无人机辅助认知 NOMA 网络中用于和速率最大化的主动推断
信号处理
2023-09-21 v1
摘要
鉴于新兴物联网（IoT）驱动的无线数据流量激增，无人机（UAV）、认知无线电（CR）与非正交多址（NOMA）已被认为是克服海量连接问题的有前景技术。因此，越来越需要智能化地提升未来无线网络的信道容量。受认知神经科学中主动推断的启发，本文研究上行无人机辅助认知 NOMA 网络的联合子信道与功率分配。由于动态网络条件与功率约束，最大化和速率通常是一个极具挑战的优化问题。为应对该挑战，我们提出一种基于主动推断的算法。我们利用广义状态空间模型刻画时变网络环境，将和速率最大化问题转化为异常最小化问题。随后使用主动广义动态贝叶斯网络（Active-GDBN）求解该问题。所提框架包含离线感知阶段，其中无人机采用分层 GDBN 结构学习离散子信道与连续功率分配的最优生成模型。在在线主动推断阶段，无人机动态选择离散子信道与连续功率以最大化次级用户的和速率。通过利用每一回合中的误差，无人机可调整其资源分配策略与信念更新，从而随时间提升性能。仿真结果证明了所提算法在累积和速率方面相较于基准方案的有效性。
引用
@article{arxiv.2309.11263,
title = {Active Inference for Sum Rate Maximization in UAV-Assisted Cognitive NOMA Networks},
author = {Felix Obite and Ali Krayani and Atm S. Alam and Lucio Marcenaro and Arumugam Nallanathan and Carlo Regazzoni},
journal= {arXiv preprint arXiv:2309.11263},
year = {2023}
}
备注
This paper has been accepted for the 2023 IEEE 9th World Forum on Internet of Things (IEEE WFIoT2023)