Learning to Optimize: Training Deep Neural Networks for Wireless Resource Management
在过去的几十年里,数值优化在解决无线资源管理问题(如功率控制和波束形成器设计)方面发挥了核心作用。然而,优化算法往往带来相当大的复杂性,这造成了理论设计/分析和实时处理之间的严重差距。为了应对这一挑战,我们提出了一种新的基于学习的方法。其关键思想是将资源分配算法的输入和输出视为未知的非线性映射,并使用深度神经网络(DNN)对其进行近似。如果非线性映射可以通过中等规模的DNN准确学习,那么资源分配几乎可以实时的完成-因为通过DNN传递输入只需要少量的简单操作。在这项工作中,我们解决的理论和实践方面的DNN为基础的算法近似与无线资源管理的应用。我们首先确定了一类优化算法,这些算法在理论上可以通过完全连接的DNN“学习”。然后,我们专注于基于DNN的近似的一个流行的功率分配算法命名为WMMSE(石{ \it等} 2011)。我们表明,使用DNN近似WMMSE可以是相当准确的-近似误差$ε$依赖于温和的[在$\log(1/ε)$的顺序]上的神经元和层的DNN的数量。在实现方面,我们使用大量的数值模拟来证明,与基于优化的最先进的功率分配算法相比,DNN可以在计算时间上实现数量级的加速。
2017-10-25 cs.IT eess.SP math.IT
A State-Augmented Approach for Learning Optimal Resource Management Decisions in Wireless Networks
University of Pennsylvania(宾夕法尼亚大学);Intel Corporation(英特尔公司)
我们认为在多用户无线网络中的无线电资源管理(RRM)的问题,其中的目标是优化网络范围内的效用函数受到约束的遍历平均性能的用户。我们提出了一个状态增强参数化的RRM政策,其中旁边的瞬时网络状态,RRM政策作为输入的一组对偶变量对应的约束。我们提供了理论上的理由的可行性和近最优的RRM决定所提出的状态增强算法。专注于RRM政策参数化的图神经网络(GNN)和双变量的双下降动态的功率分配问题,我们数值证明,所提出的方法实现了优越的平均值,最小值和第5百分位率之间的权衡比基线方法。
2022-11-09 cs.IT cs.LG eess.SP
Deep Learning for Wireless Communications: An Emerging Interdisciplinary Paradigm
无线通信被设想为在未来带来巨大的变化,具有各种新兴应用,诸如虚拟现实(VR)、物联网(IoT)等,成为现实。然而,这些引人注目的应用带来了许多新的挑战,包括未知的信道模型,大规模超密集网络中的低延迟要求等。深度学习(DL)在各个领域,特别是在计算机科学中的惊人成功,最近激发了人们越来越多的兴趣,将其应用于解决这些挑战。因此,在这篇评论中,一对占主导地位的方法使用DL的无线通信进行了调查。第一种是基于DL的架构设计,打破了过去几十年无线通信经典的基于模型的模块设计规则。第二个是基于DL的算法设计,将通过为5G及以后设想的一系列典型技术中的几个示例来说明。他们的原则,主要特点和性能增益将进行讨论。此外,开放的问题和未来的研究机会也将指出,突出DL和无线通信之间的相互作用。我们期望这篇综述能为智能无线通信激发更多的新想法和令人兴奋的贡献。
2020-07-12 cs.IT eess.SP math.IT
Average Reward Reinforcement Learning for Wireless Radio Resource Management
University of Virginia(弗吉尼亚大学);The Pennsylvania State University(宾夕法尼亚州立大学)
针对无线资源管理中折扣报酬强化学习与无折扣优化目标不匹配的问题,提出平均报酬离策略软演员评论家方法,仿真显示系统性能较传统方法提升15%。
2025-01-12 cs.IT cs.LG cs.NI
LORM: Learning to Optimize for Resource Management in Wireless Networks with Few Training Samples
Hong Kong University of Science and Technology(香港科技大学);ShanghaiTech University(上海科技大学);The Hong Kong Polytechnic University(香港理工大学)
