隨著通信網(wǎng)絡(luò)的高速發(fā)展,未來的網(wǎng)絡(luò)將會成為一個自治系統(tǒng),海量數(shù)據(jù)與智能算法一定會成為無線網(wǎng)絡(luò)進(jìn)一步發(fā)展的重要基礎(chǔ)。在智能交通方面,隨著人們對車輛智能化需求的不斷增加,車輛網(wǎng)絡(luò)亟待研究與發(fā)展。在車輛網(wǎng)絡(luò)中,各類車輛服務(wù)對緩解交通壓力和減少交通事故有著重要意義。然而,車輛網(wǎng)絡(luò)資源有限,隨著車輛服務(wù)需求的增加,合理分配車輛網(wǎng)絡(luò)中的資源,對保障車輛服務(wù)的高可靠低時延需求具有重要意義。首先,介紹了車輛網(wǎng)絡(luò)的研究現(xiàn)狀,并介紹了機器學(xué)習(xí)在車輛網(wǎng)絡(luò)中的研究現(xiàn)狀,對車輛網(wǎng)絡(luò)中的資源分配策略進(jìn)行了重點描述,發(fā)現(xiàn)了機器學(xué)習(xí)方法的可適用性,認(rèn)為使用機器學(xué)習(xí)方法來進(jìn)行車輛網(wǎng)絡(luò)的資源分配是一項有意義的研究。然后,提出一個三層車輛網(wǎng)絡(luò)架構(gòu),包括本地計算層、移動邊緣計算層和云計算層。在此架構(gòu)的基礎(chǔ)上,考慮到車輛網(wǎng)絡(luò)的低時延要求,將完成任務(wù)的時延作為系統(tǒng)成本提出了目標(biāo)函數(shù);針對這個目標(biāo)函數(shù),為系統(tǒng)制定了相關(guān)狀態(tài)、動作及獎勵,提出基于強化學(xué)習(xí)的資源分配算法,實現(xiàn)了層與層之間高效的動態(tài)計算資源分配。仿真結(jié)果表明,所提策略可以使系統(tǒng)總成本最小化,使得服務(wù)任務(wù)滿足其低時延需求。進(jìn)一步,在上述工作的基礎(chǔ)上,提出以機器學(xué)習(xí)算法為基... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

V2X通信常用場景模式

重慶郵電大學(xué)碩士學(xué)位論文第2章基于機器學(xué)習(xí)的資源分配策略概述9人小娜和特斯拉智能車輛正在改變著人們的生活。為了能更好地利用機器學(xué)習(xí)這一強有力的工具，接下來本章深入學(xué)習(xí)并研究了機器學(xué)習(xí)的基礎(chǔ)知識和基本原理。2.1.1機器學(xué)習(xí)分類根據(jù)需要解決的問題及數(shù)據(jù)種類的不同，對一個問題的建模有不同的方式。在機器學(xué)習(xí)領(lǐng)域，有不同的學(xué)習(xí)方式用以解決不同的問題，學(xué)習(xí)方式一般可分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)等四種。1.監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)通常分為“回歸”和“分類”兩大問題。在學(xué)習(xí)過程中，每個數(shù)據(jù)都會獲得其對應(yīng)的標(biāo)簽，如類別標(biāo)簽或與數(shù)值相關(guān)的標(biāo)簽。對這些帶有標(biāo)簽的數(shù)據(jù)進(jìn)行分析和處理，可以得到預(yù)測模型。進(jìn)一步可以通過調(diào)整預(yù)測模型的參數(shù)，以提高預(yù)測的準(zhǔn)確率。在得到一個準(zhǔn)確率穩(wěn)定的預(yù)測模型之后，可以通過這個預(yù)測模型對無標(biāo)注數(shù)據(jù)進(jìn)行預(yù)測，得到結(jié)果。在回歸問題中，一個連續(xù)值將會被預(yù)測。也就是說回歸問題的目的是計算出一個連續(xù)的函數(shù)將輸入變量和輸出結(jié)果對應(yīng)起來；而在分類問題中，一個離散值將會被預(yù)測，試圖將輸入變量與離散的類別對應(yīng)起來[23]。圖2.1為監(jiān)督學(xué)習(xí)的一般過程。圖2.1監(jiān)督學(xué)習(xí)2.無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)不同，在無監(jiān)督學(xué)習(xí)中，輸入數(shù)據(jù)是沒有標(biāo)簽的，輸出結(jié)果同樣也沒有明確的標(biāo)簽。因為樣本數(shù)據(jù)類別未知，所以需要根據(jù)樣本間的相似性對輸入數(shù)據(jù)集進(jìn)行分類，使同一類的數(shù)據(jù)間的差距最小化，不同類的數(shù)據(jù)間差距最大化。主要方法是基于輸入數(shù)據(jù)的相似性進(jìn)行聚類，其原理是發(fā)現(xiàn)并規(guī)定出不同類的核或初始內(nèi)核，然后依據(jù)數(shù)據(jù)與核之間的相似性度量將輸入數(shù)據(jù)聚集成不同的類別[23]。圖2.2為無監(jiān)督學(xué)習(xí)的一般過程。

