Deep Reinforcement Learning for Wireless Networks (eBook)
VIII, 71 Seiten
Springer International Publishing (Verlag)
978-3-030-10546-4 (ISBN)
This Springerbrief presents a deep reinforcement learning approach to wireless systems to improve system performance. Particularly, deep reinforcement learning approach is used in cache-enabled opportunistic interference alignment wireless networks and mobile social networks. Simulation results with different network parameters are presented to show the effectiveness of the proposed scheme.
There is a phenomenal burst of research activities in artificial intelligence, deep reinforcement learning and wireless systems. Deep reinforcement learning has been successfully used to solve many practical problems. For example, Google DeepMind adopts this method on several artificial intelligent projects with big data (e.g., AlphaGo), and gets quite good results..
Graduate students in electrical and computer engineering, as well as computer science will find this brief useful as a study guide. Researchers, engineers, computer scientists, programmers, and policy makers will also find this brief to be a useful tool.
Preface 6
A Brief Journey Through ``Deep Reinforcement Learning for Wireless Networks'' 6
Contents 8
1 Introduction to Machine Learning 10
1.1 Supervised Learning 10
1.1.1 k-Nearest Neighbor (k-NN) 11
1.1.2 Decision Tree (DT) 11
1.1.3 Random Forest 12
1.1.4 Neural Network (NN) 14
Random NN 14
Deep NN 15
Convolutional NN 15
Recurrent NN 15
1.1.5 Support Vector Machine (SVM) 16
1.1.6 Bayes' Theory 16
1.1.7 Hidden Markov Models (HMM) 18
1.2 Unsupervised Learning 18
1.2.1 k-Means 18
1.2.2 Self-Organizing Map (SOM) 19
1.3 Semi-supervised Learning 20
References 20
2 Reinforcement Learning and Deep Reinforcement Learning 23
2.1 Reinforcement Learning 23
2.2 Deep Q-Learning 24
2.3 Beyond Deep Q-Learning 25
2.3.1 Double DQN 25
2.3.2 Dueling DQN 26
References 26
3 Deep Reinforcement Learning for Interference Alignment Wireless Networks 28
3.1 Introduction 28
3.2 System Model 30
3.2.1 Interference Alignment 30
3.2.2 Cache-Equipped Transmitters 31
3.3 Problem Formulation 32
3.3.1 Time-Varying IA-Based Channels 32
3.3.2 Formulation of the Network's Optimization Problem 33
System State 34
System Action 35
Reward Function 35
3.4 Simulation Results and Discussions 38
3.4.1 TensorFlow 39
3.4.2 Simulation Settings 40
3.4.3 Simulation Results and Discussions 42
3.5 Conclusions and Future Work 49
References 50
4 Deep Reinforcement Learning for Mobile Social Networks 52
4.1 Introduction 52
4.1.1 Related Works 54
4.1.2 Contributions 55
4.2 System Model 56
4.2.1 System Description 56
4.2.2 Network Model 57
4.2.3 Communication Model 58
4.2.4 Cache Model 59
4.2.5 Computing Model 60
4.3 Social Trust Scheme with Uncertain Reasoning 61
4.3.1 Trust Evaluation from Direct Observations 62
4.3.2 Trust Evaluation from Indirect Observations 63
Belief Function 64
Dempster's Rule of Combining Belief Functions 65
4.4 Problem Formulation 66
4.4.1 System State 66
4.4.2 System Action 67
4.4.3 Reward Function 68
4.5 Simulation Results and Discussions 69
4.5.1 Simulation Settings 70
4.5.2 Simulation Results 71
4.6 Conclusions and Future Work 75
References 76
| Erscheint lt. Verlag | 17.1.2019 |
|---|---|
| Reihe/Serie | SpringerBriefs in Electrical and Computer Engineering | SpringerBriefs in Electrical and Computer Engineering |
| Zusatzinfo | VIII, 71 p. 28 illus., 26 illus. in color. |
| Verlagsort | Cham |
| Sprache | englisch |
| Themenwelt | Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik |
| Technik ► Elektrotechnik / Energietechnik | |
| Technik ► Nachrichtentechnik | |
| Schlagworte | Artificial Intelligence • Caching • connected vehicular networks • Deep learning • Deep Reinforcement Learning • interference alginment • machine learning • Mobile Edge Computing • Mobile Social Networks • Optimization • Reinforcement Learning • Resource Allocation • tensorflow • wireless networks • Wireless systems |
| ISBN-10 | 3-030-10546-6 / 3030105466 |
| ISBN-13 | 978-3-030-10546-4 / 9783030105464 |
| Haben Sie eine Frage zum Produkt? |
PDF (Wasserzeichen)Größe: 2,5 MB
DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.
Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.
Zusätzliches Feature: Online Lesen
Dieses eBook können Sie zusätzlich zum Download auch online im Webbrowser lesen.
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich
