车联网中基于轨迹预测的无人机动态协同优化覆盖算法

针对城市车联网中出现的基站覆盖空洞及局部流量过载等问题,提出了一种基于车辆轨迹预测信息的动态预部署方案。首先,为了训练得到统一的seq2seq-GRU轨迹预测模型,多个携带边缘计算服务器的无人机在分布式联邦学习与区块链的架构下,去除中心聚合节点,采取改进的Raft算法,在每轮训练中根据贡献数据量的大小,选举得到节点来完成参数聚合及模型更新任务。其次,基于模型预测结果,提出了一种改进的虚拟力向导部署算法,通过各虚拟力来引导无人机进行动态地部署以提升车辆的接入率及通信质量。仿真结果表明,提出的训练架构能够加速模型的训练,部署算法在提升车辆接入率的同时提升了车辆与无人机之间的通信质量。     

电力系统的通信光纤设备维护

在电力系统中,通信光纤设备因其具有良好的传播速度和抗干扰能力,被广泛的使用。因此,通信光纤设备的维护工作是电力系统安全运行的重要保障之一,本文结合实际针对电力系统的通信光纤设备维护进行分析,希望对读者有所帮助。     

基于自适应梯度压缩的高效联邦学习通信机制研究

针对物联网(IoTs)场景下,联邦学习(FL)过程中大量设备节点之间因冗余的梯度交互通信而带来的不可忽视的通信成本问题,该文提出一种阈值自适应的梯度通信压缩机制。首先,引用了一种基于边缘-联邦学习的高效通信(CE-EDFL)机制,其中边缘服务器作为中介设备执行设备端的本地模型聚合,云端执行边缘服务器模型聚合及新参数下发。其次,为进一步降低联邦学习检测时的通信开销,提出一种阈值自适应的梯度压缩机制(ALAG),通过对本地模型梯度参数压缩,减少设备端与边缘服务器之间的冗余通信。实验结果表明,所提算法能够在大规模物联网设备场景下,在保障深度学习任务完成准确率的同时,通过降低梯度交互通信次数,有效地提升了模型整体通信效率。     

基于多智能体深度强化学习的无人机动态预部署策略

针对传统优化算法在求解长时间尺度内通信无人机(UAV)动态部署时复杂度过高且难以与动态环境信息匹配等缺陷，该文提出一种基于多智能体深度强化学习(MADRL)的UAV动态预部署策略。首先利用一种深度时空网络模型预测用户的预期速率需求以捕捉动态环境信息，定义用户满意度的概念以刻画用户所获得UAV提供服务的公平性，并以最大化长期总体用户满意度和最小化UAV移动及发射能耗为目标建立优化模型。其次，将上述模型转化为部分可观测马尔科夫博弈过程(POMG)，并提出一种基于MADRL的H-MADDPG算法求解该POMG中轨迹规划、用户关联和功率分配的最佳决策。该H-MADDPG算法使用混合网络结构以实现对多模态输入的特征提取，并采用集中式训练-分布式执行的机制以高效地训练和执行决策。最后仿真结果证明了所提算法的有效性。     

基于注意力机制ConvLSTM的UAV节能预部署策略

无人机(UAV)可以作为空中基站而凭借其移动性灵活地实现热点区域的覆盖.如何预测流量的分布而优化UAV部署是运营商面临的挑战.针对此问题,该文提出一种基于注意力机制卷积长短期记忆网络(A-ConvL-STM)的UAV节能预部署策略:提出一种融合注意力机制的卷积长短期记忆深度时空网络模型A-ConvLSTM,用于预测用户...