射频能量收集认知无线电网络的最优时限约束频谱接入

为了在能量收集与传输时限约束下优化认知无线电网络次用户的机会式频谱接入,该文综合考虑信道状态的时变性与观测性,基于队列所有数据包的传输紧迫性对次用户时限约束频谱接入进行马尔可夫决策过程(MDP)建模。证明此MDP建模具有单链性质,进而使用价值迭代算法求解确定性平稳ε-最优策略,有效降低了最优策略求解复杂度。仿真结果在不同网络参数配置下验证了该文策略相较于贪婪策略的吞吐率性能优势。

基于多智能体协作学习的车联网联合通信计算资源分配

边缘计算赋能下车联网固有的高移动性和计算资源实时变化性对通信与计算资源分配提出了全新要求。考虑以最小化计算迁移时延与车辆用户传输能耗之间长期权衡为优化目标,利用协作多智能体强化学习方法设计联合通信与计算资源分配方案,使得各车辆用户分别作为智能体通过共享训练经验以完成中心化训练,进而可仅依据本地观测信息即可协作完成分布式决策。经数值仿真验证,所提方案相较于基准方案能更好地适应部分观测车联网环境,且可以更有效地同时降低计算迁移时延和传输能耗。

我国上市公司高管薪酬激励机制分析

本文以沪深A股上市公司为研究样本针对上市公司高管薪酬现状分析的基础上,通过分析上市公司高管薪酬的激励机制,为金融危机后的经济形势下的上市公司建立高管薪酬激励机制提供依据。研究结果发现,短期薪酬激励机制与长期薪酬激励机制对公司经营绩效均有正向影响,但后者的影响并不显著。

稀疏多径信道环境中MIMO-OFDM系统的IQ不平衡和信道联合估计

该文针对稀疏多径信道环境中的MIMO-OFDM系统所存在的IQ不平衡问题,提出了一种IQ不平衡参数和信道的联合估计方法。推导了联合估计的时域模型,提出了基于1 2l-l优化模型和平行坐标下降算法的联合估计算法。仿真结果表明,所提方法与传统的频域最小二乘算法和匹配追踪算法相比,显著提高了系统性能。

OFDMA中频谱感知的功率控制算法研究

结合认知无线电的特点,将基于频谱感知的功率控制算法应用到OFDMA系统中,建立了PA-OFDMA(Power Adaptation-OFDMA)仿真模型,实现了认知环境下的多址接入技术。该模型基于频谱感知信息,通过一种功率阈值分配算法自适应地为每个子信道分配一个独立的功率阈值,限定使用该信道认知用户的最大发射功率,实现非授权用户与授权用户的频谱共享。与干扰温度模型进行了比较,仿真结果表明,该模型解决了干扰温度模型中的局部干扰问题,提高了系统容量,具有较高的频谱利用率和较低的误比特率。

OFDM系统发射机／接收机IQ不平衡的无反馈时域补偿

针对OFDM系统传统的同相、正交支路（IQ）不平衡的时域补偿算法所存在的时延及系统开销问题，提出了一种无反馈的IQ不平衡时域补偿算法，该算法可在接收端对发射机和接收机分别产生的IQ不平衡进行联合补偿。同时设计了特殊结构的训练序列，以实现信道和IQ不平衡参数的联合估计。仿真表明，该算法仅需两个正交频分复用（OFDM）训练符号即可达到较好的系统误码性能，因此是一种高效且无需反馈的OFDM系统发射机／接收机的IQ不平衡补偿算法。

基于交通流量预测的车联网双边拍卖边缘计算迁移方案

为同时提升车辆的计算迁移率和边缘计算服务器的资源利用率,提出了一种基于交通流量预测的车联网边缘计算迁移方案。首先通过设计考虑任务优先级的计算迁移率和资源利用率效用函数,将问题建模为双目标优化问题;然后将问题转化为车辆与边缘计算服务器之间的资源双边拍卖问题,再通过设计交通流量信息感知的报价函数,采用McAfee拍卖算法,进而完成边缘计算迁移。仿真结果表明,通过交通流量预测信息的辅助,所提方案能有效提高车联网的边缘计算迁移率和资源利用率。

