异构网络中基于深度强化学习的用户关联与资源分配策略

由于异构网络非凸性和组合性的特点,联合用户关联和资源分配来实现能量效率(energy efficiency, EE)和频谱效率(spectral efficiency, SE)同时最大化的最优全局策略仍然是非常具有挑战性的。基于深度强化学习(deep reinforcement learning, DRL)的方法成为在保证异构网络下行链路用户设备(user equipments, UEs)服务质量(quality of service, QoS)的同时实现联合EE-SE性能最大化的必要解决方案。此外,为解决状态-动作空间下计算量大的问题,引入了多智能体架构的深度强化学习算法(MAD3QN)来获得近乎最优控制策略。仿真结果表明,MAD3QN算法在系统容量方面比DDQN算法和DQN算法分别提高了9.2%和18.2%,在联合EE-SE性能方面分别提高了8.5%和16.6%,提升了系统的有效性。

基于树莓派4B的无人机动态追踪平台设计

针对无人机领域中的监管问题,基于YOLOv5-Lite的改进模型,提出了一种随着训练过程为模型动态地分配损失权重的指数移动样本加权函数。通过模型运算,控制二自由度云台对无人机实时跟踪,且视频采集、模型计算和二轴云台控制均在树莓派4B本地进行。优化过的模型在保持原模型参数量的同时,在mAP@.5:.95指标中达到了70.2%,相较于原模型提高了1.5%。在树莓派上的实时推理平均速度为2.1 FPS,处理效率更高。树莓派在模型推理的同时,通过I2C协议控制舵机平台对无人机目标进行追踪,保持对无人机的实时动态监测,提高了系统的可靠性,具有更好的实用价值。