文献

J-GLOBAL ID：202002240927006306   整理番号：20A0836955

深層強化学習による衛星モノのインターネットのための動的チャネル割当【JST・京大機械翻訳】

Dynamic Channel Allocation for Satellite Internet of Things via Deep Reinforcement Learning

著者 (4件)： Liu Jiahao (National University of Defense Technology,School of Computer,ChangSha,China) ,  Zhao Baokang (National University of Defense Technology,School of Computer,ChangSha,China) ,  Xin Qin (University of the Faroe Islands,Faculty of Science and Technology,Torshavn,Faroe Islands) ,  Liu Hua (The People’s Liberation Army Troop,China,75835)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICOIN  ページ： 465-470  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 動的チャネル割当は衛星モノのインターネットにおけるデータ伝送の柔軟性と効率を実現するための最も魅力的で重要な課題の1つである。しかし,従来のランダムアクセス法は,センサ数がある限界を超えると,シナリオに対して非効率的であり,また,低い伝送成功率をもたらす。さらに,既存の発見的資源割当アルゴリズムは,高い計算複雑性のために,そのようなシナリオに対して実用的でない。これらの問題を解決するために,著者らは,CA-DRLと呼ばれる深い強化学習(DRL)に基づく集中化動的チャネル割当法を提案した。CA-DRLは衛星モノのインターネットにおけるチャネル割当問題に対する新しい表現を開発する。それは,配置政策の一定の学習を通して,深いニューラルネットワークの強力な表現能力を有するスマートな配置決定を作ることによって,すべてのセンサの平均伝送待ち時間を最小化した。シミュレーションしたネットワーク環境におけるCA-DRLの高い効率を実証し,提案した方法が現在の最先端チャネル割当アルゴリズムと比較して,少なくとも87.4%までデータ伝送待ち時間を低減できることを示した。結果として,それはまた,有意に高い伝送成功率をもたらした。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 待ち時間 ,  ニューラルネットワーク ,  アルゴリズム ,  集中化 ,  センサ ,  *強化学習 ,  計算量 ,  資源割付 ,  柔軟性
準シソーラス用語： ネットワーク環境 ,  成功率 ,  ランダムアクセス ,  データ伝送 ,  *チャネル割当 ,  *モノのインターネット , 【Automatic Indexing@JST】

分類 (5件)： 図形・画像処理一般  (JE04010I) ,  音声処理  (JE05000E) ,  医用画像処理  (JE04020T) ,  符号理論  (ND02030R) ,  NMR一般  (BM07041R)

タイトルに関連する用語 (4件)： 深層強化学習 ,  衛星 ,  インターネット ,  チャネル割当