Key points are not available for this paper at this time.
La communication sans fil joue un rôle vital dans les opérations du transport ferroviaire moderne. Les caractéristiques de mouvement rapide du train rendent l'environnement du spectre sans fil instable et discontinu. Ces incertitudes, combinées à la rareté inhérente du spectre, entraînent des inefficacités dans les communications sans fil ferroviaires. L'application de la radio cognitive devient un domaine de recherche à la pointe dans la communication sans fil ferroviaire. Cet article analyse d'abord l'infrastructure physique du réseau de communication sans fil ferroviaire et détermine la station de base comme le nœud de communication clé dans l'environnement ferroviaire, qui peut mettre en œuvre la technologie de radio cognitive. L'apprentissage par renforcement et la théorie des agents sont ensuite utilisés pour construire un modèle de station de base cognitive adapté à l'environnement sans fil ferroviaire. De plus, en fonction des caractéristiques de la distribution en chaîne et de l'opération en cascade des stations de base cognitives le long du chemin de fer, le modèle de système multi-agent de station de base renforcement est proposé, et le mécanisme unique Dual ε-greedy est utilisé pour entraîner l'apprentissage du système multi-agent afin d'éviter l'optimisation locale. Nos résultats expérimentaux prouvent que le modèle peut améliorer significativement la probabilité de transmission de données réussie dans le réseau de communication sans fil ferroviaire, et réduire considérablement le nombre de commutations de canaux sans fil. En outre, l'effet du mécanisme Dual ε-greedy sur la performance de communication est discuté. Ce modèle de station de base multi-agent par renforcement présenté dans cet article fournit une nouvelle idée pour réaliser la radio cognitive ferroviaire et résout de manière globale le problème de la faible efficacité du spectre de la radio cognitive dans le transport ferroviaire.
Wu et al. (Thu,) ont étudié cette question.