文献

J-GLOBAL ID：202202267545882212   整理番号：22A0779835

モバイル中継ネットワークにおける運動ポリシーのための強化学習【JST・京大機械翻訳】

Reinforcement Learning for Motion Policies in Mobile Relaying Networks

著者 (3件)： Evmorfos Spilios (Department of Electrical and Computer Engineering, Rutgers The State University of New Jersey, New Brunswick, NJ, USA) ,  Diamantaras Konstantinos (International Hellenic University, Central Macedonia, Thessaloniki, Greece) ,  Petropulu Athina (Rutgers The State University of New Jersey, New Brunswick, NJ, USA)
資料名： IEEE Transactions on Signal Processing  (IEEE Transactions on Signal Processing)
巻： 70  ページ： 850-861  発行年： 2022年 
JST資料番号： C0228A  ISSN： 1053-587X  CODEN： ITPRED  資料種別： 逐次刊行物 (A)
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： 空間時間的に変化するチャネル環境で動作する移動中継ビーム成形ネットワークにおける関節ビーム成形と中継運動制御を考察した。各スロットにおいて,中継が最適ビーム成形を実行し,次のスロットの最適位置を推定する時間スロットアプローチを採用した。逐次意思決定フレームワークにおける中継運動制御の問題を解決した。 destination先における累積信号対干渉+雑音比(SINR)を最大化する目的で,中継運動を導くために,強化学習(RL)を採用した。最初に,著者らは,SINRを予測的に推定し,従って,電流中継位置でのチャネル測定とともに,チャネルモデルの部分的知識に基づいて,リレー運動を決定する,モデルベースのRLアプローチを提示した。第二に,チャネルモデルに依存しないモデルフリーの深いQ学習手法を提案した。深いQ学習アプローチのために,値関数Qを近似するための2つの修正多層パーセプトロンニューラルネットワーク(MLP)を提案した。第一の修正はMLPを通過する前に状態のFourier特徴マッピングを適用する。第2の修正は,層間の活性化として正弦波を使用する異なるニューラルネットワークアーキテクチャを構成する。両修正はMLPが高周波値関数をよりよく学習することを可能にし,収束速度とSINR性能に大きな影響を与える。最後に,提示したすべての手法の比較解析を行い,利点と欠点に関する洞察を提供する。Copyright 2022 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： 干渉 ,  雑音 ,  電流 ,  意思決定 ,  *通信網 ,  *ネットワーク ,  正弦波 ,  *中継回線 ,  モデル ,  ビーム成形 ,  *携帯電話 ,  *強化学習
準シソーラス用語： SINR ,  収束速度 ,  Q学習 ,  タイムスロット ,  *中継ネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 通信網  (ND07030A) ,  無線通信一般  (ND08010L)

タイトルに関連する用語 (4件)： モバイル ,  中継ネットワーク ,  運動 ,  強化学習