无人机-RIS 无线网络中机器学习赋能的轨迹与被动波束成形设计
信号处理
2020-10-07 v1
摘要
提出了一种在无人机(UAV)赋能无线网络中集成可重构智能表面(RIS)的新框架，其中部署 RIS 以增强 UAV 的服务质量。采用非正交多址(NOMA)技术进一步提升网络频谱效率，同时考虑移动用户(MU)连续漫游。通过联合设计 UAV 的运动、RIS 的相移、UAV 到 MU 的功率分配策略以及确定动态解码顺序，构建了能耗最小化问题。提出了一种基于衰减深度 Q 网络(D-DQN)的算法来解决这一相关问题。在所提基于 D-DQN 的算法中，中央控制器被选为智能体，用于周期性观察 UAV 赋能无线网络的状态并执行动作以适应动态环境。与常规 DQN 算法相比，所提基于 D-DQN 的算法利用衰减学习率在加速训练速度与收敛至局部最优之间取得权衡。数值结果表明：1) 与采用以解决所述问题却无法收敛的常规 Q-learning 算法相比，所提基于 D-DQN 的算法能够在微小约束下收敛；2) 通过在 UAV 赋能无线网络中集成 RIS，可显著降低 UAV 的能量消耗；3) 通过设计动态解码顺序和功率分配策略，RIS-NOMA 情形比 RIS-OMA 情形少消耗 11.7% 的能量。
引用
@article{arxiv.2010.02749,
title = {Machine Learning Empowered Trajectory and Passive Beamforming Design in UAV-RIS Wireless Networks},
author = {Xiao Liu and Yuanwei Liu and Yue Chen},
journal= {arXiv preprint arXiv:2010.02749},
year = {2020}
}