主动 RIS 辅助的 EH-NOMA 网络：一种深度强化学习方法
信号处理
2023-04-25 v1 人工智能
信息论
机器学习
math.IT
摘要
本文研究了一种主动可重构智能表面（RIS）辅助的多用户下行通信系统，其中采用非正交多址（NOMA）以提高频谱效率，且主动 RIS 由能量收集（EH）供电。考虑到用户的服务质量（QoS）要求、动态通信状态以及 RIS 的动态可用能量，构建了联合控制 RIS 放大矩阵与相移矩阵以最大化通信成功率的问题。为求解这一非凸问题，设计了一种级联深度学习算法，即长短期记忆-深度确定性策略梯度（LSTM-DDPG）。首先，开发了一种基于先进 LSTM 的算法来预测用户的动态通信状态。然后，基于预测结果，提出一种基于 DDPG 的算法来联合控制 RIS 的放大矩阵与相移矩阵。最后，仿真结果验证了所提 LSTM 算法预测的准确性，并表明 LSTM-DDPG 算法在通信成功率性能方面相较其他基准算法具有显著优势。
引用
@article{arxiv.2304.12184,
title = {Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach},
author = {Zhaoyuan Shi and Huabing Lu and Xianzhong Xie and Helin Yang and Chongwen Huang and Jun Cai and Zhiguo Ding},
journal= {arXiv preprint arXiv:2304.12184},
year = {2023}
}