在纳米网络上实现的分子通信(MC)在能效,可靠性和稳健性方面具有极具吸引力的特性。即使,令人难以置信的慢速分子扩散和高变形环境的影响仍然未知。通信系统的分析与设计通常依赖于开发描述通信信道的数学模型。然而,底层频道模型在某些系统中未知,例如MC系统,其中化学信号用于传输信息。在这些情况下,需要一种新的分析和设计方法。在本文中,我们专注于MC系统的一个关键方面,建模MC接收信号直到时间T,并证明使用来自ML的工具使其承诺培训可以在频道模型的任何信息中执行的训练器。机器学习(ml)是智能方法之一,在域中显示了有希望的结果。本文适用Azure机器学习(Azure ML),用于柔性路面维护回归问题和解决方案。对于预测,四个参数用作输入:接收器半径,发射器半径,接收器和发射器之间的距离,以及扩散系数,而输出是接收信号的地图(平均平均精度)。 Azure M1使能够从数据和体验中学习的算法并完成任务而无需编码。在已建立的Azure ML中,选择了回归算法,例如增强决策树回归,贝叶斯线性回归,神经网络和决策林回归。选择最佳性能作为最优性标准。最后,显示了在本地PC上的开发人员使用的基于基于基于工具(Python)上的Azure M1工具的潜在益处的比较
translated by 谷歌翻译