在车载网络中学习压缩CSI与分配资源
信号处理
2019-08-14 v1 机器学习
摘要
资源分配对车辆到一切(V2X)网络的性能有着直接而深远的影响。在本文中，我们开发了一种由集中式决策和分布式资源共享组成的混合架构（C-Decision方案），以最大化所有车辆的长期总和速率。为了减少网络信令开销，每辆车使用深度神经网络压缩其观测信息，随后反馈给集中式决策单元。集中式决策单元采用深度Q网络分配资源，然后将决策结果发送给所有车辆。我们进一步为每辆车采用一个量化层，学习量化连续反馈。此外，我们设计了一种机制来平衡车辆到车辆(V2V)链路和车辆到基础设施(V2I)链路的传输。为了进一步促进分布式频谱共享，我们还为每条V2V链路提出了分布式决策和频谱共享架构（D-Decision方案）。通过大量仿真结果，我们证明了所提出的C-Decision和D-Decision方案都能达到接近最优的性能，并且对反馈间隔变化、输入噪声和反馈噪声具有鲁棒性。
引用
@article{arxiv.1908.04685,
title = {Learn to Compress CSI and Allocate Resources in Vehicular Networks},
author = {Liang Wang and Hao Ye and Le Liang and Geoffrey Ye Li},
journal= {arXiv preprint arXiv:1908.04685},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1908.03447