NOMA 网络中基于深度学习的蜂窝中断补偿方法
信号处理
2022-04-11 v2
摘要
蜂窝中断补偿使网络能够快速应对灾难性的蜂窝故障，并无间断地为中断区域内的用户服务。利用非正交多址接入 (NOMA) 在提升蜂窝边缘用户吞吐量方面的良好效益，我们提出了一种新的基于 NOMA 的蜂窝中断补偿方案。在该方案中，补偿问题被表述为一个混合整数非线性规划 (MINLP)，其中将中断区域用户关联至相邻蜂窝并为其分配功率，目标是在保证其余用户服务质量的前提下最大化频谱效率。鉴于蜂窝中断即时管理的重要性及计算复杂度的处理，我们为该问题开发了一种低复杂度的次优解，其中用户关联方案由一种新的启发式算法确定，功率分配则通过应用一种创新的深度神经网络 (DNN) 来设定。我们提出方法的复杂度为多项式量级，远低于寻找最优解的指数级复杂度。仿真结果表明，所提方法逼近最优解。此外，所开发的方案极大提升了公平性并增加了被服务用户的数量。
引用
@article{arxiv.2204.03477,
title = {A Deep Learning-Based Approach for Cell Outage Compensation in NOMA Networks},
author = {Elaheh Vaezpour and Layla Majzoobi and Mohammad Akbari and Saeedeh Parsaeefard and Halim Yanikomeroglu},
journal= {arXiv preprint arXiv:2204.03477},
year = {2022}
}
备注
Accepted for publication in IEEE Open Journal of Vehicular Technology