有效的资源管理在无线网络中起着至关重要的作用,不幸的是,在大多数情况下,这会导致具有挑战性的混合整数非线性规划(MINLP)问题。基于机器学习的方法最近已经成为一种破坏性的方式,以获得接近最佳性能的MINLP与负担得起的计算复杂性。已经有一些尝试将这样的方法应用于无线网络中的资源管理,但是这些尝试需要大量的训练样本并且缺乏处理约束问题的能力。此外,当网络参数发生变化时,它们会遭受严重的性能恶化,这通常会发生,被称为任务不匹配问题。在本文中,为了降低样本的复杂性和解决可行性问题,我们提出了一个学习优化资源管理(LORM)的框架。LORM通过一种样本有效的方法,即模仿学习,而不是在以前的研究中采用的端到端的学习方法,学习MINLP的分支定界算法中的最优剪枝策略。为了进一步解决任务不匹配的问题,我们在LORM中通过自我模仿开发了一种迁移学习方法,称为LORM-TL,它可以快速地使预训练的机器学习模型适应新任务,只需少量额外的未标记训练样本。数值模拟将证明,LORM优于专门的最先进的算法,并实现接近最佳的性能,同时实现显着的加速比相比,分支定界算法。此外,LORM-TL依靠一些未标记的样本,实现了与使用足够标记样本从头开始训练的模型相当的性能。
2019-05-16 cs.IT cs.LG eess.SP
Deep Learning for Distributed Optimization: Applications to Wireless Resource Management
Pukyong National University(釜庆国立大学);Korea University(高丽大学);Singapore University of Technology and Design(新加坡科技设计大学);Kyung Hee University(庆熙大学)
本文研究了一种深度学习(DL)框架来解决无线网络中的分布式非凸约束优化问题,其中多个计算节点通过回程链路互连,希望根据本地观测值确定其状态的有效分配。两种不同的配置被认为是:第一,一个无限容量的回程使节点以无损的方式进行通信,从而获得集中计算的解决方案。其次,一个实际的有限容量的回程导致部署分布式求解器配备随着量化器通过容量有限的回程通信。分布的性质和非凸性的优化,使解决方案的识别笨拙。为了处理它们,引入深度神经网络(DNN)来精确地近似解的未知计算。因此,原始问题被转换为DNN的训练任务,受到非凸约束,其中现有DL库无法直接扩展。基于原对偶方法提出了一种约束训练策略。对于分布式实现,一种新的二值化技术,在输出层的量化在每个节点。我们提出的分布式DL框架中检查各种网络配置的无线资源管理。数值结果验证了我们提出的方法比现有的优化技术的有效性。
2019-05-31 cs.IT cs.LG eess.SP
LoRa-RL: Deep Reinforcement Learning for Resource Management in Hybrid Energy LoRa Wireless Networks
LoRa无线网络被认为是下一代物联网(IoT)系统的关键技术。新的物联网部署(例如,智能城市场景)每平方公里可能具有数千个设备,导致提供连接的巨大功耗。在本文中,我们研究了由电网和可再生能源混合供电的绿色LoRa无线网络,它可以在处理间歇性供应的同时受益于收获的能量。本文提出了有限数量的信道和扩频因子(SF)的资源管理方案,以提高LoRa网关的能量效率。首先,在满足系统的服务质量需求的同时使电网功耗最小化的问题被公式化。具体而言,这两种情况下的不相关和时间相关的信道进行了研究。最优的资源管理问题是通过解耦成两个子问题:信道和SF分配问题和能量管理问题。由于最优解的获得具有较高的复杂性,在线资源管理启发式算法,最大限度地减少电网的能源消耗。最后,考虑到信道和能量的相关性,自适应资源管理方案的基础上强化学习(RL),开发。仿真结果表明,所提出的资源管理方案提供了在LoRa无线网络中的可再生能源的有效利用。
2021-09-06 cs.NI eess.SP
Interference Management for Over-the-Air Federated Learning in Multi-Cell Wireless Networks
ShanghaiTech University(上海科技大学);Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences(中国科学院上海微系统与信息技术研究所);University of Chinese Academy of Sciences(中国科学院大学);University of Waterloo(滑铁卢大学)
