mmW-NOMAにおける深層強化学習:結合電力割当とハイブリッドビーム成形【JST・京大機械翻訳】

Akbarpour-Kasgari Abbas; Ardebilipour Mehrdad

プレプリント

J-GLOBAL ID：202202219352547006 整理番号：22P0349901

mmW-NOMAにおける深層強化学習:結合電力割当とハイブリッドビーム成形【JST・京大機械翻訳】

Deep Reinforcement Learning in mmW-NOMA: Joint Power Allocation and Hybrid Beamforming

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 (2件)： ,
資料名：
発行年： 2022年05月13日プレプリントサーバーでの情報更新日： 2022年05月13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)

無線通信の次世代におけるデータ速度の高い需要は,ミリ波(mmW)周波数帯における非直交多重アクセス(NOMA)アプローチによって保証できた。結合電力割当とビーム成形によるビットレートを維持しながら,他のユーザに対する干渉の低減は,ビットレートの高い要求を保証するために必須である。さらに,mmW周波数帯は,実装と性能におけるトレードオフのため,ビーム成形のためのハイブリッド構造を決定する。本論文では,mmW-NOMAシステムの結合電力割当とハイブリッドビーム成形を,機械学習と深層強化学習(DRL)と呼ばれる制御理論アプローチの最近の進歩により,提起した。即時報酬を測定し,ネットワークの全体的Q値を最大化するために新しい行動を提供するため,Actor-critic現象を利用した。さらに,アプローチの安定性を改善するために,全体的報酬と行動エントロピーを同時に最大化するソフトアクター-クリット(SAC)アプローチを利用した。即時報酬は,すべてのユーザの速度のソフト加重加算に基づいて定義された。ソフト重みづけは,各ユーザの達成された速度と割り当てられた電力に基づいている。さらに,ユーザと基地局(BS)間のチャネル応答を環境状態として定義し,一方,行動空間はディジタルとアナログビーム成形重みと各ユーザに割り当てられた電力を含む。シミュレーション結果は,ユーザの合計レートに関して,時間分割多重アクセス(TDMA)とSight(NLOS)-NOMAのNon-Lineよりも,提案した方式の優位性を示した。その性能は,チャネル応答に対する提案したアプローチの共同最適化と独立性に起因する。【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