基于SAC强化学习的车联网频谱资源动态分配

针对车联网频谱资源稀缺问题,提出一种基于柔性致动-评价(SAC)强化学习算法的多智能体频谱资源动态分配方案。以最大化信道总容量与载荷成功交付率为目标,建立车辆-车辆(V2V)链路频谱资源分配模型。将每条V2V链路作为单个智能体,构建多智能体马尔科夫决策过程模型。利用SAC强化学习算法设计神经网络,通过最大化熵与累计奖励和以训练智能体,使得V2V链路经过不断学习优化频谱资源分配。仿真结果表明,与基于深度Q网络和深度确定性策略梯度的频谱资源分配方案相比,该方案可以更高效地完成车联网链路之间的频谱共享任务,且信道传输速率和载荷成功交付率更高。

基于贝叶斯Q学习的无人机集群抗干扰智能快跳频算法

针对无人机集群抗干扰通信问题,提出了一种以同时实现信息传输速率最大化和跳频开销最小化为目标的智能快跳频算法。首先在传统Q学习基础上,利用近期信息价值增益选择跳频点,再依据对环境的观测信息,并运用矩更新方法修正基于高斯-伽马分布模型的Q值,进而实现了对无人机集群快跳频策略性能的提升。仿真结果表明,相较于随机快跳频和基于传统Q学习的智能快跳频算法,所提算法能更快地学习到性能更佳的快跳频策略。

面向无线快速充电应用的调压方案设计与实现

随着科技的发展,人们的生活节奏加快,对手机等移动设备的使用频率不断提升,使得普通的无线充电方案已经无法满足使用需求。因此,效率高且干扰小的无线快速充电方案急需走进人们的生活。DC/DC调压是一种能够实现电压数字可控的调压方式,因其效率高和稳定性好等优点被广泛应用。基于DC/DC调压原理分别设计出两种应用于无线快速充电的定频调压方案,并对电路参数设置进行理论推导,最后对设计的方案进行实现。性能测试及样板充电实验验证了理论推导和方案设计的正确性和有效性,表明其具有重要应用价值。

一种传输时限下认知无线电网络的动态广播策略

在具有传输时限要求的认知无线电网络中,次用户需要机会式地在给定传输时限内使用无主用户占用的信道广播消息。针对此场景,文中提出一种新的传输时限下认知无线电网络的动态广播策略,允许各等待发送数据的次用户根据每个时隙载波侦听的观测、传输时限剩余时间和主用户占用信道模型实时调整发送概率。首先基于马尔可夫决策过程获得一种载波侦听理想观测假设下的最优策略和最大网络可靠性;然后据此提出一种适用于载波侦听实际观测能力的启发式策略,并通过马尔可夫决策过程建模获得此启发式策略的网络可靠性。仿真结果验证了理论分析的准确性,同时表明所提出的启发式策略的可靠性非常接近理想观测下的最大可靠性,并且明显优于最优静态策略的网络可靠性。

基于片外Flash编程加载的无线充电SoC系统的设计与实现

无线充电技术能使充电器摆脱线路的束缚,实现电源和电器完全分离,相较于传统充电具有更佳的灵活性和安全性。尽管如此,目前市场上的无线充电器普遍价格昂贵,不利于推广,因此急需成本低且充电性能良好的无线充电系统走进人们的生活。研究了基于片外Flash编程加载的无线充电SoC系统,提出该系统的设计和实现方法,总结该无线充电系统在应用中存在的看门狗复位及低功耗问题,并且提出了相应的解决方案。实验结果表明,该无线充电SoC系统在价格低廉的优势下能够满足小型化、低功耗的设计要求,并且具有优异的无线能量传输性能。

面向多目标救援的通信受限无人机集群分布式策略

现有无人机集群的协同决策设计所依据的信息共享缺乏对无人机之间通信能力的合理假设。针对电量、载荷和路线约束下的无人机集群多目标救援问题,结合无人机飞行路线,考虑通信能力对无人机之间信息共享的限制。首先,将问题建模成部分可观测马尔可夫决策过程;然后,利用循环神经网络提出基于深度强化学习的能够适应通信拓扑结构不断变化的分布式救援策略。仿真结果表明,所提策略相较于其他策略在通信受限的情况下具有更佳的分布式救援性能,无人机数量和无人机通信能力需要依据救援场景进行联合设置方能达到无人机集群救援性能和使用成本的最佳折中。