资源受限的无线网络中的联邦学习(FL)最近引起了广泛的关注。然而,大多数现有的研究考虑一个FL任务在单小区无线网络中,忽略了下行链路/上行链路小区间干扰对学习性能的影响。在本文中,我们调查FL在多小区无线网络,其中每个小区执行不同的FL任务和空中计算(AirComp),使快速上行链路梯度聚合。我们进行了AirComp-assisted FL系统的收敛分析,考虑到下行链路和上行链路模型/梯度传输中的小区间干扰,这表明失真的模型/梯度交换会导致间隙,从而阻碍FL的收敛。我们描述了错误诱导间隙区域的Pareto边界,以量化不同FL任务之间的学习性能权衡,基于此,我们用公式表示优化问题,以最小化所有小区中的误差引起的间隙的总和。为了解决下行链路和上行链路传输之间的耦合以及多个小区之间的耦合,我们提出了一个合作的多小区FL优化框架,以实现有效的干扰管理的下行链路和上行链路传输设计。结果表明,我们所提出的算法在多个细胞比非合作基线计划取得更好的平均学习性能。
2022-06-06 cs.IT cs.LG eess.SP
Smart Inventory Management System for Photovoltaic-Powered Freezer Using Wireless Sensor Network
本研究开发了一个以光伏板为能源的冰箱库存管理系统。它旨在促进能源效率和负责任地使用粮食。它的传感器网络是一个基于Arduino的无线传感器网络,安装在太阳能冰箱上,用于开发一个可访问且易于使用的智能库存管理系统。通过在冰箱内部实现传感器网络,可以容易地监测易腐和不易腐物品的库存,而不必物理地检查冰箱的内部。与此相关,开发了一个补充的Android应用程序,可以通过GSM Shield SIM 800 L接收和显示从传感器网络发送的数据。
2019-11-04 eess.SP
Smart Wireless Environment Enhanced Telecommunications: A Network Stabilisation Paradigm for Mobile Operators
本文从移动信道稳定视角综述了智能无线环境(SWE)范式,分析了全息超表面、无线感知与机器智能的协同作用,为运营商构建稳健的5G RAN架构及未来商业部署指明关键挑战。
2024-06-11 cs.IT eess.SP math.IT
Learning Based Dynamic Cluster Reconfiguration for UAV Mobility Management with 3D Beamforming
针对无蜂窝无线网络中无人机通信的动态聚类与功率分配多目标优化难题,提出一种基于定制化掩码软演员-评论家强化学习的动态簇重配置方法,兼顾可靠性、功耗与重配置频率需求。
2024-01-31 cs.IT eess.SP math.IT
Radio resource management for high-speed wireless cellular networks
预计将于2020年部署的第五代(5G)无线蜂窝系统将提供比当前第四代(4G)系统更高的容量和更好的网络性能。具体地,预测在未来几年内将有数百亿个无线设备连接到无线网络,这导致移动数据业务的指数级爆炸。因此,必须提出更先进的无线架构以及激进和创新的接入技术,以满足未来几年移动数据和连接需求的迫切增长。为此,两个重要的无线蜂窝架构,即基于小型小区的密集部署的无线异构网络(HetNet)和云无线电接入网络(C-RAN),已经被学术界和工业界提出并积极研究。除了在增加网络覆盖以及端到端系统吞吐量方面具有很多优势外,这两种新型网络架构还提出了一些新的技术挑战,并为进一步研究开辟了令人兴奋的研究领域。受上述技术挑战的激励,这个博士学位的总体目标。研究是为未来的高速无线蜂窝网络开发有效的无线电资源分配和干扰管理算法。特别是,我们已经开发了各种有效的资源分配算法,用于降低传输功率并增加HetNet和C-RAN的端到端网络吞吐量。此外,大量的数值结果,以获得进一步的见解,并评估我们的资源分配设计的性能。
2018-11-06 eess.SP
Joint Wireless and Edge Computing Resource Management with Dynamic Network Slice Selection
网络切片是在边缘计算系统中实现低延迟计算卸载的一种有前途的方法。在本文中,我们考虑了网络切片下的边缘计算系统,其中无线设备生成延迟敏感的计算任务。我们解决的问题,联合动态分配的计算任务的切片,跨切片的无线电资源的管理和切片内的无线电和计算资源的管理。我们制定的联合切片选择和边缘资源管理(JSS-ERM)问题作为一个混合整数问题的目标,以最大限度地减少计算任务的完成时间。我们表明,JSS-ERM问题是NP-难的,并开发了一个近似算法与有界的逼近比的基础上的博弈论处理的问题。我们提供了大量的仿真结果表明,网络切片可以提高系统的性能相比,没有切片,所提出的解决方案可以实现显着的收益相比,平等的切片政策。我们的研究结果还表明,所提出的算法的计算复杂性是近似线性的设备的数量。
2020-01-22 cs.NI eess.SP
