毫米波NOMA中的深度强化学习：联合功率分配与混合波束成形
信息论
2022-05-17 v1 人工智能
信号处理
math.IT
摘要
下一代无线通信对数据速率的高需求可通过毫米波（mmW）频带中的非正交多址（NOMA）方法来保证。在维持比特率的同时降低对其他用户的干扰，并通过联合功率分配与波束成形来保障高比特率需求是必需的。此外，由于实现与性能之间的权衡，毫米波频带要求采用混合结构进行波束成形。本文通过称为深度强化学习（DRL）的机器学习与控制理论最新进展，提出了毫米波NOMA系统的联合功率分配与混合波束成形方案。利用行动者-评论家机制来度量即时奖励并提供新动作，以最大化网络的整体Q值。此外，为提高方法的稳定性，我们采用了软行动者-评论家（SAC）方法，同时最大化整体奖励与动作熵。即时奖励基于所有用户速率的软加权和来定义，软加权依据各用户所获速率与分配功率进行。进一步地，用户与基站（BS）之间的信道响应被定义为环境状态，而动作空间包含数字与模拟波束成形权重及分配给各用户的功率。仿真结果表明，所提方法在用户和速率方面优于时分多址（TDMA）与非视距（NLOS）-NOMA。其优越性源于所提方法的联合优化及其对信道响应的无关性。
引用
@article{arxiv.2205.06814,
title = {Deep Reinforcement Learning in mmW-NOMA: Joint Power Allocation and Hybrid Beamforming},
author = {Abbas Akbarpour-Kasgari and Mehrdad Ardebilipour},
journal= {arXiv preprint arXiv:2205.06814},
year = {2022}
}
备注
20 pages (single Column), 9 figures. arXiv admin note: text overlap with arXiv:2205.06489