本文探讨了机器学习和人工神经网络在下一代无线通信中的应用,重点关注无人机通信、虚拟现实和边缘缓存等挑战,并提出未来研究方向以满足无线网络需求。
本文探讨了机器学习和人工神经网络在无线通信中的应用,包括前馈神经网络和循环神经网络。讨论了无人机通信和虚拟现实等挑战,并提出了未来研究方向,以开发满足未来无线网络需求的技术。
该文综述了强化学习在无人机通信与物联网中的应用,包括分布式感知传输、空中基站资源分配、数据采集轨迹规划、语义通信、元宇宙网络、多智能体协作及干扰感知路径规划,以实现能效与性能优化。
该文综述无人机通信与太赫兹网络研究:三维太赫兹覆盖概率分析表明忽略设备垂直高度会低估覆盖概率,增加接入点天线方向性更有价值;协调多点传输可为静止和移动无人机用户提供无缝连接;优化算法可部署无人机基站以最小功率最大化覆盖用户数;物理层安全技术通过优化路径和功率提升空地通信保密速率;定向天线与圆形装箱理论可确定无人机三维位置以最大化覆盖面积和寿命;启发式算法可满足不同用户密度下的服务质量;可调波束宽度定向天线结合飞行悬停协议可优化多用户吞吐量;随机几何框架可分析混合太赫兹/射频网络干扰与覆盖;无人机即飞即用部署中高度与覆盖概率强相关,并可权衡覆盖与延迟。
该文综述多篇无人机通信研究:利用机器学习与多智能体Q学习预测用户移动并优化多无人机轨迹与功率控制,吞吐量提升约17%;将实时请求划分为子任务在无人机群分配以降低时延;用深度Q学习监测农田;干扰感知联合路径规划与功率分配最大化上行吞吐量;分布式联邦学习框架联合功率分配与调度,收敛通信轮数减少35%;RIS与非正交多址提升频谱效率并降低能耗;多无人机搭载RIS作被动中继优化异构网络;可见光通信无人机动态部署优化能效。
完成下面两步后,将自动完成登录并继续当前操作。