Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Maximización de la capacidad efectiva en redes vehiculares más allá de 5G: Un método híbrido de aprendizaje profundo por transferencia.
La mejora de la capacidad de tráfico sensible a la demora es un tema abierto en las redes de comunicación vehicular, donde coexisten un gran número de enlaces de vehículo a infraestructura (V2I) y de vehículo a vehículo (V2V). Para abordar este problema, este artículo propone emplear un esquema híbrido de aprendizaje profundo por transferencia para asignar recursos de radio. Específicamente, el problema de maximización de la capacidad de tráfico se formula primero considerando la interferencia entre canales y la garantía estadística de demora. Luego, se aplica la teoría de la capacidad efectiva para desarrollar un esquema de asignación de potencia en cada canal reutilizado por un enlace V2I y un enlace V2V. Posteriormente, se propone un esquema de aprendizaje profundo por transferencia para obtener la asignación óptima de canales para cada enlace V2I y V2V. Los resultados de la simulación validan que el esquema propuesto proporciona una garantía de rendimiento cercana en comparación
Autores: Huang, Yi; Ma, Xinqiang; Liu, Youyuan; Yang, Zhigang
Idioma: Inglés
Editor: Hindawi
Año: 2021
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 14
Citaciones: Sin citaciones
Hindawi
Wireless Communications and Mobile Computing
Volume , Article ID 8899094, 12 pages
https://doi.org/10.1155/2021/8899094
Huang Yi, Ma Xinqiang, Liu Youyuan, Yang Zhigang
Institute of Intelligent Computing and Visualization Based on Big Data China, College of Computer Science and Technology ChinaAcademic Editor: Luo Changqing
Contact: @hindawi.com
La mejora de la capacidad de tráfico sensible a la demora es un tema abierto en las redes de comunicación vehicular, donde coexisten un gran número de enlaces de vehículo a infraestructura (V2I) y de vehículo a vehículo (V2V). Para abordar este problema, este artículo propone emplear un esquema híbrido de aprendizaje profundo por transferencia para asignar recursos de radio. Específicamente, el problema de maximización de la capacidad de tráfico se formula primero considerando la interferencia entre canales y la garantía estadística de demora. Luego, se aplica la teoría de la capacidad efectiva para desarrollar un esquema de asignación de potencia en cada canal reutilizado por un enlace V2I y un enlace V2V. Posteriormente, se propone un esquema de aprendizaje profundo por transferencia para obtener la asignación óptima de canales para cada enlace V2I y V2V. Los resultados de la simulación validan que el esquema propuesto proporciona una garantía de rendimiento cercana en comparación
Descripción
La mejora de la capacidad de tráfico sensible a la demora es un tema abierto en las redes de comunicación vehicular, donde coexisten un gran número de enlaces de vehículo a infraestructura (V2I) y de vehículo a vehículo (V2V). Para abordar este problema, este artículo propone emplear un esquema híbrido de aprendizaje profundo por transferencia para asignar recursos de radio. Específicamente, el problema de maximización de la capacidad de tráfico se formula primero considerando la interferencia entre canales y la garantía estadística de demora. Luego, se aplica la teoría de la capacidad efectiva para desarrollar un esquema de asignación de potencia en cada canal reutilizado por un enlace V2I y un enlace V2V. Posteriormente, se propone un esquema de aprendizaje profundo por transferencia para obtener la asignación óptima de canales para cada enlace V2I y V2V. Los resultados de la simulación validan que el esquema propuesto proporciona una garantía de rendimiento cercana en comparación