面向实际信道观测环境的时限约束无线下行调度策略

时限约束无线下行传输广泛应用于各类关系国计民生的实时通信业务,要求每个数据分组在严格传输时限内进行高可靠性传输。尽管如此,基站往往不能完全观测自身与各设备之间的信道状态,而需要借助反馈所携的信息对信道状态进行观测,从而增加了下行调度策略的设计难度。文章基于此实际信道观测环境设计时限约束下行调度策略,允许基站根据当前数据分组信息以及部分观测的各信道状态决定传输优先级。首先仅考虑队首数据分组信息对下行传输进行无限时域部分观测马尔可夫决策过程简化建模,但求解此建模的最优或近优策略在计算上不可行。鉴于此,文章应用有限时域Q函数马尔可夫决策过程算法,提出了一种低复杂度次优策略,并进一步提出一种更简单的启发式策略。仿真结果验证了所提策略相比对照策略在各种网络场景下的网络吞吐率优势,并且表明了信道的部分观测特性对吞吐率性能有较大影响。

传输时限约束下的能量收集无线传感器网络多址接入优化

随着能量收集无线传感器网络在环境监测、工业自动化、战场侦察等实时通信场景的广泛应用,多址接入需要同时考虑数据分组严格的传输时限特性以及传感器节点的能量收集特性。由于节点互干扰、传输紧迫性及能量储存度等因素的固有耦合,此多址接入的设计和优化相比于仅需考虑数据分组到达特性的传统多址接入具有更大挑战性。首先,设计各节点接入行为依赖于全局传输紧迫性和剩余能量的集中式接入协议;然后,考虑集中式接入具有难以承受的控制开销,设计各节点接入概率仅依赖于本地传输紧迫性和剩余能量的分布式接入协议。以最大化网络吞吐率为优化目标,使用马尔可夫决策过程对集中式接入分别进行考虑所有数据分组信息的完整建模和仅考虑队首数据分组信息的简化建模,并基于逆向归纳算法求解两种建模的最优集中式策略;最后,使用分布式马尔可夫决策过程对分布式接入协议进行简化建模,并基于马尔可夫策略搜索方法提出ε-最优分布式策略。仿真结果验证了简化建模的有效性和所提出策略相较于其他策略的性能优越性。

基于多智能体协同的无人机簇群多域节能抗干扰通信

随着无人机网络向着集群化方向发展,无人机簇群通信面临恶意干扰电磁环境下频谱和能量资源不足以及环境部分可观测等问题.针对联合频谱域和功率域的无人机簇群抗干扰问题,以最小化长期传输能量损耗和跳频开销为优化目标,通过建立分布式部分可观测马尔可夫决策过程模型,构建基于多智能体协同的无人机簇群节能抗干扰通信框架.具体地,各簇头无人机作为智能体,利用长短时记忆神经网络的信息长期记忆优势,结合双深度Q学习方法,采用多智能体框架完成分布式训练,最终实现仅需各簇群本地观测信息即可完成协同多域节能抗干扰通信分布式决策.仿真结果表明,本文所提算法可适应部分可观测且未知动态变化的无人机簇群传输环境和干扰环境,相较于基准算法能更有效地降低长期传输能量损耗和跳频开销,且同时提升数据传输成功率.

大规模能量收集物联网基于信息年龄的自适应接入

信息年龄是衡量通信系统传输时效性的重要性能指标,其优化对于实时检测监控和精准决策控制至关重要.尽管如此,针对多源多宿大规模物联网,现有研究缺乏考虑能量收集动态性、互干扰时空差异性以及接入参数时变性对信息年龄的综合影响.鉴于此,本文首次面向此类物联网提出一种允许发送节点在能量充足时根据对应实时信息年龄采用不同发送概率的自适应接入协议,并且联合运用空间点过程、马尔可夫(Markov)过程以及不动点理论推导了信息年龄空间分布和系统平均信息年龄,最后提出一种低复杂度获取次优自适应接入参数的方法.仿真结果验证了理论分析的准确性,并表明了所提自适应策略的信息年龄性能明显优于已有策略.