车辆对一切(Vehicle to Everything,V2X)是智能交通系统的一项关键技术,可以提高道路安全和交通效率。为降低网络干扰,满足动态环境下不同车辆链路的服务质量(Quality of Service,QoS)要求,提出基于指纹深度强化学习(Deep Reinforcement...车辆对一切(Vehicle to Everything,V2X)是智能交通系统的一项关键技术,可以提高道路安全和交通效率。为降低网络干扰,满足动态环境下不同车辆链路的服务质量(Quality of Service,QoS)要求,提出基于指纹深度强化学习(Deep Reinforcement Learning,DRL)框架的车联网频谱分配和功率控制方案。首先通过随机网络的数据包到达过程分析,V2V链路的时延约束被转化为数据速率约束;然后,各个智能体利用深度神经网络来近似部分观测到的最优资源分配方案映射。同时为避免多智能体环境下的非平稳性,提出使用基于指纹的方式来提高学习稳定性。与其他算法相比,提出的算法能够有效提升网络中车对基站(Vehicle to Infrastructure,V2I)总用户信道容量,同时具有很好的稳定性。展开更多
针对多重信号分类(multiple signal classification, MUSIC)算法在低阵元数目、低信噪比和小节拍数等非理想条件下,对入射间隔较小的信号波达方向(direction of arrival,DOA)估计有效性的问题,提出了改进的基于酉重构子空间的MUSIC算法...针对多重信号分类(multiple signal classification, MUSIC)算法在低阵元数目、低信噪比和小节拍数等非理想条件下,对入射间隔较小的信号波达方向(direction of arrival,DOA)估计有效性的问题,提出了改进的基于酉重构子空间的MUSIC算法。该算法首先利用酉变换将均匀线阵接收数据实数化,然后根据子空间特征向量的大小,重新构造子空间和校正矩阵得到新的空间谱函数,最后与信号子空间投影算法联合,实现DOA估计。仿真结果表明,与传统MUSIC算法和SSP算法相比,所提算法在低阵元数目、低信噪比和小节拍条件下具有更好的分辨率。展开更多
文摘车辆对一切(Vehicle to Everything,V2X)是智能交通系统的一项关键技术,可以提高道路安全和交通效率。为降低网络干扰,满足动态环境下不同车辆链路的服务质量(Quality of Service,QoS)要求,提出基于指纹深度强化学习(Deep Reinforcement Learning,DRL)框架的车联网频谱分配和功率控制方案。首先通过随机网络的数据包到达过程分析,V2V链路的时延约束被转化为数据速率约束;然后,各个智能体利用深度神经网络来近似部分观测到的最优资源分配方案映射。同时为避免多智能体环境下的非平稳性,提出使用基于指纹的方式来提高学习稳定性。与其他算法相比,提出的算法能够有效提升网络中车对基站(Vehicle to Infrastructure,V2I)总用户信道容量,同时具有很好的稳定性。
文摘针对多重信号分类(multiple signal classification, MUSIC)算法在低阵元数目、低信噪比和小节拍数等非理想条件下,对入射间隔较小的信号波达方向(direction of arrival,DOA)估计有效性的问题,提出了改进的基于酉重构子空间的MUSIC算法。该算法首先利用酉变换将均匀线阵接收数据实数化,然后根据子空间特征向量的大小,重新构造子空间和校正矩阵得到新的空间谱函数,最后与信号子空间投影算法联合,实现DOA估计。仿真结果表明,与传统MUSIC算法和SSP算法相比,所提算法在低阵元数目、低信噪比和小节拍条件下具有更好的分辨率。
