AAV Deployment in IoT Networks: A Codebook-Based Reinforcement Learning Approach
Notice bibliographique
Résumé
This study explores a multiuser massive multiple-input-multiple-output (MU-mMIMO) system that incorporates an autonomous aerial vehicle (AAV) as a decode-and-forward (DF) relay between the base station (BS) and multiple Internet of Things (IoT) devices. The primary goal is to maximize the overall achievable rate (AR) by introducing a novel framework that integrates joint hybrid beamforming (HBF) with AAV deployment in dynamic MU-mMIMO IoT systems. Specifically, considering the geometry-based millimeter-wave (mmWave) channel model for both links, the radio frequency (RF) stages are configured to minimize the number of RF chains by utilizing slow time-varying angular information, while the baseband (BB) stages are developed using reduced-dimension effective channel matrices. Subsequently, deep deterministic policy gradient (DDPG), a reinforcement learning (RL) algorithm with continuous action space, is developed to train the AAV for its deployment. By employing a customized reward function, the RL agent learns an optimal AAV deployment policy capable of adapting to both static and dynamic environments. Then, a novel low-complexity DDPG codebook-based AAV deployment (DDPG-C-AD) is proposed, consisting of an offline agent training phase, and an online AAV deployment prediction to achieve maximum AR. The illustrative results show that the proposed DDPG-C-AD can attain a performance close to the DDPG-based solution in both static and dynamic environments while reducing the runtime by 99%. This makes the DDPG codebook-based solution a promising implementation for real-time online applications in AAV-assisted MU-mMIMO IoT systems.
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) | 0,001 | 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 ».