智能反射面赋能的联邦边缘学习及其在车联网中的应用

针对无线链路和数据分布的异构性导致在FEEL训练中很难实现无线通信和模型精度的最佳权衡的问题,提出了一种智能反射面(RIS)赋能的空中联邦边缘学习系统,其利用智能反射面的信道可重构性自适应地配置信号传播环境,并利用空中计算实现联邦边缘学习模型的快速聚合。具体来说,首先刻画无线信道和数据异构影响下的联邦优化算法收敛行为,并以此构造统一的无线资源优化问题,通过联合设计收发端波束成形方案和RIS相移来优化学习性能。仿真结果验证了所提方案的有效性,并证明RIS可以在数据异构前提下提高空中联邦边缘学习系统准确性。最后,探讨了其在车联网中应用的可能性。

基于SWIPT无线协作网络的中继选择算法研究

尽管无线协作网络(Wireless Cooperative Network,WCN)显著改善了通信质量和网络吞吐量,但由于中继节点能量限制,造成WCN仍存在网络生命续航和能量补充问题。提出基于携能通信技术的WCN,分析在Nakagami-m信道假设下的多中继节点模型,并研究最优中继节点的选取问题。推导出不同最优中继选择策略下的系统中断概率,并通过蒙特卡洛仿真实验验证其正确性;进一步分析影响系统中断概率的诸多因素。利用前馈神经网络提出基于机器学习的中继选择算法,仿真实验表明:最优中继选择正确率约为93%。