Resource Allocation for a Wireless Coexistence Management System Based on Reinforcement Learning
OWL University of Applied Sciences(东威斯特伐利亚应用科学大学);Institute of Industrial Information Technologies(工业信息技术研究所)
在工业环境中,使用越来越多的无线设备,这些设备利用免许可频带。由于这些相互干扰的无线系统可能会降低共存的状态。因此,需要一种中央共存管理系统,其将无冲突资源分配给无线系统。为了确保无冲突的资源利用,在分配资源之前预测预期的介质利用是有用的。本文提出了一种基于强化学习的自学习概念。基于神经网络的强化学习代理的模拟评估,称为深度Q网络和双深度Q网络,实现了示例性和实际相关的共存场景。对双深度Q网络的评估表明,在所有调查的情况下,预测准确率至少可以达到98%。
2018-05-24 cs.LG cs.NI eess.SP
Evolution Toward 6G Wireless Networks: A Resource Management Perspective
在本文中,我们首先介绍了6 G无线网络的愿景、关键性能指标、关键使能技术(KCN)和服务。然后,我们强调了一系列的一般资源管理(RM)的挑战,以及独特的RM挑战对应于每个KET。6 G中独特的RM挑战需要将现有的基于优化的解决方案转变为人工智能/机器学习授权的解决方案。在续集中,我们制定了一个联合网络选择和子信道分配问题的6 G多频带网络,提供进一步增强的移动宽带(FeMBB)和极端超可靠低延迟通信(eURLLC)服务的地面和空中用户。我们的解决方案突出了多频段网络的有效性,并展示了与深度Q网络和双深度Q网络算法相比,深度Q学习在获得高效RM解决方案方面的鲁棒性,收敛速度更快。
2021-08-14 cs.NI eess.SP
Dynamic Uplink/Downlink Resource Management in Flexible Duplex-Enabled Wireless Networks
灵活双工是为了适应未来无线网络的信道和业务不对称性而提出的。在本文中,我们提出了两种新的算法在灵活的双工框架内的联合上行链路和下行链路的资源分配在多小区的情况下,命名为SAFP和RMDI,基于无线链路之间的干扰耦合的意识。数值结果表明,显著的性能增益的基线系统与固定的上行链路/下行链路资源配置,并在动态TDD方案,独立适应的配置,在每个小区随时间变化的业务量。所提出的算法实现了两倍的增长时,与基线方案相比,测量的最坏情况下的服务质量满意度水平,在低水平的流量不对称。当流量高度不对称时,增益更显着,因为它实现了三倍的增长。
2017-09-11 cs.CE eess.SP
Deep Learning For Experimental Hybrid Terrestrial and Satellite Interference Management
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)(加泰罗尼亚电信技术中心(CTTC/CERCA));Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
干扰管理是许多学科中存在的一个广泛主题。大多数无线标准都存在干扰入侵和网络效率下降的缺点。传统上,通过提出局部地最小化干扰影响的信号处理技术来解决干扰管理。然而,未来通信的快速发展使其难以适应新的时代。在本文中,我们提出使用深度学习技术来提供一个紧凑的干扰管理系统。特别是,我们描述了两个子系统能够检测干扰的存在,即使在高信号干扰比(SIR),和干扰分类在几个无线电标准。最后,我们根据从地面和卫星网络捕获的真实信号给出了结果,结论揭示了人工智能和无线通信的勇敢未来。
2019-06-07 cs.IT cs.LG eess.SP
Autonomous Energy Management system achieving piezoelectric energy harvesting in Wireless Sensors
无线传感器网络(WSNs)广泛用于监测应用,例如智能建筑中的湿度和温度传感、工业自动化和预测作物健康。传感器节点被部署在遥远的地方,从环境中感知数据信息,并将感知数据传输到基站(BS)。当传感器耗尽能量时,如果没有替代能源,它将无法再发挥其作用。然而,传感器电池中的有限能量阻碍了此类应用中的长期过程。此外,更换传感器的电池和重新部署传感器在时间和预算方面非常昂贵。为了在不改变传感器尺寸的情况下克服能量限制,研究人员提出了使用能量收集来通过电力重新加载可充电电池。因此,需要有效的功率管理来增加具有额外环境能量的益处。本文提出了一种新的能量自我管理的基础上的比例积分微分控制器(PID)调整的能量收集和微处理器控制器单元(MCU)控制的传感器模式。
