文摘
物联网的发展(物联网)使技术交流体育通过连接有效的异构设备和数字应用程序控制和访问环境。本研究探讨了大学体育教育教学的改革和发展服务背景下的第五代移动通信技术。数据通道算法和物联网(物联网)资源分配深采用强化学习算法来分析高校体育教育改革。物联网的应用场景,多输入多输出(MIMO)预编码技术,和重复升降的报道数据传输的传输时间间隔(创科实业)研究了基于Un-narrow乐队的下行系统物联网(U-NB-IoT)。此外,资源分配问题在大规模物联网设备的访问是通过深层解决强化学习框架。结果表明,服务质量是难以衡量的通信网络主要集中在教师和学生的集成,而经验能使教师和学生的质量感到很满意。此外,质量的经验可以测量服务质量满意度的教师和学生体验教学资源。提出的资源分配算法可以提高教师和学生的经验使用教学资源,使教师和学生的满意度达到了理想的价值,进一步优化传统教学存在的问题,并提高学生在各方面的质量。
1。介绍
第五代移动通信技术的时代(5克)伴随着科学技术的迅速发展。此外,物联网技术提出了互联网技术的进一步扩展1]。这项技术的发展和应用已经完全破坏了无线网络。在此基础上,高校体育教育的改革和发展是必要的。只有推进带来新老人们打破传统,跟上发展趋势的主流社会2]。
5 g的集成技术建立一个大学体育课程管理不仅保证隐私和安全的教师和学生的个人信息,还大学体育课程资源的有效利用3]。传统体育网络课程管理系统大多是发达与静态资源。然而,根据5 g环境、体育管理系统的过程中直接面临着实际的体育课程教学,实现实时数据的收集和存储在教室里。通过加入5 g和物联网领域的体育课程管理,其他“智能”功能可以添加到体育课程数据的相互交换和合作(4]。
关于大学体育教育改革(PE)在网络通信、全球相关学者提到更多的教学资源需要被添加到体育教学的快速部署下5 g网络和互联网通信技术的研究在体育改革将提高体育学生的身体和心理素质5]。特别是高校的教学资源和终端数据采集、传输、加工对象之间的反馈和机器与物联网的发展趋势。杨检查(6),调查学生身体状况和教学条件和发展提出了一些建议和改革大学体育的改革。张、张(7)检查5 g和互联网的积极影响身体活动,教育方法和通信模式。探讨高校体育改革的背景下,教育信息,体育框架设计,3 d混合教学模式和不同的目标评价体系。Stormoen et al。8]研究了PE的特征,产生一个积极的体验高校通过结合理论与现实的关键点。Wei-Ping et al。9)大学体育课程改革分为三个阶段使用文学和逻辑分析:积累、分化、和深化。他们解决的理论和实践结果的每个阶段大学体育课程和研究的定位和方向大学体育课程改革的新时代。作者在10]采用VRT物联网体育网络为研究对象,使用5 g网络的技术支持物联网环境中,并分析了VRT在体育大学,体育安全、体育教师和学生。卢塞纳et al胜选。11)强调技术的发展快速,需要持续的学习。因为各种各样的原因,体育教师很难将技术整合到他们的教训。根据Hyndman [12),教师难以采用技术有几个原因,技术变得分散学生的注意力,教师需要额外的专业发展,科技可以改变课时间和流量。
在这项研究中,窄频带的下行系统物联网(NB-IoT)技术建立基于非授权频段,使体育教学设备有效覆盖。接下来,基于深度强化学习的资源分配算法正确处理大规模物联网设备的接入问题。此外,数据信道的基带处理流程简化由于缺乏授权频段,和一个集中的资源分配算法,提出了强化学习。数据通道算法处理的网络通信技术和物联网资源分配算法采用强化学习分享和优化教育资源,打破教育资源的不平衡在中国很长一段时间,改善教学方法的凝固和僵化的思维,全面监督学生,提高教学效率。
手稿的其余部分组织如下:部分2是关于材料和方法和该方法的概述。不同的数据处理方法和收集在这一节中讨论。节3结果说明,结论提出了部分4。
2。材料和方法
2.1。数据通道算法处理互联通信技术
2.1.1。数据处理流程
公共物理层数据处理流程是一样的数据通道U-NB-IoT的处理流程。检查在接收端传输的正确性,循环冗余校验(CRC)代码添加第一个没有处理发送比特的数据链路层(13]。这里添加的CRC U-NB-IoT来源于CRC24的多项式。方程(1)显示的扩张CRC24多项式:
CRC的结果是其余的输入多项式除以CRC多项式。图1显示了基带处理流程。
新的传输由CRC验证码和未处理的部分。然后,这种组合是受到信道编码处理(14]。为此,tail-biting卷积码率1/3和约束长度7采用。图2显示的原则tail-biting卷积码。
