基于生成神经网络的利用线性求和分配问题的频谱共享
机器学习
2019-10-15 v1 网络与互联网体系结构
机器学习
摘要
频谱管理与资源分配（RA）问题在无线通信和计算机网络等大量研究领域中具有挑战性且至关重要。解决此类问题的传统方法通常消耗时间和内存，尤其是对于大规模问题。近来，不同的机器学习方法被视为组合优化问题的潜在有前景技术，尤其是深度神经网络的生成模型。在本工作中，我们提出了一种资源分配深度自编码器网络，作为一种有前景的生成模型，用于通过求解线性求和分配问题（LSAPs）实现底层设备到设备（D2D）通信中的频谱共享。具体而言，我们研究了条件变分自编码器（CVAE）三种不同架构的性能。所提出的三种架构分别是卷积神经网络（CVAE-CNN）自编码器、前馈神经网络（CVAE-FNN）自编码器和混合（H-CVAE）自编码器。仿真结果表明，由于该方法能够以高准确率和极快执行时间求解不同规模的 LASPs，所提出的方法可用作匈牙利算法等传统 RA 技术的替代方案。此外，仿真结果揭示，所提出的混合自编码器架构的准确率优于其他所提架构以及最先进的 DNN 技术。
引用
@article{arxiv.1910.05510,
title = {Generative Neural Network based Spectrum Sharing using Linear Sum Assignment Problems},
author = {Ahmed B. Zaky and Joshua Zhexue Huang and KaishunWu and Basem M. ElHalawany},
journal= {arXiv preprint arXiv:1910.05510},
year = {2019}
}