低秩 Wi-Fi 信道的最优功率分配：与深度强化学习框架的比较
信号处理
2025-01-22 v1
摘要
upcoming 的增强现实（AR）和虚拟现实（VR）系统需要高数据速率（ 500 Mbps）和低功耗，以实现无缝体验。随着订阅用户数的增加，所有发射用户的天线总数远超过接入点（AP）的天线数。这导致低秩无线信道，成为上行通信系统的瓶颈。当前使用正交多址接入（OMA）或提议的非正交多址接入（NOMA）的上行系统，难以在以低秩信道为主的场景下实现所需的数据速率/功耗。本文引入一种用于多载波 NOMA 的最优功率子载波分配算法，命名为 minPMAC，并提供一种关联的时间共享算法，通过自适应更改成功干扰消除解码顺序，在这些低秩信道中最大化总数据速率。该拉格朗日优化技术虽然全局最优，但在运行时代价高昂，实时场景下效率低下。因此，我们提出一种新的近似最优深度强化学习能源求和优化方法（DRL-minPMAC），实现了实时效率。广泛的实验评估表明，minPMAC 比 NOMA 和 OMA 基线提高了 28% 和 39% 的数据速率。此外，提出的 DRL-minPMAC 比 minPMAC 快约 5 倍，在实时情况下实现了 83% 的全局最优数据速率。
引用
@article{arxiv.2501.11266,
title = {Optimum Power Allocation for Low Rank Wi-Fi Channels: A Comparison with Deep RL Framework},
author = {Muhammad Ahmed Mohsin and Sagnik Bhattacharya and Kamyar Rajabalifardi and Rohan Pote and John M. Cioffi},
journal= {arXiv preprint arXiv:2501.11266},
year = {2025}
}
备注
Accepted for presentation @ ICC 2025