U-NB-IoT使用tail-biting卷积编码克服普通卷积码的代码丢失。它的优势是,它可以设置的注册和初始状态相同的值(15]。如图2,卷积表示为多项式 ,这是异或处理的原始价值获取信道编码的数据。通过优化过程的速率匹配,数据流生成原始比特的两倍,但这是CRC和tail-biting卷积后的结果原始数据的过程。速率匹配发生适应复杂的数据流的承载力和空气界面(16]。地机场的比特流轴承力后添加率匹配。U-NB-IoT系统基于代码序列和基于码字一点点地通过或程序。方程(2)代表初始化种子的加扰序列:
在方程(2),框架是2位,子帧是4位,4位上行和下行帧。这意味着相对应的帧数是匆忙。单位索引CellID6bit细胞指数(ID)。加扰采用提高数据传输的稳定性。这是美白的传播信号的功能,在发射端进行干扰,消除干扰在接收端(17]。
地方试点的一代和空中接口映射组件U-NB-IoT下行资源映射的系统(18]。在频域资源模式如图3和4,副载波频域对应。一次槽对应七正交频分复用(OFDM)符号。绿色的无名块是再保险的数据,和白色的R 代表资源元素(RE)的参考信号的天线端口0。数据3和5显示收发器的映射(1 t1r)时域参考信号(19]。
在信号图,白色代表了再保险的参考信号的天线端口,蓝色代表重新占领参考信号的天线端口1,剩下的绿色是再保险的数据。在同一时间段,为天线端口0,再保险的位置被天线端口1可以设置为0。天线端口1、再保险的位置被天线端口0也设置为0。OFDM符号生成根据逆映射的符号处理快速傅里叶变换(传输线)。U-NB-IoT系统中的每个通道的采样率为1.98 MHz。128年10 ms基带数据,为每个符号执行点传输线。数据6和7显示时域参考信号图的两个传输天线发射和接收(2 t1r)。
2.1.2。数据通道算法
传输时间间隔(创科实业)重复和多输入多输出(MIMO)预编码组件覆盖增强处理。物理下行共享信道(PDSCH) U-NB-IoT连接通道使用服务数据(20.]。
U-NB-IoT系统,10 ms不仅是一个普通的传输时间间隔也基本系统的资源调度单元。根据物联网设备传输的独特性,一般来说,每个创科实业不能触摸的数据解码后的信噪比阈值,当它到达接收端;因此,有必要提高接收信噪比(21]。创科实业的方法反复重复发送相同的数据帧,可以重复多次,如1和5次,这是基于整数倍数创科实业的原则。它的缺点是减少速率和数据传输速率的代码。其优点是提高解调接收机的性能,提高接收信噪比,加强覆盖。
米姆执行预编码后数据调制。然而,有一个问题;OFDM技术是有限的,如载波频率的偏移,偏移量的平均功率比(22]。此外,OFDM的优势降低接收机设计的复杂性。从接收机的信噪比方面,平落不能提高接收机的信噪比。因此,使用各种分集技术可以部分消除衰落信道的缺点。图8显示在物联网结构的构成教学资源(23]。
预编码技术的MIMO系统被称为空间频分组编码(SFBC)。SFBC可以增加的冗余信号,信号可以获得分集增益。在方程(SFBC表示3)。
2.2。物联网资源分配算法的强化学习
2.2.1。资源分配系统模型
(1)Qos-Oriented系统模型。在这项研究中,研究对象选择的权力分配和上行频谱资源的选择。研究场景的大规模物联网师生访问和各种师生服务(24]。图9描述了模型的系统。
用户设备的传动功率和时间变化(问题)呈正相关。然后,位置和数量的动态问题将会改变。与此同时,一些频段可以用于物联网设备;因此,教师和学生的数量在算法中考虑大于资源块的数量(RB),可以使用。Cofrequency物联网设备之间的干扰是系统的主要干扰来源(25]。总之,方程(4)是用来表达的信号干扰加噪声比(SINR)的教师和学生。
在哪里和多路复用的传动功率是RB吗物联网的师生和师生 。 和是师生的频道收益和师生RB基站和多路复用 。 是师生的指针在RB 。 意味着 - - - - - -老师和学生使用- - - - - -RB。此外, 。σ2代表了加性高斯白噪声(AWGN) RB的力量。方程(5)显示接收的信道容量SINR的一个老师和学生:
