• 63
•
ELECTRONICS WORLD ・探索与观察
4 实验仿真
这一部分我们将使用Python 语言和Tensorflow 框架来进行仿真实验。我们将使用Actor-critic 算法的功率控制与文献中的DQN 算法相比较。其中，DQN 的网络模型为3层全连接网络，其神经元的个数分别为128、128和256，前两层激活函数为ReLu ，最后一层为tanh 函数；在Actor-critic 中，actor 和critic 都为2层神经网络，神经元个数都为100，critic 和actor 第一层的激活函数都为ReLu ，Actor-critic 的actor 的最后一层输出为softmax 函数，用来输出动作的概率。我们给定信道噪声 ，信道增益为
图2 DQN和Actor-critic算法的功率控制成功率和平均过渡步数对比曲线图人物特稿
1，奖励值r=10，主次用户的SINR 阈值分别设为
。
聚四氟乙烯烧结炉我们给出主次用户的功率为
。其
中，我们设网络在12步以内如果可以选择到正确的功率，则记为一次成功，每次成功用的步数称为过渡步数，每次测试1000回合。仿真结果如图2所示。
从图2可以看到，Actor-critic
在进行迭代更新1000次左右仅能达到100%的成功率，而DQN 虽然在1000次
的时候也达到了将近100%，但是随后却有一个波动，最后在1700次左右才达到收敛。并且，Actor-critic 在整体的平均过度步数都要低于DQN ，而且最低可以在2步以内就为次用户分配到正确的功率，而DQN 在3500次迭代左右才能达到2步左右的步数。
邮票的资料结论：本文主要研究和讨论了在认知无线电中，次用户通过基于Actor-critic 深度强化学习算法学习到相应的功率控制策略，从而在不对主用户造成干扰的前提下，与主用户共享信道。并且实验也表明Actor-critic 将基于值迭代和策略梯度相结合，其性能要更优于单纯的基于值迭代的DQN 算法。竞争力指数
地址地名是基础地理信息，承载着人类文明发展的历史，是一个城市文明发展的标签。目前地名信息化服务手段不够丰富，迫切需要我们提供标准规范、方便快捷的地名信息服务，通过对现有地名地址的梳理，通过标准地址处理、地址匹配引擎等技术，在智慧城市体系下建设地址地名数据库，能够推动地名信息库、地名地址库等基础数据实现互联互通，以便为社会提供的地名查询服务，为“智慧城市”建设提供有力支撑。 logistic模型
1 建设内容
一是融合治理地址地名管理部门已有的数据，形成标准数据库。二是建立基于建筑物实体的标准地名地址，并对该标准地名地址库的全生命周期管理，持续更新、优化地名地址数据成果。三是加强数据库建设地址服务管理，建设地理位置服务引擎。
2 设计原理
按照整合利用，优化提升；创新机制，持续发展的思路和“融合、共享、提高”的建设要求，整合已有的资源，标准化处理地址数据，优化提升数据质量，建设成智慧城市基于地理实体的地名地址标准数据库。
3 关键技术
标准地址模型技术，旨在把人们在生产生活中对于空间
位置的语言表述转换成程序语言，并尽可能实现准确定位。标准地址模
型通过地址、元素和实体三个层次来表达。其中多个元素组成地址，一个元素有可能参与多条地址的组成。
基于人工智能的地址匹配引擎技术，能够提供地址表述与空间位置的转换办法，地理编码根据各数据点的坐标或地址（如省市、街区、楼层、房间等）进行地址编码，使数据库中的数据与其在地图上相对应的图形元素一一对应。如图1
所示。
天堂419草坪图1 地址匹配流程
城市地址地名数据库建设
南京市六合区城市地下管线数字化管理中心 魏 伟
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议