2019-09-17 cs.NI eess.SP
Resource Management in Wireless Networks via Multi-Agent Deep Reinforcement Learning
HRL Laboratories, LLC(HRL实验室);Intel Corporation(英特尔公司);VMware, Inc.(VMware公司)
我们提出了一种使用多代理深度强化学习(RL)在无线网络中进行分布式资源管理和干扰缓解的机制。我们为网络中的每个发射机配备了一个深度RL代理,该代理接收来自其关联用户的延迟观测,同时还与其相邻代理交换观测,并决定在每个调度间隔服务哪个用户以及使用什么发射功率。我们提出的框架,使代理同时作出决定,并在一个分布式的方式,不知道其他代理的并发决策。此外,我们的代理的观察和动作空间的设计是可扩展的,在这个意义上说,一个代理训练的情况下,具有特定数量的发射机和用户可以应用到不同数量的发射机和/或用户的情况。仿真结果表明,我们提出的方法相比,分散的基线在平均和$5^{th}$百分位用户率之间的权衡方面的优越性,同时实现性能接近,甚至在某些情况下优于,集中式信息理论基线。我们还表明,我们训练有素的代理是强大的,并保持他们的性能增益时,遇到训练和测试部署之间的不匹配。
2021-01-11 cs.IT cs.LG cs.MA
A Generative AI-Enhanced Digital Twin Framework for Proactive Interference Management in Hybrid Near/Far-Field Wireless Systems
King Fahd University of Petroleum and Minerals(国王法赫德国王石油矿物大学)
本文提出一种生成式AI增强的数字孪生框架,用于动态室内场景中的主动干扰管理,通过高分辨率虚拟模型和生成式AI预测并抑制干扰,提升SINR和减少 outage 概率。
2026-11-20 eess.SP
Control and Management of Multiple RATs in Wireless Networks: An SDN Approach
电信运营商正在使用各种无线电接入技术(RAT)来向移动订户提供服务。这种发展强调了对不同RAT的统一控制和管理的需求。虽然多种RAT共存于当今的蜂窝网络中,但是每种RAT由一组不同的实体控制。这可能导致整个网络资源的次优利用。在这篇文章中,我们回顾了工业界和学术界提出的多RAT控制的各种架构。我们还提出了一种新的基于SDN的网络架构,用于端到端的控制和管理不同的RAT。该架构是可扩展的,并提供了一个框架,以提高网络性能,在目前的架构和建议,在现有的文献。我们的架构还提供了一个框架,在RAT不可知的方式部署应用程序。它有助于网络切片,并能够向最终用户提供服务质量(QoS)保证。我们还开发了一个基于ns-3的评估平台来评估该架构所提供的性能。使用该平台获得的实验结果表明,我们的架构所提供的好处。
2018-12-06 eess.SP
Delay Management Using Packet Fragmentation in Wireless Industrial Automation Systems
Millennium Institute of Technology(千年理工学院);DHA Suffa University(DHA苏法大学)
针对工业自动化的时延管理需求,本文对比了FROG-MAC与FPS-MAC两种异构无线网络MAC方案,在Contiki平台的单跳星型拓扑仿真中验证了FROG-MAC在能效和时延上的优势。
2025-10-21 eess.SP
Optimal Resource Management for Hierarchical Federated Learning over HetNets with Wireless Energy Transfer
针对工业物联网异构网络中资源受限设备开展分层联邦学习的能效挑战,提出结合无线能量传输的启发式资源管理算法H2RMA,在训练损失和电网能源成本上实现更优性能。
2023-05-03 cs.NI eess.SP
Characterization of Wireless Channel Semantics: A New Paradigm
面向6G原生感知与智能需求,本文提出由状态、行为和事件语义构成的无线信道语义模型及表征框架,并基于28 GHz实测与多模态数据验证其可解释性。
2024-03-01 eess.SP
To Supervise or Not: How to Effectively Learn Wireless Interference Management Models?
