- 博客(59)
- 收藏
- 关注
RSS订阅原创 神经网络激活函数--Sigmoid、Tanh、Relu、Softmax
文主要总结了Sigmoid、Tanh、Relu、Softmax 四种函数；给出了函数的形式，优缺点和图像。
2024-01-18 14:58:58
1430
1
原创 一个简单的KNN实现方法
对于许多离散问题，经过神经网络解决再通过softmax之后每一个值在[0,1]之间的连续变量，想要将其离散化，即离散化到每个元素都是 binary-variable，即 0-1 ，这时可以用KNN方法，其实就是找到与这个向量的方差最小的K个临近向量。
2024-01-07 16:19:27
381
原创 visdom 使用以及 localhost拒绝连接
win10 ping localhost显示[::1]_netsh interface ipv6 show prefixpolicies-CSDN博客。visdom 使用出错，其问题1是未打开 visdom，2是 localhost需要设置。肯定和visdom有关，去github找 visdom相关的tutorial。，可用来对于 实时，富数据的 创建，组织和共享。发现在程序运行之前，必须先启动visdom。和Numpy还有pytorch。问题在于，我的浏览器打不开。Visdom:一个灵活的。
2024-01-02 18:28:07
1192
原创 Pycharm 切换interpreter---python的环境和第三方库问题
这篇回答两个问题：1.为什么在 pycharm中打开新的project，切换interpreter 之后发现自己之前装的库消失了？2.为什么interpreter 切换到python'3.8了， terminal 还是在 3.9？？
2023-12-29 15:41:31
1566
原创 Deep Reinforcement Learning in Large Discrete Action Spaces--Wolpertinger Architecture
自己在使用DDPG解决问题时，会遇到action space很大的情况，会导致算法不收敛或者收敛得很慢。如何解决这种Large Discrete Action Spaces，即大规模离散动作空间得问题。
2023-12-28 23:17:15
425
原创 GNN+RL：Flexible Job-Shop Scheduling via Graph Neural Network and Deep Reinforcement Learning
看懂GNN 如何和 RL 结合的方法。 本文的GNN是HGNN，RL用的PPO算法。主要是看懂GNN和RL如何连接起来以及如何训练的。
2023-12-27 22:08:30
1098
原创 惨案后续之---重装python 3.8版本的一系列操作
接上昨日惨案，大意就是 为了解决一个错误，要安装gym==0.18.0，经历了乱七八糟得出结论要重装一个
2023-12-26 13:19:33
1111
原创 AssertionError: The environment must specify an action space. 报错 引发的惨案
起因是：从github上下载了一个代码，运行出错。整体流程：报错，解决方案是 降级gym到 gym==0.18.02.为了降级gym gym==0.18.0 报错，发现需要降级 setuptools ==65.5.03.降级setuptools ==65.5.0 之后报错 failed build wheel for Pillow。4.最终发现 要想安装 gym==0.18.0，得让pilow < 7.2.0版本。
2023-12-26 00:00:25
1444
原创 图傅里叶变换
图信号定义：给定图G=(VE)，V为节点集合，长度为N，图信号是一种描述V→R的映射，向量表示每个x代表对应下标的节点上的信号强度。与普通信号不同的是：图信号定义在节点上，节点存在固有的关联结构。
2023-11-01 16:04:17
253
原创 torch_geometric，scatter，sparse， cluster的安装失败
torch_geometric，scatter，sparse， cluster的安装失败
2023-10-31 14:27:27
241
1
原创 MPNN 模型：GNN 传递规则的实现
首先，假如我们定义一个极简的传递规则A是邻接矩阵，X是特征矩阵， 其物理意义就是 通过矩阵乘法操作，批量把图中的相邻节点汇聚到当前节点。但是由于A的对角线都是 0.因此自身的节点特征会被过滤掉。图神经网络的核心是 吸周围之精华，再叠加自身，因而需要改进来保留自身特征。如何做？方法是给每个节点添加一个自环，即将邻接矩阵对角线值各加1，此时用表示，做到了聚合邻居节点并保留自身信息。但是当图过于复杂时，聚合邻居信息会不断执行矩阵乘法或加法，可能导致特征值太大而溢出。如何做？方法是邻接矩阵归一化。
2023-10-15 23:38:50
327
原创 GNN+RA 文献阅读
[1]X. Wang et al., ‘Scalable Resource Management for Dynamic MEC: An Unsupervised Link-Output Graph Neural Network Approach’.paper code：GitHub - UNIC-Lab/LOGNN: This is the code for paper "Scalable Resource Management for Dynamic MEC: An Unsupervised Link-
2023-10-10 22:33:24
256
2
原创 如何理解功率谱/能量谱密度？它与自相关函数的关系？
一个能量信号自相关函数的傅里叶变换等价于它的能量谱密度，一个功率信号自相关函数的傅里叶变换等价于它的功率谱密度。
2023-09-20 22:48:08
4345
原创 文献阅读 GNN -How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey
这是一篇关于GNN在交通领域的应用的survey。
2023-09-10 17:31:07
62
原创 【无标题】
决策变量： assignment （binary）and partial offloading【0，1】每一个 VN （Vehicle Node）可以由多个EN（edge Node）覆盖，选择最优的EN。定义了多种训练场景，对于每个训练场景，Q-table的维度是不同的。Mobility 考虑的是停留时间。
2023-08-17 20:08:29
