基于深度学习的 NOMA 网络无线资源管理：用户关联、子信道与功率分配
信息论
2020-06-23 v1 信号处理
math.IT
摘要
随着未来无线通信的快速发展，NOMA 技术与毫米波（mmWave）技术的结合已成为研究热点。NOMA 在毫米波异构网络中的应用可满足未来通信中不同应用与场景下用户的多样化需求。本文提出一种机器学习框架，以处理此类复杂场景中的用户关联、子信道与功率分配问题。我们致力于在服务质量（QoS）、干扰限制和功率限制的约束下最大化系统能效（EE）。具体而言，用户关联通过拉格朗日对偶分解方法求解，而子信道与功率分配分别采用半监督学习与深度神经网络（DNN）。特别地，引入无标签样本以提升子信道分配的逼近与泛化能力。仿真表明，所提方案能以更低复杂度实现更高 EE。
引用
@article{arxiv.2006.11513,
title = {Deep Learning based Radio Resource Management in NOMA Networks: User Association, Subchannel and Power Allocation},
author = {Haijun Zhang and Haisen Zhang and Keping Long and George K. Karagiannidis},
journal= {arXiv preprint arXiv:2006.11513},
year = {2020}
}
备注
to appear in IEEE Transactions on Network Science and Engineering