ترجمه فارسی مقاله یادگیری تقویتی و آگاه از پوشش با استفاده از رویکرد چندعاملی برای کیفیت سرویس نقشه HD در یک محیط واقع‌گرایانه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Coverage-aware and Reinforcement Learning Using Multi-agent Approach for HD Map QoS in a Realistic Environment
عنوان مقاله به فارسی یادگیری تقویتی و آگاه از پوشش با استفاده از رویکرد چندعاملی برای کیفیت سرویس نقشه HD در یک محیط واقع‌گرایانه
نویسندگان Jeffrey Redondo, Zhenhui Yuan, Nauman Aslam, Juan Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
دسته بندی موضوعات Networking and Internet Architecture,Artificial Intelligence,Machine Learning,شبکه سازی و معماری اینترنت , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 19 July, 2024; originally announced August 2024. , Journal ref: 2024 11th International Conference on Wireless Networks and Mobile Communications (WINCOM)
توضیحات به فارسی ارسال شده در 19 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد. ، مجله Ref: 2024 یازدهمین کنفرانس بین المللی شبکه های بی سیم و ارتباطات موبایل (WINCOM)

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 280,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

One effective way to optimize the offloading process is by minimizing the transmission time. This is particularly true in a Vehicular Adhoc Network (VANET) where vehicles frequently download and upload High-definition (HD) map data which requires constant updates. This implies that latency and throughput requirements must be guaranteed by the wireless system. To achieve this, adjustable contention windows (CW) allocation strategies in the standard IEEE802.11p have been explored by numerous researchers. Nevertheless, their implementations demand alterations to the existing standard which is not always desirable. To address this issue, we proposed a Q-Learning algorithm that operates at the application layer. Moreover, it could be deployed in any wireless network thereby mitigating the compatibility issues. The solution has demonstrated a better network performance with relatively fewer optimization requirements as compared to the Deep Q Network (DQN) and Actor-Critic algorithms. The same is observed while evaluating the model in a multi-agent setup showing higher performance compared to the single-agent setup.

چکیده به فارسی (ترجمه ماشینی)

یک روش مؤثر برای بهینه سازی فرایند بارگیری ، به حداقل رساندن زمان انتقال است.این امر به ویژه در یک شبکه ADHOC وسایل نقلیه (VANET) صادق است که در آن وسایل نقلیه به طور مکرر داده های نقشه با کیفیت بالا (HD) را بارگیری و بارگذاری می کنند که نیاز به به روزرسانی های مداوم دارند.این بدان معنی است که نیازهای تأخیر و توان باید توسط سیستم بی سیم تضمین شود.برای دستیابی به این هدف ، استراتژی های تخصیص ویندوزهای قابل تنظیم (CW) در استاندارد IEEE802.11p توسط محققان بی شماری مورد بررسی قرار گرفته است.با این وجود ، اجرای آنها خواستار تغییر در استاندارد موجود است که همیشه مطلوب نیست.برای پرداختن به این مسئله ، ما یک الگوریتم Q-Learning را پیشنهاد کردیم که در لایه برنامه کار می کند.علاوه بر این ، می توان آن را در هر شبکه بی سیم مستقر کرد و از این طریق مشکلات سازگاری را کاهش داد.راه حل عملکرد شبکه بهتری را با الزامات بهینه سازی نسبتاً کمتری نسبت به شبکه Q عمیق (DQN) و الگوریتم های بازیگر-انتقادی نشان داده است.در هنگام ارزیابی مدل در یک مجموعه چند عامل ، عملکرد بالاتری در مقایسه با تنظیم تک عامل نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.