基于蜂窝网的室内定位由于与通信网络共用基础设施,因此具有覆盖范围广、无需基础设施再投资等突出优点,已成为电信运营商级室内定位的首选,是5G通信领域的研究热点之一。在蜂窝网室内定位场景中,基站的布局将直接影响接收首径的数量、...基于蜂窝网的室内定位由于与通信网络共用基础设施,因此具有覆盖范围广、无需基础设施再投资等突出优点,已成为电信运营商级室内定位的首选,是5G通信领域的研究热点之一。在蜂窝网室内定位场景中,基站的布局将直接影响接收首径的数量、到达时间TOA(Time of Arrivaling)和测量误差等要素,从而影响定位精度。据此,文中提出一种面向室内定位的基站选择优化方法,以减小由于基站布局引入的误差。首先,引入TOA信息去除TDOA定位的虚定位点;其次,针对不同基站选择方案得到的定位结果,利用二次聚类的思想去除孤立点,并根据聚类结果中样本节点数量最多的类确定定位点的位置。实验结果表明,与其他优化方法相比,所提方法的室内定位平均误差降低了15.49%。展开更多
在大规模机器类通信(Machine Type Communication,MTC)中,短时间内大量的设备涌入LTE-A(Long Term Evolution-Advanced)网络,这些设备同时发起随机接入会引起严重的网络拥塞,需要采取合适的措施对拥塞加以控制。为此,提出了一种基于强...在大规模机器类通信(Machine Type Communication,MTC)中,短时间内大量的设备涌入LTE-A(Long Term Evolution-Advanced)网络,这些设备同时发起随机接入会引起严重的网络拥塞,需要采取合适的措施对拥塞加以控制。为此,提出了一种基于强化学习的D3QN(Dueling Double Deep Q-network)算法。D3QN以DQN(Deep Q-Network)为基础,使用Double和Dueling两种方法进行改进,并采用优先经验回放对训练数据进行采样,使算法收敛速度更快并且更加稳定。考虑多基站的场景,设备可以对其所在区域内的任一基站发送接入请求。该方案中,使用具有无记忆特性的泊松过程对采用二步的随机接入的MTC设备的到达进行建模,设备通过基站广播的发生冲突的前导码数量,改变强化学习中的奖励,使得MTC设备能够找到拥塞少的基站进行接入,减少可能的前导码冲突。在不同的负载场景中,将所提方案与传统方案以及其他基于强化学习的方案进行了比较,证明了所提方案在解决大规模问题时的实用性和有效性。展开更多
在5G大连接物联网场景下,针对大连接物联网设备(massive machine type communication device,mMTCD)的接入拥塞现象,提出了基于价值差异探索的双重深度Q网络(double deep Q network with value-difference based exploration,VDBE-DDQN...在5G大连接物联网场景下,针对大连接物联网设备(massive machine type communication device,mMTCD)的接入拥塞现象,提出了基于价值差异探索的双重深度Q网络(double deep Q network with value-difference based exploration,VDBE-DDQN)算法。该算法着重解决了在多小区网络环境下mMTCD接入基站的问题,并将该深度强化算法的状态转移过程建模为马尔可夫决策过程。该算法使用双重深度Q网络来拟合目标状态—动作值函数,并采用基于价值差异的探索策略,可以同时利用当前条件和预期的未来需求来应对环境变化,每个mMTCD根据当前值函数与网络估计的下一时刻值函数的差异来更新探索概率,而不是使用统一的标准,从而为mMTCD选择最佳基站。仿真结果表明,所提算法可有效提高系统的接入成功率。展开更多
文摘基于蜂窝网的室内定位由于与通信网络共用基础设施,因此具有覆盖范围广、无需基础设施再投资等突出优点,已成为电信运营商级室内定位的首选,是5G通信领域的研究热点之一。在蜂窝网室内定位场景中,基站的布局将直接影响接收首径的数量、到达时间TOA(Time of Arrivaling)和测量误差等要素,从而影响定位精度。据此,文中提出一种面向室内定位的基站选择优化方法,以减小由于基站布局引入的误差。首先,引入TOA信息去除TDOA定位的虚定位点;其次,针对不同基站选择方案得到的定位结果,利用二次聚类的思想去除孤立点,并根据聚类结果中样本节点数量最多的类确定定位点的位置。实验结果表明,与其他优化方法相比,所提方法的室内定位平均误差降低了15.49%。
文摘在大规模机器类通信(Machine Type Communication,MTC)中,短时间内大量的设备涌入LTE-A(Long Term Evolution-Advanced)网络,这些设备同时发起随机接入会引起严重的网络拥塞,需要采取合适的措施对拥塞加以控制。为此,提出了一种基于强化学习的D3QN(Dueling Double Deep Q-network)算法。D3QN以DQN(Deep Q-Network)为基础,使用Double和Dueling两种方法进行改进,并采用优先经验回放对训练数据进行采样,使算法收敛速度更快并且更加稳定。考虑多基站的场景,设备可以对其所在区域内的任一基站发送接入请求。该方案中,使用具有无记忆特性的泊松过程对采用二步的随机接入的MTC设备的到达进行建模,设备通过基站广播的发生冲突的前导码数量,改变强化学习中的奖励,使得MTC设备能够找到拥塞少的基站进行接入,减少可能的前导码冲突。在不同的负载场景中,将所提方案与传统方案以及其他基于强化学习的方案进行了比较,证明了所提方案在解决大规模问题时的实用性和有效性。
文摘在5G大连接物联网场景下,针对大连接物联网设备(massive machine type communication device,mMTCD)的接入拥塞现象,提出了基于价值差异探索的双重深度Q网络(double deep Q network with value-difference based exploration,VDBE-DDQN)算法。该算法着重解决了在多小区网络环境下mMTCD接入基站的问题,并将该深度强化算法的状态转移过程建模为马尔可夫决策过程。该算法使用双重深度Q网络来拟合目标状态—动作值函数,并采用基于价值差异的探索策略,可以同时利用当前条件和预期的未来需求来应对环境变化,每个mMTCD根据当前值函数与网络估计的下一时刻值函数的差异来更新探索概率,而不是使用统一的标准,从而为mMTCD选择最佳基站。仿真结果表明,所提算法可有效提高系统的接入成功率。