基于深度强化学习的毫米波 NOMA 下行系统联合功率分配与波束成形器设计
信号处理
2022-05-16 v1 人工智能
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）方式来保障。毫米波 NOMA 系统的联合功率分配与波束成形是必需的，可通过优化方法实现。为此，我们利用深度强化学习（DRL）方法，因其策略生成可带来优化的用户和速率。采用 actor-critic 机制来衡量即时奖励并提供新动作以最大化网络的整体 Q 值。即时奖励基于两个用户速率之和定义，约束条件为每个用户的最低保证速率与消耗功率之和。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）及另一种 NOMA 优化策略。
引用
@article{arxiv.2205.06489,
title = {Joint Power Allocation and Beamformer for mmW-NOMA Downlink Systems by Deep Reinforcement Learning},
author = {Abbas Akbarpour-Kasgari and Mehrdad Ardebilipour},
journal= {arXiv preprint arXiv:2205.06489},
year = {2022}
}
备注
11 single column pages, 4 figures, Submitted to IEEE letter