アップリンクNOMA-URLLCネットワークにおけるリソース割当のための高信頼強化学習【JST・京大機械翻訳】

Ahsan Waleed; Yi Wenqiang; Liu Yuanwei; Nallanathan Arumugam

プレプリント

J-GLOBAL ID：202202207098558851 整理番号：22P0275187

アップリンクNOMA-URLLCネットワークにおけるリソース割当のための高信頼強化学習【JST・京大機械翻訳】

A Reliable Reinforcement Learning for Resource Allocation in Uplink NOMA-URLLC Networks

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 (4件)： , , ,
資料名：
発行年： 2022年01月16日プレプリントサーバーでの情報更新日： 2022年01月16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)

本論文では,非直交多重アクセス(NOMA)支援超信頼性通信(URLLC)におけるアップリンク資源割当てを最適化するための,深い状態行動報酬状態行動(SARSA)λ学習アプローチを提案した。時変ネットワーク環境における平均復号化誤差確率を減らすために,本研究は,報酬フィードバックが瞬時ネットワーク性能に基づく長期資源配分を提供するための信頼できる学習アルゴリズムを設計した。提案したアルゴリズムの助けにより,本論文は,NOMA-URLLCネットワークにおける信頼できる資源共有の3つの主な課題に取り組んだ。1)ユーザクラスタリング;2)瞬間的フィードバックシステム;3)最適資源配分。これらの設計はすべて考察した通信環境と相互作用する。最後に,提案アルゴリズムの性能を従来のQ学習とSARSA Q学習アルゴリズムと比較した。シミュレーション結果は以下を示した。1)従来のQ学習アルゴリズムと比較して,提案した解は,10 ̄-2の長期的平均誤差を低くするために,myb200episodes内で収束できる。2)NOMA支援URLLCは,復号誤差確率に関して従来のOMAシステムより優れている。3)提案したフィードバックシステムは長期学習プロセスに対して効率的である。【JST・京大機械翻訳】

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

移動通信 , 通信網

, ,

前のページに戻る