短縮チャネル反転電力制御によるNOMAベースランダムアクセスネットワークに対する深層強化学習ベースアプローチ【JST・京大機械翻訳】

Chen Ziru; Zhang Ran; Cai Lin X.; Cheng Yu; Liu Yong

プレプリント

J-GLOBAL ID：202202200950197114 整理番号：22P0293567

短縮チャネル反転電力制御によるNOMAベースランダムアクセスネットワークに対する深層強化学習ベースアプローチ【JST・京大機械翻訳】

A Deep Reinforcement Learning based Approach for NOMA-based Random Access Network with Truncated Channel Inversion Power Control

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年02月22日プレプリントサーバーでの情報更新日： 2022年02月22日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

5Gと超無線ネットワークの主な使用事例として,絶えず増加する機械型通信(MTC)装置は,近年MTCネットワークに対して重大な課題を提起している。限られた資源を持つ大規模なMTCデバイスをサポートすることは必須である。この目的のために,非直交多重アクセス(NOMA)ベースのランダムアクセスネットワークをMTCネットワークのための将来候補と見なした。本論文では,短縮チャネル反転電力制御によるNOMAベースランダムアクセスネットワークのための深層強化学習(RL)ベース手法を提案した。具体的には,各MTCデバイスは,データ伝送に対してある確率で予め定義された電力レベルをランダムに選択する。デバイスは,チャネル反転電力制御を使用するが,伝送電力の上限にさらされている。チャネルフェージングと限られた伝送電力の確率的特徴により,異なる達成可能な電力レベルのデバイスを異なるタイプのデバイスとして分類した。すべてのデバイス間の公平性を考慮して高スループットを達成するために,2つの目的関数を定式化した。1つは,すべてのMTCデバイスの最小長期期待スループットを最大化することであり,他は,すべてのMTCデバイスに対する長期予想スループットの幾何平均を最大化することである。政策ベースの深層強化学習アプローチをさらに適用して,各装置の伝送確率を調整し,定式化した最適化問題を解いた。提案したアプローチの利点を示すために,広範なシミュレーションを行った。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

計算機網 , 移動通信

, , ,

前のページに戻る