University of Minnesota(明尼苏达大学);Shenzhen Research Institute of Big Data(深圳市大数据研究院);Michigan State University(密歇根州立大学)
机器学习已经成功地解决了无线干扰管理问题。不同类型的深度神经网络(DNN)已经被训练来完成关键任务,如功率控制,波束成形和准入控制。对于这种基于DNN的干扰管理模型,存在两种流行的训练范例:监督学习(即,拟合由优化算法生成的标签)和无监督学习(即,直接优化某些系统性能测量)。虽然这两种范式在实践中得到了广泛的应用,但由于缺乏对这两种方法的理论理解,如何系统地理解和比较它们的性能还不清楚。在这项工作中,我们进行了理论研究,以提供一些深入了解这两个培训范式。首先,我们展示了一个有点令人惊讶的结果,对于一些特殊的功率控制问题,无监督学习的表现可能比有监督学习差得多,因为它更有可能停留在一些低质量的局部解上。然后,我们提供了一系列的理论结果,以进一步了解这两种方法的属性。一般来说,我们表明,当高质量的标签可用时,监督学习比无监督学习更不可能停留在解决方案上。此外,我们开发了一种半监督学习方法,该方法适当地整合了这两种训练范式,并且可以有效地利用有限数量的标签来找到高质量的解决方案。据我们所知,这些是第一组理论成果,试图了解不同的培训方法,在基于学习的无线通信系统设计。
2021-12-28 cs.LG eess.SP
Deep Reinforcement Learning for Radio Resource Allocation and Management in Next Generation Heterogeneous Wireless Networks: A Survey
下一代无线网络预计将非常复杂,因为它们在所包含的网络架构类型、所服务的智能物联网设备的类型和数量以及所支持的新兴应用类型方面具有巨大的异质性。在这样的大规模异构网络(HetNet)中,无线电资源分配和管理(RRAM)成为系统设计和部署过程中遇到的主要挑战之一。在这种情况下,新兴的深度强化学习(DRL)技术预计将成为未来无线HetNet中解决RRAM的主要技术之一。在本文中,我们进行了系统的深入,全面调查的应用DRL技术在RRAM的下一代无线网络。为此,我们首先概述了现有的传统RRAM方法,并确定其局限性,激励在RRAM中使用DRL技术。然后,我们提供了一个全面的审查最广泛使用的DRL算法来解决RRAM问题,包括基于值和策略的算法。每个算法的优点,局限性和用例提供。然后,我们进行了全面和深入的文献综述和现有的相关工作进行分类的基础上,他们正在解决的无线电资源和类型的无线网络,他们正在调查。为此,我们仔细识别在每个相关工作中使用的DRL算法的类型,这些算法的元素,以及每个相关工作的主要发现。最后,我们强调了重要的开放性挑战,并提供了深入了解基于DRL的RRAM的背景下,未来的几个研究方向。本调查旨在引导和激励更多的研究工作,为未来的无线网络构建高效和细粒度的基于DRL的RRAM方案。
2021-05-25 cs.SY eess.SP eess.SY
Reflection Resource Management for Intelligent Reflecting Surface Aided Wireless Networks
本文研究了两跳网络中多个单天线源端对采用智能反射面的问题。与以往的IRS研究仅关注IRS中所有反射元件的反射系数的调整不同,本文考虑了真实反射资源管理。具体地说,真正的反射资源管理可以通过触发器模块选择的基础上,我们提出的IRS架构,所有的反射元件的部分控制由多个并行开关的控制器。随着反射元件数量的增加,在这种情况下,由于不可压缩的能量消耗,真正的反射资源管理将变得迫切需要。此外,所提出的模块化结构的IRS的设计,使反射元件部分独立和可控。因此,我们的目标是通过联合触发模块子集选择、ST的发射功率分配以及触发模块的相应被动波束成形来最大化DT处的最小信号与干扰加噪声比(SINR),这取决于每ST功率预算和模块大小约束。而这个问题是NP-难的,由于模块大小的约束,为了处理它,我们转换的硬模块大小的限制到组稀疏的限制,通过引入混合行块范数,这产生了一个合适的半定松弛。此外,提出了并行交替方向乘法器(PADMM)方法来识别触发模块子集,然后通过对广义分式规划进行部分线性化,在不考虑组稀疏约束的情况下,通过求解最小信干噪比最大化问题来获得发射功率分配和无源波束形成。
2020-09-30 cs.IT cs.NI cs.PF
Spectrum Coexistence, Network Dimensioning, and Cell-Free Architectures in 5G and 5G-Advanced Wireless Networks
University of Maryland, College Park(马里兰大学帕克分校)
