基于无人机认知NOMA网络的智能资源分配：一种主动推断方法
信号处理
2023-10-18 v1
摘要
未来无线网络需要改进自适应资源分配与决策，以应对智能设备数量的增长。无人机（UAVs）因其实时决策潜力正被探索。此外，认知非正交多址（Cognitive-NOMA）被视为解决频谱稀缺并实现海量连接的良方。本文研究了上行链路基于无人机的认知NOMA网络中联合子信道与功率分配的设计。我们旨在基于无人机在每个时间步的机动性，通过联合优化子信道与功率分配来最大化累积和速率。这常被表述为带随机变量的优化问题。然而，传统优化算法通常引入显著复杂度，而机器学习方法常依赖庞大但部分代表性的数据集来构建求解模型，并假设测试数据平稳。因此，针对非平稳事件的推断策略常被忽视。在本研究中，我们引入一种根植于认知神经科学的新型基于主动推断的学习方法来解决这一复杂问题。该框架涉及使用随机或迭代方法创建训练数据集以寻找次优资源分配。该数据集离线训练移动无人机，使其学习离散子信道与连续功率生成的生成模型。无人机随后使用该模型进行在线推断。该方法通过识别所需动作与变量之间的动态平衡条件（表征于独特的动态贝叶斯网络中），从训练数据增量推导出新生成模型。所提方法通过数值仿真验证，相比次优基线方案表现出高效性能。
引用
@article{arxiv.2310.11070,
title = {Intelligent Resource Allocation for UAV-Based Cognitive NOMA Networks: An Active Inference Approach},
author = {Felix Obite and Ali Krayani and Atm S. Alam and Lucio Marcenaro and Arumugam Nallanathan and Carlo Regazzoni},
journal= {arXiv preprint arXiv:2310.11070},
year = {2023}
}
备注
Accepted for publication in the 2023 IEEE Future Networks World Forum (FNWF'23)