基于强化学习的URLLC中量化反馈的有效吞吐量最大化
信息论
2025-01-22 v1 机器学习
信号处理
math.IT
摘要
本文提出了一个针对超可靠低延迟通信(URLLC)中量化反馈的有效吞吐量最大化的综合系统模型，重点关注动态信道条件和反馈方案。该研究考察了一个通信系统，其中接收器向发射器提供量化的信道状态信息。系统基于强化学习调整其反馈方案，旨在最大化有效吞吐量，同时适应变化的信道统计特性。我们引入了一种新颖的Rician-因子估计技术，使通信系统能够优化反馈方案。这种动态方法提高了整体性能，使其非常适合信道统计特性随时间变化的实际URLLC应用。
引用
@article{arxiv.2501.11190,
title = {Reinforcement Learning Based Goodput Maximization with Quantized Feedback in URLLC},
author = {Hasan Basri Celebi and Mikael Skoglund},
journal= {arXiv preprint arXiv:2501.11190},
year = {2025}
}
备注
Accepted for the IARIA 21st International Conference on Wireless and Mobile Communication (ICWMC 2025) Conference