dnn训练matlab代码世贸组织 无线移动边缘计算中用于计算速率最大化的深度神经网络 Python代码可重现我们在无线移动边缘计算[1]上的工作，该技术使用无线通道增益作为输入，将二进制计算模式选择结果用作深度神经网络（DNN）的输出。 这包括： ：WPMEC的DNN结构，包括培训结构和测试结构 ：所有数据都存储在此子目录中，包括： data _＃。mat ：培训和测试数据集，其中＃是用户号 Prediction _＃。mat ：DNN_test生成的预测模式选择 weights_biases.mat ：受训DNN的参数，可用于在MATLAB中重现此受训DNN。 ：运行此文件，包括设置系统参数 关于我们的作品 请参阅发布于的关于此主题的最新优势。 具体而言，提出了一种基于强化学习的在线算法，以最大化无线移动边缘计算网络中的加权计算速率。 数值结果表明，与现有的优化方法相比，所提出的算法可以达到近乎最佳的性能，同时将计算时间显着减少了一个数量级以上。 例如，在30个用户的网络中，DROO的CPU执行等待时间小于0.1秒，即使在快速衰落的环境中，实时和最佳的泛滥也切实可行。 Huang

为实现车辆终端用户任务执行时延与处理速率、能耗的最佳均衡关系，针对车联网的边缘接入环境，提出了一种基于深度 Q 网络（DQN）的计算任务分发卸载算法。首先根据层次分析法对不同车辆终端的计算任务进行优先级划分，从而为计算任务处理速率赋予不同的权重建立关系模型；然后引入基于深度Q网络的边缘计算方法，以计算任务处理速率加权和为优化目标建立任务卸载模型；最后建立基于 DQN 的车辆终端自主最优任务卸载策略，最大化卸载决策制定模型的长期效用。仿真结果表明，相比Q学习算法，所提算法有效提高了任务执行效率。

原本官方的工具有个别参数被挡到，例如挡住了bps的数值，这边的这个工具已经稍加修改，把那些会挡住的字母去掉，请放心下载。工具可以设置扩频因子、带宽、频率等参数计算出最后的速率和功率，还可以计算发送前导码长度占用时间和数据包整体的时间。