深度增强网学习用于集成传感,通信和电力传输系统中的坚固束形
Chenfei Xie1, Yue Xiu1, Songjie Yang1
1National Key Laboratory of Science and Technology on Communications, University of Electronic Science and Technology of China, Chengdu 611731, China.
Sensors (Basel, Switzerland)
|January 25, 2025
概括
本研究介绍了用于集成传感,通信和功率传输 (ISCPT) 系统的深度强化学习 (DRL) 框架. DRL优化了资源分配和光束成型,以提高效率,即使有不完美的通道状态信息.
科学领域:
- 无线通信无线通信
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 下一代无线网络需要集成的功能来实现可持续发展.
- 综合传感,通信和电力传输 (ISCPT) 提供了一个同时传输信息,传感和能量传输的范式.
- 优化ISCPT涉及复杂的,非凸的问题,具有多个约束,如服务质量 (QoS),传感精度和功率传输效率.
研究的目的:
- 为优化ISCPT系统提出基于深度强化学习 (DRL) 的框架.
- 解决ISCPT中非凸式优化和不完美的通道状态信息 (CSI) 的挑战.
- 在动态环境中提高整体系统效率,可靠性和资源管理.
主要方法:
- 在ISCPT中开发基于DRL的框架,用于适应性决策.
- 使用DRL来管理复杂的环境状态,并动态调整传感,通信和能量收集参数.
- 实施可靠,可学习的光束成形策略,以推断可实现的速率上限.
主要成果:
- 基于DRL的ISCPT框架有效地管理系统变量,以提高性能.
- 在资源分配,电力管理和信息传输方面观察到显著的改进.
- 拟议的方法证明了稳定性和提高效率,特别是在具有不完美的CSI的动态环境中.
结论:
- DRL提供了一种强大的方法来优化复杂的ISCPT系统.
- 该框架通过适应动态条件和不完美的CSI来提高系统可靠性和效率.
- 这项研究为更高效,更集成的无线通信系统铺平了道路.
