Уважаемые коллеги, доброго времени суток! Представляем вам сербское научнок издание Telfor Journal. Журнал имеет четвёртый квартиль, издается в Academic Mind, находится в открытом доступе, его SJR pf 2020 г. равен 0,128, печатный ISSN - 1821-3251, электронный - 2334-9905, предметные области - Технология обработки сигналов, Радиация, Мультимедийные технологии, Программное обеспечение, Компьютерные сети и коммуникации. Вот так выглядит обложка:
Редактором является Дорде Паунович, контактные данные - paunovic@etf.rs, journal@telfor.rs.
Это международный научный журнал открытого доступа, публикующий улучшенные и расширенные версии отобранных лучших работ, первоначально представленных на ежегодной конференции TELFOR (www.telfor.rs), а также статьи, приглашенные редакционной коллегией и статьи, представленные самими авторами для публикации. Все статьи подлежат рецензированию. Журнал издается на английском языке, как в электронной, так и в печатной версиях. Будучи публикацией, совместно поддерживаемой IEEE, она будет соответствовать всем правилам и процедурам IEEE. Журнал охватывает все основные отрасли современных телекоммуникаций и информационных технологий:
- Телекоммуникационную политику и услуги,
- Телекоммуникационные сети,
- Радиосвязь,
- Системы связи,
- Обработку сигналов,
- Оптическую связь,
- Прикладную электромагнетику,
- Прикладную электронику,
- Мультимедиа,
- Программные средства и приложения, а также другие области, связанные с ИКТ.
Указанный широкий спектр тем объясняет быстрое сближение с помощью телекоммуникаций базовых технологий в направлении информационного общества и общества знаний. Журнал обеспечивает среду для обмена результатами исследований и технологическими достижениями, достигнутыми научным сообществом из академических кругов и промышленности.
Адрес издания - http://journal.telfor.rs/Public/Home.aspx
Пример статьи, название - Dynamic Spectrum Access with Deep Qlearning in Densely Occupied and Partially Observable Environments. Заголовок (Abstract) - In this paper, we propose a new Dynamic Spectrum Access (DSA) method for multi-channel wireless networks. We assume that DSA nodes do not have prior knowledge of the system dynamics, and have only partial observability of the channels. Thus, the problem is formulated as a Partially Observable Markov Decision Process (POMDP) with exponential time complexity. We have developed a novel Deep Reinforcement Learning (DRL) based DSA method which combines a double deep Q-learning architecture with a recurrent neural network and takes advantage of a prioritized experience buffer. The simulation analysis shows that the proposed method accurately predicts a channel state based on the fixed-length history of partial observations. Compared with other DRL methods for DSA, the proposed solution can find a near-optimal policy in a smaller number of iterations and suits a wider range of communication environments, including dynamic ones, where channel occupancy pattern changes over time. The performance improvement increases with the number of channels and with a channel state transition uncertainty. To boost the performance of the algorithm in densely occupied environments, multiple DRL exploration strategies are examined and evaluation results are presented in the paper. Keywords: Cognitive radio, Reinforcement learning, Qlearning.