74
原创 RL+RA 文献阅读 CO and RA in MEC-Enabled Integrated Aerial-Terrestrial Vehicular Networks: A RL approach
所提出的基于DDQL的解决方案的计算复杂度取决于神经网络的大小，包括输入、输出和隐藏层，以及系统中的智能体数量。此外，由于系统中的每个车辆都充当智能体，在线训练过程中系统的计算复杂度可以表示为O( K · W · J · t · | A | · | S | · e)，其中K表示车辆数量，W表示训练集数量，J为批次大小，e为隐含层神经元个数，A为动作集合，S为状态空间。因此，我们还包括η和，作为一个低维的指纹，来跟踪智能体的策略变化的轨迹，以减轻由于多智能体RL导致的非平稳环境的影响。
2023-08-17 15:30:44
88
原创 RL+RA 文献阅读 Computation offloading optimization for UAV-assisted mobile edge computing
考虑时隙无人机辅助MEC系统中的时变信道状态，联合优化用户调度、无人机移动性和资源分配，将非凸计算卸载问题建模为马尔科夫决策过程( Markov Decision Process，MDP )问题，最小化处理时延。
2023-08-15 17:55:01
96
原创 RL+RA 文献Multi-Agent Deep Reinforcement Learning for Enhancement of Distributed Resource Allocation
在C - V2X网络中，一个频段被划分为若干个子信道，每个子信道在1 ms的子帧中表示一组无线资源块( Radio Resource Block，RB )，如图1所示。在LBT中，每个车辆在接入信道前都会进行明确的信道评估和潜在的随机退避。在模式- 1中，资源分配由蜂窝网络基础设施管理，而在模式- 2中，每个车辆自主地选择自己的资源，如图2 ( b )所示。为了保持极低的延迟(例如, 3ms的端到端延迟)和高可靠性的(例如, 99.999 %的PRR)，需要建立快速的重复传输和预配置资源的即时访问。
2023-08-15 17:49:32
90
原创 RL+RA 文献阅读 survey： RL/DRL Meets Vehicular Task Offloading Using Edge and Vehicular Cloudlet
本文主要总结了基于现有的关于基于RL / DRL的车辆任务卸载的文献。
2023-08-11 14:12:55
79
原创 GNN的一篇入门 ：A Gentle Introduction to Graph Neural Networks
本文是“A Gentle Introduction to Graph Neural Networks”的阅读笔记
2023-07-27 20:54:19
390
原创 RL+RA 文献阅读 Resource Allocation for Delay-Sensitive Vehicle-to-Multi-Edges (V2Es) Communications in V
总体来说，有两种任务，计算型任务和服务请求，计算型按照task offloading的思路 ，在edge或者cloud计算，有相应的时延；3 )异构性，即任务/服务的重要性和边缘节点能力的异构性。提出了多Agent深度确定性策略梯度算法( MADDPG )，该算法采用集中式训练和分布式执行的模式，通过学习获得最优策略。3.根据应用的不同，移动服务或内容对用户的重要性是不同的，从而表现出不同的延迟/质量需求。edge node有一个队列存储任务请求，任务有三类0，1，2，同类型FIFO原则。
2023-07-25 21:40:30
151
原创 RL+CO survey ：Reinforcement Learning for Combinatorial Optimization: A Survey
这篇paper主要讲的是将RL应用于解决组合优化问题（combinatorial optimization，CO）的一些基本思想和对于几个 经典问题的RL解决算法的进展。此篇Blog旨在总结前半部分的思想，对于后文经典问题进展部分暂时忽略。
2023-07-20 11:03:47
111
原创 《网络是怎样连接的》（一）
本文主要取材于 《网络是怎样连接的》 第一章。简述：在浏览器输入一个网址，，但是直接使用域名无法找到Web服务器。需要使用，然后客户端可以创建套接字，延伸出管道根据IP地址和端口号，去。套接字连接之后相当于客户端和服务端之间生成了管道，就可以收发数据了。本章共四个章节，（1）生成HTTP请求消息 （2）向DNS服务器查询Web服务器的IP地址（3）全世界DNS服务器的大接力 （4）委托协议栈发送消息。
2023-07-19 15:21:55
319
1
原创 MEC V2X业务解析（二）（ETSI GS MEC 030 V3.1.1 (2023-03)）
简述：V2X业务信息服务可以预测QoS来帮助车辆决策，一种是针对特性路线的，即journey-specific predictive QoS；另一种是多域的端到端预测，可预测车车间，车到设施之间QoS。
2023-07-16 10:41:55
114
原创 MEC V2X业务解析（一）（ETSI GS MEC 030 V3.1.1 (2023-03)）
本文内容主要来自技术标准“ETSI GS MEC 030 V3.1.1 (2023-03)”的第五章Description of the service (informative)。主要描述V2X Information Services（VIS）的主要场景，多运营商场景，V2X服务的连续性和VIS功能。
2023-07-16 10:15:00
147
原创 5G MEC在5G网络中的部署-与UPF的关系
MEC主机部署在边缘或者核心数据网络中，网络运营商除了选择数据网络和UPF之外，还需要根据技术和商业因素（例如，站点设施、应用需求、用户负载实测值或估算值）来选择物理计算资源的部署位置。MEC管理系统负责编排MEC主机和应用的运行，动态地决定MEC应用的运行位置。
2023-07-07 20:54:34
1460
1
4*3 grid world问题Q-learnig 代码，附带每行代码的汉语解析
2024-01-07
判定反馈均衡器 Decision Feedback Equalization 的matlab实现
2024-01-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人