文献

J-GLOBAL ID：201802287718835799   整理番号：18A1087537

正の強化学習と直交分解に基づく干渉戦略選択アルゴリズム【JST・京大機械翻訳】

Jamming strategy learning based on positive reinforcement learning and orthogonal decomposition

著者 (4件)： Zhuansun Shaoshuai (国防科技大学電子対抗学院,安徽合肥230037;安徽省電子制約技術重点実験室,安徽合肥230037) ,  Yang Junan (国防科技大学電子対抗学院,安徽合肥230037;安徽省電子制約技術重点実験室,安徽合肥230037) ,  Liu Hui (国防科技大学電子対抗学院,安徽合肥230037;安徽省電子制約技術重点実験室,安徽合肥230037) ,  Huang Keju (国防科技大学電子対抗学院,安徽合肥230037;安徽省電子制約技術重点実験室,安徽合肥230037)
資料名： Xitong Gongcheng yu Dianzi Jishu  (Xitong Gongcheng yu Dianzi Jishu)
巻： 40  号： 3  ページ： 518-525  発行年： 2018年 
JST資料番号： C2068A  ISSN： 1001-506X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 強化学習は自己学習とオンライン学習の方法であり、試行錯誤の方式と動的環境の持続的な相互作用を行い、さらに最適な策略を学習し、機械学習領域の重要な分枝になる。現在の無線通信妨害戦略の研究が事前情報と学習速度が遅いという欠点に照準を定め,正の強化学習-直交分解に基づく干渉戦略選択アルゴリズムを提案した。このアルゴリズムは,正の強化のアイデアを用いて,最適動作の選択における確率を改善し,そして,システムの学習速度を速めた。特に、通信信号星座図は多くの要素によって歪みが生じる時、提案した直交分解アルゴリズムを用いて、最適な干渉信号の同相成分と直交分量を学習できる。シミュレーション結果は,正の強化学習-直交分解アルゴリズムが,最適干渉パラメータと最適干渉様式を,より迅速に学習することができ,同じタスクにおいて,より少ない相互作用回数とより良い干渉効果があることを示した。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 通信信号 ,  無線伝送 ,  *アルゴリズム ,  *強化学習 ,  相互作用 ,  機械学習 ,  シミュレーション ,  *直交性 ,  *干渉
準シソーラス用語： 学習速度 ,  事前知識 ,  動的環境 ,  オンライン学習 ,  自己学習 ,  *直交分解 , 【Automatic Indexing@JST】

著者キーワード (6件)： machine learning ,  reinforcement learning ,  positive reinforcement ,  orthogonal decomposition ,  multi armed bandit ,  jamming decision

分類 (2件)： 人工知能  (JE08000Z) ,  システム設計・解析  (IA02030D)

タイトルに関連する用語 (5件)： 学習 ,  直交分解 ,  干渉 ,  戦略 ,  アルゴリズム