文献

J-GLOBAL ID：202202256604515295   整理番号：22A1105396

無線ボディエリアネットワークのマルチユーザリソース割当のための深層強化学習【JST・京大機械翻訳】

Deep Reinforcement Learning for Multi-user Resource Allocation of Wireless Body Area Network

著者 (3件)： Xu Xiuzhi (Tianjin Normal University, TianJin, China) ,  Mu Jiasong (Tianjin Normal University, TianJin, China) ,  Zhang Tiantian (Tianjin Normal University, TianJin, China)
資料名： Lecture Notes in Electrical Engineering  (Lecture Notes in Electrical Engineering)
巻： 878  ページ： 541-547  発行年： 2022年 
JST資料番号： W5070A  ISSN： 1876-1100  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 無線ボディエリアネットワーク技術の開発は,医療監視,スポーツ,および enter楽のような様々な分野で広く使用できるが,スペクトル資源の欠如もネットワーク間の干渉を悪くする。無線ボディエリアネットワークにおけるマルチユーザ資源配分の最適化問題を目的として,深い強化学習に基づく割当てアルゴリズムを提案した。チャネル間の未知で複雑な動的ネットワーク環境と共周波数干渉に直面して,Q学習は,強い適応性の利点で通信効率を効果的に改善し,外部環境をモデル化する必要がない。訓練エージェントによる報酬と罰としてのエネルギー利用効率は,外部環境と常に相互作用して,経験を獲得し,割り当てと決定の政策を動的に調整し,ほぼ最適な配分戦略を得る。通信効率と性能は,提案したアルゴリズムによって著しく改善された。Copyright The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  干渉 ,  相互作用 ,  最適化問題 ,  スポーツ ,  *ネットワーク ,  スペクトル ,  *資源割付 ,  モデリング ,  エージェント ,  *強化学習
準シソーラス用語： *マルチユーザ ,  Q学習 ,  動的ネットワーク ,  外部環境 , 【Automatic Indexing@JST】

著者キーワード (3件)： 無線ボディエリアネットワーク ,  資源配分 ,  深層強化学習

分類 (3件)： 移動通信  (ND08030H) ,  無線通信一般  (ND08010L) ,  マイクロ波・ミリ波通信  (ND08020W)

タイトルに関連する用語 (4件)： 無線ボディエリアネットワーク ,  マルチユーザ ,  リソース割当 ,  深層強化学習