CN1518818A (zh) | 网络中有效的路径学习方法 | |
CN110769514B (zh) | 一种异构蜂窝网络d2d通信资源分配方法及*** | |
US8401557B2 (en) | Mobile communication system, its control device, and hand-off control method | |
CN110149676A (zh) | 一种选择驻留小区的方法及装置 | |
Huang et al. | Deep reinforcement learning-based dynamic spectrum access for D2D communication underlay cellular networks | |
CN107623720A (zh) | 一种基于合作缓存的数据选择性缓存方法 | |
CN111654344B (zh) | 频段扫描方法、装置、设备和存储介质 | |
CN112272353B (zh) | 一种基于强化学习的设备到设备的邻近服务方法 | |
CN115802442A (zh) | 一种定向自组网邻居发现方法 | |
Balcı et al. | Massive connectivity with machine learning for the Internet of Things | |
EP2519058B1 (en) | Method for attaching a user terminal to a base station of a network | |
WO2022077332A1 (en) | Methods and apparatus for inter-ue coordinated resource allocation in wireless communication | |
CN108271184B (zh) | VoLTE业务处理方法及装置 | |
CN112637927A (zh) | 基于能量效率的多用户多模式d2d通信资源分配方法 | |
Zaidi et al. | AI-assisted RLF avoidance for smart EN-DC activation | |
CN114564248B (zh) | 移动边缘计算中一种根据用户移动模式计算卸载的方法 | |
CN103313322B (zh) | 重定向方法及用户设备 | |
Singh et al. | Local relay selection in presence of dynamic obstacles in millimeter wave d2d communication | |
JPWO2009113622A1 (ja) | 通信端末、通信システム、ハンドオーバ処理方法、および、プログラム | |
EP4261742A1 (en) | Optimized co-inference for a pluralty of ai agents in a mobile communication network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |