MMJul, 2021

用于智能可重构 THz MIMO-NOMA 网络的图嵌入多智能体学习

PDF
TL;DR提出了一种基于可重构智能表面技术实现的智能 THz MIMO-NOMA 通信框架，并采用分布式智能算法，完成网络中多个访问点协同优化查询的过程，通过了高定制、高效能和低延迟等测试。
6gterahertzmimo-nomareconfigurable intelligent surfacesmulti-agent deep reinforcement learning
发现论文，激发创造
  • 基于 RIS 的 EH-NOMA 网络：一种深度强化学习方法

    该论文提出一种基于能量收集的可重构智能表面帮助非正交多用户下行通信系统提高谱效率的新方法，使用深度学习算法解决由于用户通信状态的动态变化和可利用能源的动态变化影响的非凸问题，获得了比其他基准算法更好的通信成功率表现。

    Apr, 2023

  • 基于机器学习的 RIS 辅助 NOMA 网络用户分配和相移器设计

    提出了一种新颖的可重构智能表面辅助的非正交多址 (NOMA) 下行传输框架。该框架采用了长期随机优化问题和改进的移动对象迁移自动化算法 (MOMA) 来优化用户分组和可重构智能表面相位移动矩阵，结合深度确定性策略梯度 (DDPG) 算法来控制多重反射元素，实现了动态资源分配策略。通过多个数值结果的分析表明，该方法相对于传统正交多址 (OMA) 框架提高了移动用户 (MUs) 的总数据率，可以学会动态资源分配策略，同时通过提高可重构智能表面相位移动的粒度和增加反射元素的数量来提高数据收益。

    Jan, 2021

  • 毫米波非正交多址通信中的深度强化学习：联合功率分配和混合波束成形

    本论文介绍了使用深度强化学习和控制理论方法 (DRL) 实现毫米波非正交多址接入 (NOMA) 系统的联合功率分配和混合波束成形，通过考虑用户之间的相互干扰并同时满足高速率需求，模拟结果表明该方法比时分复用多址 (TDMA) 和非线视距 (NLOS)-NOMA 方法在用户总速率方面效果更好，且该方法独立于信道响应。

    May, 2022

  • RIS 增强的大规模非正交多址网络：部署和被动波束成形设计

    提出了一种采用非正交多址技术 (NOMA) 的可重构智能表面 (RIS) 的部署和无源波束成形设计的新框架，利用机器学习方法分别进行用户流量需求的预测和位置获取及相位控制。所提出的 D3QN 算法优于基准算法，同时 NOMA 增强的 RIS 系统能够实现比正交多址 (OMA) 启用的 RIS 系统更高的能量效率。

    Jan, 2020

  • 室内环境下采用 NOMA 辅助的多 STAR-RIS 设计优化：凸逼近模仿强化学习方法

    通过多个关键接入点（APs）和自适应重构智能表面（STAR-RISs）的新型网络架构，该研究论文提出了应对室内通信中干扰抑制、功耗和实时配置方面的挑战的解决方案，并采用多智能体深度强化学习（MADRL）来优化 STAR-RIS 的控制。通过模拟实验，论文证明了与基准方法相比，网络效用显著提高。

    Jun, 2024

  • 深度强化学习的毫米波非正交多址下行系统联合功率分配和波束成形器

    该研究使用深度强化学习方法，对毫米波条件下的非正交多址接入进行了功率分配和波束成形的优化，以达到用户总速率最大化，并在模拟结果中表现出较其他方法更佳的效果。

    May, 2022

  • 多跳 RIS 强化太赫兹通信：基于 DRL 的混合波束成形设计

    本文提出了一种基于可重构智能表面的多跳信道下的 THz 通信网络混合波束赋形方案，使用近期的强化学习技术，通过协同设计基站和可重构智能表面的数字波束和模拟波束矩阵，提高了 THz 通信的覆盖范围，并证明了该方案优于传统的基于多跳的波束赋形方案。

    Jan, 2021

  • 基于 RIS-NOMA 的多机器人通信智能轨迹设计

    提出了一个利用可重构智能表面支持的多机器人网络，目标是通过联合优化轨迹和机器人的 NOMA 解码顺序，RIS 的相移系数以及 AP 的功率分配，最大化整个轨迹的总速率。通过整合深度 Q 网络算法和长短时记忆自回归移动平均模型，预测每个机器人的初始和结束位置，同时确定机器人的轨迹，数值结果表明：LSTM-ARIMA 模型提供高精度的预测模型；所提出的 D^3QN 算法可以实现快速平均收敛；RIS-NOMA 网络相对于 RIS 支持的正交网络具有更高的网络性能。

    May, 2022

  • 基于多智能体强化学习的室内多星辅助 NOMA 系统的联合用户分配和波束成形设计

    在室内环境中，研究了 NOMA 和 Multi-STAR-RISs 的联合用户配对和波束赋形设计，通过解决用户配对问题和波束赋形向量优化问题来最大化 MUs 的总吞吐量。

    Nov, 2023

  • 利用深度强化学习优化多用户 MISO 系统的可重构智能面

    本文研究了利用可重构智能表面 (RIS) 反射阵列所协助的 MIMO 传输，通过深度强化学习 (DRL) 基于试错交互获得基站传输波束和 RIS 相位移位的联合设计。仿真结果表明，该算法学习能力逐渐提高，与两个最新的基准算法相比表现相当。

    Feb, 2020