动态无蜂窝网络中的多址接入：中断性能与基于深度强化学习的设计
信号处理
2020-02-25 v2 信息论
机器学习
math.IT
机器学习
摘要
在未来的无蜂窝（或无小区）无线网络中，地理区域内的大量设备将在非正交多址场景下由大量分布式接入点（AP）同时服务，这些接入点与集中式处理池协调。对于这种具有静态预定义波束成形设计的集中式无蜂窝网络，我们首先推导了上行每用户中断概率的闭式表达式。为了在大量设备和 AP 存在的情况下显著降低用户信号联合处理的复杂度，我们提出了一种新颖的动态无蜂窝网络架构。在该架构中，分布式 AP 被划分（即聚类）为若干子组，每个子组充当配备分布式天线系统（DAS）的虚拟 AP。当簇大小为 1 时，传统的静态无蜂窝网络是该动态无蜂窝网络的特例。针对该动态无蜂窝网络，我们提出了一种支持连续干扰消除（SIC）的信号检测方法和一种用户间干扰（IUI）感知的 DAS 接收分集合并方案。然后我们构建了以最大化总和速率或最大化最小速率为目标的 AP 聚类与波束成形向量设计的通用问题。为此，我们提出了一种混合深度强化学习（DRL）模型，即深度确定性策略梯度（DDPG）-深度双重 Q 网络（DDQN）模型，以低复杂度在线求解该优化问题。用于总和速率优化的 DRL 模型在平均每用户速率性能上显著优于用于最大化最小速率的模型。此外，在我们的系统设置中，所提出的 DDPG-DDQN 方案被发现在速率上达到了基于穷举搜索设计可达成速率的约 。
引用
@article{arxiv.2002.02801,
title = {Multiple Access in Dynamic Cell-Free Networks: Outage Performance and Deep Reinforcement Learning-Based Design},
author = {Yasser Al-Eryani and Mohamed Akrout and Ekram Hossain},
journal= {arXiv preprint arXiv:2002.02801},
year = {2020}
}
备注
This article has been submitted to IEEE for possible publication