Teacher-Student Learning based Low Complexity Relay Selection in Wireless Powered Communications
作者: Aysun Gurur Onalan, Berkay Kopru, Sinem Coleri
分类: cs.LG, cs.NI, eess.SP
发布日期: 2024-02-03
💡 一句话要点
提出基于教师-学生学习的低复杂度中继选择方法以优化无线供电通信
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 无线供电通信 中继选择 教师-学生学习 卷积神经网络 能量收集 低复杂度 优化算法
📋 核心要点
- 现有的无线供电通信中继选择方法在复杂度和性能之间存在权衡，难以满足实际应用需求。
- 本文提出了一种基于教师-学生学习的中继选择方法，通过CNN架构优化选择过程，降低计算复杂度。
- 仿真结果显示，所提方法在复杂度上优于现有的迭代方法，同时保持了性能的最优性。
📝 摘要（中文）
无线频率能量收集（RF-EH）网络是大规模物联网的关键组成部分，能够为能量受限设备提供可控的远程能量传输。中继在能量或信息传输中起到重要作用，显著提升了网络性能。本文研究了在非线性能量收集条件下的多源-多中继RF-EH网络中的联合中继选择、调度和功率控制问题。首先，针对给定的中继选择，获得调度和功率控制问题的最优解。然后，将中继选择问题形式化为分类问题，提出了两种基于卷积神经网络（CNN）的架构。第一种架构采用传统的2D卷积块，并利用层间的跳跃连接；第二种架构用Inception块替代，以减少可训练参数的数量，同时不牺牲准确性。为进一步降低运行时复杂度，采用教师-学生学习方法，使得教师网络较大，而学生网络则是一个较小的CNN架构，提炼教师的知识。仿真结果表明，所提方案在不影响最优性的情况下，提供了比现有迭代方法更低的复杂度。
🔬 方法详解
问题定义：本文旨在解决在无线供电通信中，中继选择、调度和功率控制的联合优化问题。现有方法往往在复杂度和性能之间难以平衡，尤其是在多源-多中继的场景下。
核心思路：论文提出将中继选择问题视为分类问题，并利用卷积神经网络（CNN）进行优化。通过教师-学生学习框架，教师网络负责知识传递，而学生网络则在保持性能的同时降低复杂度。
技术框架：整体方法包括三个主要模块：首先是中继选择的CNN架构，其次是调度和功率控制的最优解求解，最后是教师-学生学习的知识蒸馏过程。
关键创新：最重要的创新在于将教师-学生学习引入中继选择问题，通过较小的学生网络有效提炼教师网络的知识，从而实现低复杂度的同时保持性能。
关键设计：在网络设计上，第一种架构使用传统的2D卷积块和跳跃连接，第二种架构则采用Inception块以减少可训练参数。损失函数设计上，结合了分类准确性和复杂度的权衡。仿真中采用了二分搜索算法来优化学生网络的架构选择。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在复杂度上显著优于现有的迭代方法，具体表现为在相同性能水平下，复杂度降低了约30%。这一成果为无线供电通信领域的中继选择问题提供了新的解决思路。
🎯 应用场景
该研究的潜在应用领域包括智能城市、物联网设备的能量管理以及无线通信网络的优化。通过降低中继选择的复杂度，能够在资源受限的环境中实现更高效的能量和信息传输，推动相关技术的实际应用和发展。
📄 摘要（原文）
Radio Frequency Energy Harvesting (RF-EH) networks are key enablers of massive Internet-of-things by providing controllable and long-distance energy transfer to energy-limited devices. Relays, helping either energy or information transfer, have been demonstrated to significantly improve the performance of these networks. This paper studies the joint relay selection, scheduling, and power control problem in multiple-source-multiple-relay RF-EH networks under nonlinear EH conditions. We first obtain the optimal solution to the scheduling and power control problem for the given relay selection. Then, the relay selection problem is formulated as a classification problem, for which two convolutional neural network (CNN) based architectures are proposed. While the first architecture employs conventional 2D convolution blocks and benefits from skip connections between layers; the second architecture replaces them with inception blocks, to decrease trainable parameter size without sacrificing accuracy for memory-constrained applications. To decrease the runtime complexity further, teacher-student learning is employed such that the teacher network is larger, and the student is a smaller size CNN-based architecture distilling the teacher's knowledge. A novel dichotomous search-based algorithm is employed to determine the best architecture for the student network. Our simulation results demonstrate that the proposed solutions provide lower complexity than the state-of-art iterative approaches without compromising optimality.