.png){kind=icon}
返回
Deep Q-Learning Based Adaptive MAC Protocol with Collision Avoidance and Efficient Power Control for UWSNs
.png){kind=icon}
OA
AI
DOI：10.3390/jmse13030616.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水下无线传感器网络（UWSNs）广泛应用于海上物体检测或海洋参数监测，这些参数在预测海啸到海洋物种生命周期的过程中发挥着至关重要的作用，其通过在随机位置部署传感器节点实现。然而，动态且不可预测的水下环境给通信带来了显著挑战，包括干扰、碰撞和能量效率低下。为在变化的水下环境中实现节点或/和基站（BS）之间的路由，提出了一种自适应接收器启动的深度自适应带功率控制和碰撞避免的MAC协议（DAWPC-MAC），以解决干扰、碰撞和能量效率低下的问题。所提出的框架基于深度Q学习（DQN），通过增强变化传感器位置的碰撞避免、在随时间和深度变化的路径损耗中节能以及减少中继节点数量来优化网络性能，从而实现可靠通信并确保同步。由环境参数（如温度T）随纬度、经度和深度的变化所塑造的动态且不可预测的水下环境，在所提出的MAC协议设计中得到了仔细考虑。传感器节点能够自适应地安排唤醒时间并高效控制传输功率，以与其他传感器节点和/或信使节点通信，后者在数据收集和转发路由中发挥着关键作用。DAWPC-MAC确保了节能且可靠的时间敏感数据传输，与现有的TDTSPC-MAC、DC-MAC和ALOHA MAC等方法相比，将分组投递率（PDR）提高了14%，吞吐量提高了超过70%，效用提高了超过60%。这些改进显著促进了网络寿命和在时间关键型水下应用中的运行效率。
Keyword:
Deep Q-learning (DQN)
collision avoidance
energy efficiency
throughput
MAC protocol
underwater wireless sensor network (UWSN)
期刊
IF:
2.8
论文数:
4.6K
被引数:
2.3W
机构
引用论文
Reinforcement Learning-Based MAC Protocol for Underwater Multimedia Sensor Networks基于强化学习的水下多媒体传感器网络MAC协议
PREAI
分享收藏分享收藏Performance of the ALOHA-Q MAC Protocol for Underwater Acoustic NetworksALOHA-Q MAC协议在水声网络中的性能.png)
2018 International Conference on Computing, Electronics & Communications Engineering (iCCECE)
2018 International Conference on Computing, Electronics & Communications Engineering (iCCECE)IF0
PREAI
分享收藏Reinforcement Learning-Based Routing Protocol for Underwater Wireless Sensor Networks: A Comparative Survey基于强化学习的水下无线传感器网络路由协议比较研究IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Deep-Neural-Network-Based Receiver Design for Downlink Non-Orthogonal Multiple-Access Underwater Acoustic Communication基于深度神经网络的下行链路非正交多址接入水下声通信接收机设计OAAI
OAAI分享收藏Low Probability Detection Constrained Underwater Acoustic Communication: A Comprehensive Review低概率检测约束下的水下声通信：综合述评
PREAI
分享收藏
查看更多内容