本文综述了5G及5G-Advanced无线网络中的频谱共存、网络维度设计和无细胞架构等关键技术与挑战。
2026-02-06 eess.SP
Embodied Intelligent Wireless (EIW): Synesthesia of Machines Empowered Wireless Communications
本文提出EIW范式,通过具身智能理念重新定义无线通信节点,实现环境感知、决策与行动的闭环,提升无线通信系统的适应性和智能性。
2025-11-28 eess.SP
Spectrum Cognition: Semantic Situation for Next-Generation Spectrum Management
本文综述频谱认知,提出“数据处理—信号分析—语义态势”视角,界定其与传统频谱感知的区别,并梳理框架进展、挑战与技术方案。
2025-08-31 eess.SP
Wireless Resource Management in Intelligent Semantic Communication Networks
James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院);University of Electronic Science and Technology of China(电子科技大学)
针对智能语义通信异构网络,本文引入知识库与消息系统吞吐量指标,联合优化用户关联和带宽分配,并提出随机规划与启发式算法相结合的两阶段方案。
2022-02-15 cs.AI cs.NI eess.SP
New Paradigm for Unified Near-Field and Far-Field Wireless Communications
针对5G码本无法兼顾近场与远场用户的问题,本文提出一种新型码本,无需区分用户位置即可高效预编码,符合3GPP标准,仿真验证其在6G MIMO系统中统一近远场预编码的有效性。
2025-04-22 eess.SP
Interference Management for Full-Duplex ISAC in B5G/6G Networks: Architectures, Challenges, and Solutions
本文针对现有全双工ISAC设计忽视通信能力的问题,综述B5G/6G网络中FD-ISAC的架构,分析链路与网络级干扰挑战,从多维度梳理干扰管理方案并指出开放问题。
2024-04-09 eess.SP
Adversarial Attacks on Graph Neural Networks based Spatial Resource Management in P2P Wireless Communications
本文针对P2P通信中基于GNN的无线资源管理系统提出四种顶点/边扰动对抗攻击,构建Min-Max优化问题实现攻击检测,仿真验证攻击可改变信道特征值分布特性。
2023-12-13 eess.SP
Dynamic Interference Management for UAV-Assisted Wireless Networks
无人驾驶飞行器的部署正在激增,因为它们是有效、灵活和具有成本效益的设备,适用于从自然灾害恢复到货物运送的各种应用。我们研究的传输机制,旨在提高基站(BS)和用户设备之间的数据速率,通过部署多个中继无人机。我们考虑干扰的影响,这是由另一个已建立的通信网络的节点所引起的。我们的主要目标是为无人机设计3D轨迹和功率分配,以最大限度地提高数据流,同时满足干扰约束。无人机可以重新配置它们的位置,以避免鲁莽/智能干扰者造成的非预期/有意干扰。我们还考虑了智能干扰机追逐无人机以降低通信质量的情况。在这种情况下,我们从无人机网络和智能干扰机的角度来研究这个问题。提出了一种交替最大化方法来解决联合三维轨迹设计和功率分配问题。我们处理的3D轨迹设计诉诸谱图理论,随后通过凸优化技术解决的功率分配。最后,我们通过仿真证明了我们所提出的方法的有效性。
2019-09-26 cs.MA eess.SP
Bridge to Real Environment with Hardware-in-the-loop for Wireless Artificial Intelligence Paradigms
University of Northumbria(诺丁汉大学);University of Warwick(沃里克大学);V-TRON Company(V-TRON公司)
针对车联网机器学习方案仅在仿真中评估、实车测试成本高且存在真实环境意外风险的问题,本文提出首个硬件在环系统,可在仿真与真实环境中同时测试人工智能、多服务及LiDAR高清地图数据。
2024-09-25 cs.LG cs.NI eess.SP