深度强化学习驱动的智能反射面辅助下行非正交多址
信息论
2021-04-06 v1 机器学习
math.IT
摘要
本文研究智能反射面（IRS）辅助的下行非正交多址（NOMA）场景，旨在最大化用户的和速率。IRS 处的优化问题相当复杂且非凸，因其需调节相移反射矩阵。受日益部署的、能应对非凸优化问题的深度强化学习（DRL）技术驱动，我们采用 DRL 预测并最优调节 IRS 相移矩阵。仿真结果表明，基于所用 DRL 方案的 IRS 辅助 NOMA 相较基于 OMA 的方案实现了更高的和速率，且随着发射功率增大，服务更多用户的能力提升。此外，结果显示不完美的连续干扰消除（SIC）对执行 SIC 的用户数据速率有有害影响；当不完美程度增至十倍时，速率下降超过 10%。
引用
@article{arxiv.2104.01414,
title = {Deep Reinforcement Learning Powered IRS-Assisted Downlink NOMA},
author = {Muhammad Shehab and Bekir S. Ciftler and Tamer Khattab and Mohamed Abdallah and Daniele Trinchero},
journal= {arXiv preprint arXiv:2104.01414},
year = {2021}
}