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
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
本文提出了将非正交多址接入和毫米波通信相结合的方法,并研究了使用波束成型和功率分配的方法来实现最大化系统总速率。经过大量的性能评估,结果表明,该方法的性能接近于理论上的最优解,并明显优于时分多址的结果。
Nov, 2017
本文提出了基于深度强化学习的联合资源管理方法来应对多载波非正交多址系统中的硬件敏感性和不完美连续干扰消除,包括对子载波赋值和功率分配两个迭代子任务的决策过程。经过广泛实验验证,该方法在系统吞吐量和抗干扰能力方面较现有替代方案更加优越,并可以灵活满足用户的个性化服务要求。
Mar, 2021
本文研究使用缓存和非正交多址接入技术进行系统优化及功率分配问题,并提出了两种方法,一种基于分治策略,另一种使用深度强化学习算法,通过仿真实验验证了这两种方法的有效性和性能。
Sep, 2019
本文针对非正交多址技术中的公平资源分配问题,基于强化学习提出了一种高效的资源分配方案,结合深度强化学习算法和 SARSA-learning 算法处理不同网络负载下的差异性问题,并通过数值实验得出在物联网中,非正交多址技术可以比正交多址技术更好地提高系统的吞吐量。
Jul, 2020
本文研究非正交多址接入在毫米波通信(mmWave-NOMA)中的应用。通过用户间信道相关性进行用户分组,进而提出联合设计混合波束成形与功率分配方法以最大化可达到的总速率。模拟结果表明,该方法在可达到的总速率和能量效率方面优于现有方案和常规的毫米波正交多址系统。
Jul, 2019
本文研究了一种上行毫米波大规模多输入多输出系统的能量效率最大化问题,应用非正交多址访问技术和混合模拟数字波束成形方案,并提出了一种功率分配算法,同时利用基站的全局信息进行改进,数值结果表明,与传统正交多址访问技术相比,所提出的非正交多址访问技术实现了更优越的能量效率。
Mar, 2019
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
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
本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同,并将其构建为一个非凸优化问题,以最大化信号干扰加噪声比(SINR); 该算法在子 6 GHz 和毫米波(mmWave)频段的语音无线电和数据无线电中都取得了更好的性能。
Jun, 2019