Learning-Based Resource Allocation for Ultra-Reliable V2X Networks With Partial CSI
Notice bibliographique
Résumé
In this paper, we study the resource allocation in high mobility vehicle-to-everything (V2X) networks with only slowly varying large-scale channel parameters. For satisfying the diversity requirements of different types of links, i.e., low delay for vehicle-to-infrastructure (V2I) connections and ultra-reliability for vehicle-to-vehicle (V2V) connections, we formulate a joint power, spectrum and vehicle local computing ratio allocation problem to minimize the delay of V2I links whilst satisfying the V2V reliability constraint. For solving the formulated problem, a Feasible Region Transformation Method is firstly developed to convert the probabilistic V2V reliability requirement into a computable constraint. In addition, a Robust Signal to Interference Plus Noise Ratio (SINR) Modified Method is proposed to give the computable expression for the V2I throughput. Then, a parallel Deep Neural Network (DNN) framework is designed for the resource allocation in V2X networks, where one is the transmit power control unit and the other is the local computing ratio allocation unit. After that, a Feedback-oriented Learning Method is proposed to train the parallel DNN-based resource allocation framework, in which the output of DNN is used as feedback to dynamically revise the training loss function along with the training process. Afterwards, the Hungarian method is employed to obtain the optimal spectrum matching. Finally, we conduct the simulations to show that the proposed learning-based algorithm has better performance compared with other general algorithms.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».