(2)效用函数为体验质量(质量的经验)。从无线技术的开始到今天的5 g技术,教师和学生的要求也发生了变化,从简单的服务需要不同的快速服务。为教师和学生服务需求的类型更加多样化的今天。从简单的实时消息发送和接收智能控制和复杂的个人局域网配置,有各种限制通信系统,它是基于每个服务请求。5克是所有移动互联网的基础,为教师和学生创造价值通过可持续的服务环境。因此,关注教师和学生是最重要的服务理念5 g。前面的响应网络性能反映的QoS。QoS通常由硬件实现的测量指标,比如丢包率和频谱效率。然而,QoS很难精确测量教师,以通信网络由于增加的服务类别。体验质量的满意度是指教师和学生在使用互联网来完成教学任务。 This shows the feelings of teachers and students for different services. Therefore, QoE indicators are adopted to optimize the management of wireless resources. Nevertheless, it is difficult to model and solve the optimization problem of QoE, which is due to the immaturity and imperfection of the modeling system. Hence, at present, it still needs to rely on the QoS parameters to evaluate the network performance and map them to the QoE function to achieve the effect of optimizing the resource allocation algorithm.
师生服务经验的测量采用效用函数作为数据处理工具。平均意见分(MOS)可以给教师和学生之间的距离预期和当前网络质量也激励老师和学生网络的经验。传输速度非常体验质量的关键;这勘探重点反馈的教师和学生的满意度和使用效用函数得到金属氧化物半导体的评估。
有三个不同类型的服务为教师和学生的要求,包括QoS约束服务,尽最大努力()服务、和服务有特殊要求。是指服务没有QoS的限制。大多数教师和学生的服务请求不需要延迟。第二种类型的服务请求QoS是有限的,资源的数量和要求(26]。最后一个是最高的服务请求的复杂性和QoS要求。鉴于上述情况,采用乙状结肠函数表达的MOS效用函数,并计算
在哪里 , , ,和代表斜率的参数。会影响曲线的斜率, , ,和会影响映射范围从金属氧化物半导体的效用函数。代表了另一种形式的资源不同组的教师和学生的需求。
上述三种不同类型的服务是自然不同,基于不同的效用函数和不同的速度需求。是服务,有师生之间的正相关经验和资源调度27]。因此,这是一个单调递增的凸函数特性。这个函数的稳定性条件是率达到所需的阈值传输速率。效用函数是单调递增函数,QoS交通的特点。QoS应满足需求;因此,效用函数增长迅速。高优先级的师生资源请求是基于事实,通过教师和学生的资源少于QoS要求。低优先级的师生资源请求是因为教师和学生获得的资源大于临界值的QoS要求。在这种情况下,效用函数的增长速度非常慢。最后是教师和学生有特殊的QoS要求。 Their satisfaction is difficult to reach the maximum unless the rate exceeds a certain value. Then, the opposite situation is that the satisfaction is 0. Figure10的原理图是大学体育教育资源系统物联网。
(3)优化模型。体验质量建设的优化模型是基于效用函数。约束条件和优化目标构成了优化模型。最小的QoS保证优化约束的上限。方程(7)显示的资源分配模型 - - - - - -th老师和学生:
每个老师和学生不低于效用函数阈值,保证了C1,和每一个物联网的最大传输功率的老师和学生受到C2。条件是每个老师和学生只能选择一个RB C3,但多个教师和学生可以选择相同的RB。
2.2.2。资源分配算法的强化学习
基于研究的场景中,离散时间马尔可夫决策过程与连续行动空间可以适应代表隐藏的最优随机控制权力分配和师生调度的问题。终端的教师和学生不能获得准确的转换信息,因为外部环境的复杂的转换。此外,很难获得最优解较低复杂度的先前的方法给出了方程(7)。因此,大规模物联网设备的资源配置在下面很深的强化学习算法研究。
