智能感知辅助的快速动态频谱抗干扰方法

机器学习赋能的动态频谱抗干扰方法能够通过频谱感知学习干扰规律,自主优化抗干扰策略,适应动态复杂的频谱环境。然而,现有大部分研究假设环境中仅有恶意干扰而不考虑其他通信系统的存在,且所提算法复杂度和算力要求较高。针对以上问题,考虑主用户和恶意干扰同时存在且用频规律未知的场景,设计了基于并行学习的智能感知算法和基于预先学习的动态频谱接入算法,无须通过随机探索频谱环境即可学习可用信道变化规律。仿真结果表明,所提算法在动态干扰攻击下能在线快速找到最优信道选择策略,在完美避开动态干扰的同时不对主用户造成无意干扰。

外贸主体转为企业初探

我国传统的外贸体制，是按照单一的计划经济模式建立起来的。其基本特征是行政直接干预和经营高度垄断化。这种外贸体制的最大弊端是由于经营决策过分集中而导致产销脱节和外贸企业责、权、利脱节。

基于随机森林强化学习的干扰智能决策方法研究

电磁频谱的主导权是现代化电子战制胜的关键。传统的通信对抗中干扰方的干扰模式相对固定单一,干扰效率低下。因此,研究频谱对抗环境中利用强化学习智能选择干扰信道策略对用户通信进行干扰,将干扰方的信道决策过程建模为一个马尔科夫决策过程(Markov Decision Making Process,MDP),并提出了一种基于随机森林强化学习的智能干扰算法。仿真结果表明,与文献[10]所提的智能干扰算法和基于感知的随机信道选择算法相比,所提随机森林强化学习算法干扰收敛速度最快。通过在线自主学习,干扰方可以快速寻找到用户的通信规律,对用户通信实施有效干扰。

基于多智能体深度强化学习的多域协同抗干扰方法研究

动态的传输需求和有限的缓存空间给恶意干扰环境下的无线数据传输带来巨大挑战。针对上述问题,从频域和时域的角度出发,研究了面向分布式物联网的协同抗干扰信道选择和数据调度联合决策方法,构建了基于多用户马尔可夫决策过程的数据传输模型,提出了基于多智能体深度强化学习的协同抗干扰信道和数据联合决策算法。仿真表明,所提算法可有效避开恶意干扰并避免同频互扰。相较于对比算法,网络吞吐量显著提高,丢包数量明显降低。