认知异构网络中基于深度强化学习的调制编码方案选择
信息论
2018-11-08 v1 math.IT
摘要
我们考虑一种认知异构网络（HetNet），其中多对次级用户采用基于感知的方法与一对主用户在同一频段共存。由于频谱感知不完美，次级发射机（ST）可能对主接收机（PR）造成干扰，使 PR 难以选择合适的调制和/或编码方案（MCS）。为解决此问题，我们利用深度强化学习（DRL）并提出一种用于主传输的智能 MCS 选择算法。为降低 MCS 切换引起的系统开销，我们进一步在所提算法中引入切换代价因子。仿真结果表明，不含切换代价因子的所提算法主传输速率达到最优 MCS 选择方案（假设 ST 的干扰在 PR 处作为先验信息完全已知）的 90% 至 100%，且比基准算法高 30% 至 100%。同时，含切换代价因子的所提算法能在主传输速率与系统开销之间取得比最优算法和基准算法更好的平衡。
引用
@article{arxiv.1811.02868,
title = {Deep Reinforcement Learning based Modulation and Coding Scheme Selection in Cognitive Heterogeneous Networks},
author = {Lin Zhang and Junjie Tan and Ying-Chang Liang and Gang Feng and Dusit Niyato},
journal= {arXiv preprint arXiv:1811.02868},
year = {2018}
}
备注
12 pages, 9 figures