Zobrazeno 1 - 10
of 422
pro vyhledávání: '"R.M. Buehrer"'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
DySPAN
This paper investigates deep reinforcement learning (DRL) based on Recurrent Neural Networks for Dynamic Spectrum Access (DSA), referred to as a Deep Recurrent Q-Networks (DRQN). The approach uses sensing and cache occupancy as observations. Specific
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_________::ac8b31417f869a6e319bb20a7ef5df09
https://doi.org/10.1109/dyspan.2019.8935688
https://doi.org/10.1109/dyspan.2019.8935688
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
MILCOM
This paper investigates the use of deep reinforcement learning (DRL) to solve the dynamic spectrum access problem. Specifically, we examine the scenario where multiple discrete channels are shared by different types of nodes which lack the ability to
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_________::a55293b7e5b63c45e32f78dc6cee8afa
https://doi.org/10.1109/milcom.2018.8599723
https://doi.org/10.1109/milcom.2018.8599723
Publikováno v:
MILCOM
This paper investigates the use of deep reinforcement learning (DRL) to solve a fundamental problem in dynamic spectrum access. Specifically, we develop a technique to allow a secondary radio node to share the spectrum with multiple existing (primary
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_________::07083cf78b3bb38fa38f0930b29a32d5
https://doi.org/10.1109/milcom.2018.8599697
https://doi.org/10.1109/milcom.2018.8599697