重慶郵電大學(xué)碩士學(xué)位論文第2章基于機器學(xué)習(xí)的資源分配策略概述10圖2.2無監(jiān)督學(xué)習(xí)3.半監(jiān)督學(xué)習(xí)在此學(xué)習(xí)方式下，輸入數(shù)據(jù)部分被標(biāo)記，部分沒有被標(biāo)記，故為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的結(jié)合[23]。圖2.3為半無監(jiān)督學(xué)習(xí)的一般過程。在很多實際問題中，因為只有少量數(shù)據(jù)的帶有標(biāo)簽，所以對所有數(shù)據(jù)進(jìn)行標(biāo)記的代價有時很高。為了實現(xiàn)半監(jiān)督分類，增強分類效果，通常在有監(jiān)督的分類算法中加入無標(biāo)簽的樣本數(shù)據(jù)來實現(xiàn)半監(jiān)督學(xué)習(xí)。圖2.3半監(jiān)督學(xué)習(xí)4.強化學(xué)習(xí)強化學(xué)習(xí)是一種學(xué)習(xí)模型，通常通過某種激勵機制，給予正確行為獎勵，懲罰錯誤行為，不斷進(jìn)行訓(xùn)練，以達(dá)到最優(yōu)的行為集合。圖2.4為強化學(xué)習(xí)的一般過程。強化學(xué)習(xí)的主體是一個智能體。在強化學(xué)習(xí)中不需要有標(biāo)簽的數(shù)據(jù)，而是由數(shù)據(jù)生成環(huán)境。在這一環(huán)境中的不同狀態(tài)下的智能體可以做出不同的動作，每個動作都有規(guī)定的獎勵或懲罰。其目的是在進(jìn)行不斷的循環(huán)學(xué)習(xí)后，智能體可以在這個環(huán)境中所作的每一個動作都能獲得其最大獎勵[24]。由最佳動作組成的集合即為最優(yōu)的行為集合，也是進(jìn)行強化學(xué)習(xí)之后得到的最終結(jié)果。圖2.4強化學(xué)習(xí)

【參考文獻(xiàn)】：
期刊論文
[1]Engineering[J].   Engineering. 2020(05)
[2]移動邊緣計算在車聯(lián)網(wǎng)中的應(yīng)用[J]. 李佐昭,劉金旭.  現(xiàn)代電信科技. 2017(03)
[3]邊緣計算:萬物互聯(lián)時代新型計算模型[J]. 施巍松,孫輝,曹杰,張權(quán),劉偉.  計算機研究與發(fā)展. 2017(05)
[4]全球車聯(lián)網(wǎng)發(fā)展態(tài)勢研究[J]. 曹磊.  競爭情報. 2014(04)
[5]云計算研究進(jìn)展綜述[J]. 張建勛,古志民,鄭超.  計算機應(yīng)用研究. 2010(02)



本文編號：3271244