RIS 辅助 NOMA 网络中基于机器学习的用户划分与相移器设计
信息论
2021-01-06 v1 math.IT
摘要
提出了一种新颖的可重构智能表面（RIS）辅助的非正交多址（NOMA）下行传输框架。我们构建了一个长期随机优化问题，涉及 NOMA 用户划分与 RIS 相移的联合优化，旨在最大化 NOMA 下行网络中移动用户（MUs）的总数据速率。为解决这一具有挑战性的联合优化问题，我们采用改进的目标迁移自动化（MOMA）算法将用户划分为等规模簇。为优化 RIS 相移矩阵，我们提出一种深度确定性策略梯度（DDPG）算法来协同控制 RIS 的多个反射单元（REs）。与传统的先训练后测试处理不同，我们考虑一种长期自调整学习模型，其中智能体能够通过探索与利用为每一给定状态学习最优动作。大量数值结果表明：1）所提出的 RIS 辅助 NOMA 下行框架相比传统正交多址（OMA）框架实现了更高的总数据速率。2）所提出的 DDPG 算法能够以长期方式学习动态资源分配策略。3）所提出的 RIS 辅助 NOMA 框架的性能可通过增加 RIS 相移的粒度来提升。数值结果还表明，降低 RIS 相移粒度并增加 REs 数量是提升 MUs 总数据速率的两种有效方法。
引用
@article{arxiv.2101.01212,
title = {Machine Learning for User Partitioning and Phase Shifters Design in RIS-Aided NOMA Networks},
author = {Zhong Yang and Yuanwei Liu and Yue Chen and Naofal Al-Dhahir},
journal= {arXiv preprint arXiv:2101.01212},
year = {2021}
}
备注
30 pages, 10 figures