机构名称：
¥ 1.0
摘要： - 本文探讨了CRN背景下频谱分配的RL和DRL技术，并考虑了在不断变化的条件下频谱利用和网络性能之类的困难。提议的改进的频谱管理模型将RL与基于模型的预测集成在一起，以改善决策。实验结果证明，已确定的方法允许达到96％的平均准确度水平，损失率为0.20，精度为92％至0.95。此外，召回率从0.85延长到0.90，F1分数为0.90，这表明该模型在精确和召回方面表现出令人满意的性能。所提出的算法的表现优于现有的机器学习模型，其精度为96％，低损失为0.20，而F1得分为0.90，展示了出色的可靠性和适应性。基于这些结果，可以得出结论，所提出的混合RL模型在预测下一个可用频谱方面更有效，并且比单个RL方法更适应于CRN环境的变化，因此，提出的解决方案适用于CRN中的实时频谱分配。
一种新型ML驱动的方法来增强CRN性能
主要关键词
相关文件推荐
