基于图卷积网络的车联网资源管理
车辆到一切(V2X)通信是有效地提高交通安全性和移动性的解决方案.为了解决深度学习在功率分配中存在的需要大量训练数据和泛化性问题,减少车辆网络信道干扰,提出了基于图卷积神经网络(GCN)的总用户速率最大化,总用户能效最大化的两种准则下的功率分配框架.所提出的框架首先将无线干扰信道转化为图数据结构,证明了干扰信道的无序性;其次根据不同功率分配准则的特点,构建了GCN网络结构,同时提出相应的损失函数.通过与基于加权最小均方误差(WMMSE)算法训练的多层感知器(MLP)网络对比,仿真数据表明,在小样本训练、可扩展性、可泛化性几个方面,所提出方案优于对比算法.
车辆网络、能源效率、图卷积神经网络、功率分配、深度学习
44
TN929.5
国家重点研发计划;国家自然科学基金
2021-07-01(万方平台首次上网日期,不代表论文的发表时间)
共6页
114-119