Deep reinforcement learning based rate enhancement scheme for RIS assisted mobile users underlaying UAV
Notice bibliographique
Résumé
The fifth generation (5G) network enabled communication between devices has emerged as a state-of-the-art technology. In the era of proliferating smart devices and intelligent wireless communication networks, Reflecting Intelligent Surfaces (RIS) and Unpiloted Air Vehicles (UAV) duplet has turn out to be a trustworthy, lucrative and handy solution for various appearing real world communication issues. This article pitches into the downlink UAV communication empowered by RIS, where UAV communicates with Mobile Instruments (MI) via RIS patches installed at a tall tower. Considering the attributes like transmitted power and UAV trajectory, Deep Reinforcement Learning (DRL) based approach is recommended to maximize the overall Sum-rate. In present scenario, DRL technology has popped up as a commanding tool that allows a network to regulate itself in order to deliver optimum solution. In this article, we have proposed a novel viewpoint evolved from Deep Deterministic Policy Gradient (D-DPG) Algorithm specifically Shared Deep Deterministic Policy Gradient (SD-DPG) algorithm for downlink UAV-MI power allocation and trajectory optimization problem. Numerical outcomes manifest that our model, concerned to maximizing sum-rate, outperformed other DRL based method DD-DPG by at least 30% and D-DPG by approximately 3 folds together with optimizing power, phase-shift and UAV trajectory.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».