Deep Q-Learning-Based Resource Management in IRS-Assisted VLC Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Visible Light Communication (VLC) is a promising enabling technology for the next-generation wireless networks, as it complements radio-frequency (RF)-based communications by providing wider bandwidth, higher data rates, and immunity to interference from electromagnetic sources. However, due to its unique characteristics, VLC is highly sensitive to the line-of-sight (LoS) blockage. Recently, intelligent reflecting surface (IRS) has been proposed as an innovative solution that dynamically reconfigures the wireless environment. The present contribution proposes a two-stage resource management framework in an indoor VLC system: In the first stage, a maximum possible fairness (MPF) algorithm is presented in order to maximize the fairness amongst the users. In the second stage, deep Q-learning is exploited in order to maximize the overall spectral efficiency (SE). The corresponding numerical results have shown that the proposed DQL-MPF framework exhibits superior performance in terms of both the overall SE and Jain’s Fair Index, achieved at a fast convergence rate. More specifically, when the noise power is high and the number of users is relatively large, the DQL-MPF algorithm achieves a more than tenfold overall SE compared to the Baseline scheme. Moreover, the synergy between the MPF and the DQL algorithms is investigated. To this end, we demonstrate that the MPF algorithm maximizes the fairness amongst the users while the DQL algorithm maximizes the overall SE and improves the robustness against the noise. Our results also highlight the effectiveness of the proposed algorithm in leveraging the increasing number of IRS elements for optimized performance.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle