A FAST CONVERGENT CHANNEL SELECTION STRATEGY IN CRSN
Notice bibliographique
Résumé
Accurate and fast convergence to the optimal channel is a challenge in a cognitive radio sensor network (CRSN) when multiple cognitive wireless channels coexist. Some traditional wireless channel selection methods can be used to study the optimal channel selection. However, their convergence speed cannot meet the requirements because of vast computation and time accumulation. In this paper, a rapid channel selection strategy based on machine learning called MAB-CQ (multi-armed bandit-channel quality) is proposed. This strategy maps the channel selection problem to the improved multiarmed bandit (MAB) model. In the model, the second users (SUs) and the channels in the CRSN correspond to the players and the arms of MAB, respectively. The optimal channel is determined based on the UCB (upper confidence bound) of MAB-CQ for each player. In addition, the UCB equation is creatively defined to balance the exploration and exploitation problem. At the same time, to reduce the computation complexity, coefficients about the factors are used to narrow down the exploratory scope of our strategy. As a result, an accuracy optimal channel and a fast convergence speed are achieved by iterative execution of MAB-CQ. Extensive experimental results demonstrate that the MAB-CQ can converge to nearly 100% within the 10 5 time slots. By comparison, MAB-CQ has obvious advantages in cumulative rewards, computational complexity and convergence speed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».