(1)强化学习模型。在离散时间的情况下,目前的优化问题的目标是形成一个传统强化学习问题与环境之间的交互和智能模块。实时奖励获得由智能模块的基础上,及时采取行动在收到每个时间段的观察结果吗 。状态方程是产品的资源分配情况。这意味着当前环境状态的智能模块。根据强化学习模型,大量的教师和学生,RB代表了数据传输指针和指针。代表国家在每一个时期,表示为
在哪里信道访问的表达,这意味着教师和学生的数量占据RB,然后呢是数据传输的指针。如果师生效用函数的值小于最小阈值,传输将会失败 。相反, 。智能模块的时间段被定义为
在哪里由RB指数和传动功率的智能模块设备当前RB多路复用。奖励是一种评价,具体是指评价当前状态和行为。智能模块可以根据奖励情况调整。这里的奖励可以被定义为效用函数方程(6)。奖励 表示如下:
在哪里是一个常数负的奖励值,这是适应惩罚智能选择的行动。例如,如果智能模块的最大力量的极限系统模型,和智能模块选择传动功率大于阈值,智能模块将受到惩罚。
(2)强化学习算法。引入非线性函数逼近的目的到机器学习算法来更好地处理连续行动空间和多维状态空间的问题。未经授权的频段的频率资源不能妥善处理这些问题对普通线性函数近似(28,29日]。算法的框架如图11,该框架集成的基础上,教师和学生是主体结构的算法。学生在体育网络输入状态和输出操作。随后引发的环境触发操作的智能模块的作用下环境和反馈的新状态 。最后,根据数据计算损失函数。方程(11)用于计算损失函数。
更新参数的老师在学生网络不同于网络。老师更新参数根据梯度下降法,而学生更新参数根据梯度上升。实证重放方法是采用数据泛化,如经验池中存储的数据图。实现算法收敛的目的,重放的方法经验经验池是用来阻止不同数据之间的相关性。图11给出了算法的基本框架。
图11表明主要净和目标出现在网络和学生网络两个老师。采用相同的网格结构构建目标和评价与结构相同但参数不同的网络。评估网格将分配目标网格后一定时间。的算法流程图如下图总结了每个模块程序实现深入师生集成框架。使用的算法更新目标网络的每一步。图12是一种资源分配算法的流程图的基础上,整合教师和学生。
3所示。结果
3.1。QoS的分析模型在PE-IoT模式基于5 g网络通信
反映在传统网络QoS的性能。然而,QoS通常是衡量频谱效率、丢包率等指标。随着服务类别的增加、QoS很难衡量通信网络集中在教师和学生的集成。图4显示了QoS的优化点线路图模型。
图4表明效用函数变化速率的变化。不同的教师和学生有不同的服务需求。是服务,师生经验成正比的资源调度。图中所示的函数是单调递增的,和所需的稳定条件是到达率相关的阈值。师生体验质量流的特点也单调递增,和快速增长的效用函数是基于事实,通过教师和学生的资源少于所需的体验质量的价值。为教师和学生体验质量有特殊需求,如果速度大于特定值,他们的满意度达到最大,但这很难实现。
3.2。分析物联网模型基于大学体育组织
与传统的QoS优化算法不同,老师和体育学生网络使用效用函数近似评估价值函数。使用这种方法大大提高了经验赞美指数和大学教师和学生的满意度。图13显示了不同的师生请求的体验质量优化模型。
不同类型的服务对应于不同的效用函数和不同速度的要求。是服务,有师生之间的正相关经验和资源调度。上述情况表明,该函数具有单调增加的特点,和体验质量流量特征的效用函数是单调递增函数。师生资源请求的优先级应该更高,以满足快速增长的实用函数。低优先级的师生资源请求的原因是教师和学生获得的资源大于体验质量所需的临界值。在这种情况下,效用函数的增长速度非常慢。在最后一种情况下,教师和学生很难有特殊体验质量需要达到的最大值的满意度。相反,满意度是0。
4所示。结论
物联网的出现和5 g使技术提高PE低成本异构设备和数字应用程序通过连接控制和访问环境。在物联网环境中,5 g技术被用来提高体育课的教学方法,并取得了良好的进展。本研究采用了一种物联网资源分配算法和深度强化学习来分析高校体育教学的改革和发展服务。基于窄带U-NB-IoT下行系统,米姆和重复的预编码技术提升创科实业在数据传输研究的报道。下的资源分配问题的大规模物联网设备的访问是通过深层解决强化学习框架。结果表明,提出的资源分配算法可以提高教师和学生对教学资源的经验,使教师和学生的满意度与不同的服务请求到达理想值,进一步改革体育教学模式,优化教学存在的问题。然而,分配算法是相对单一,其多样性是不够的。因此,随后的未来的工作将集中在分布式资源分配算法。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。