MIMO 双向反射资源分配的精炼深度强化学习
信息论
2024-07-29 v2 信号处理
math.IT
摘要
双向反射通信促进了被动标签在未来物联网 (IoT) 网络中的普遍连接和大规模接入。标签通过反射载波发射器 (CE) 信号与读机通信。本文针对 CE/读机的发射/接收波束赋形器和标签的反射系数进行联合设计。形式化了一个满足标签需求的吞吐量最大化问题。通过在连续状态和动作上下文中基于预定义奖励系统进行的系列试错交互，开发了一个联合设计方案。利用深度强化学习 (DRL) 的最新进展，解决了该优化问题。以深度确定性策略梯度 (DDPG) 和软演员-评论家 (SAC) 为基础，本文提出了两种新算法，即针对 MIMO BiBC 的精炼-DDPG (RDMB) 和精炼-SAC (RSMB)。仿真结果表明，所提出的算法能够有效从环境中学习并逐步改进其性能。它们在性能上与两种领先基准相当：交替优化 (AO) 和几种 DRL 方法，包括深 Q 网络 (DQN)、双深 Q 网络 (DDQN) 和dueling DQN (DuelDQN)。对于 12 天线系统，RSMB 相对于 DQN 领先 26.76%，其后为 AO 和 RSMB，分别为 23.02% 和 19.16%。
引用
@article{arxiv.2405.14046,
title = {Refined-Deep Reinforcement Learning for MIMO Bistatic Backscatter Resource Allocation},
author = {S. Zargari and D. Galappaththige and C. Tellambura},
journal= {arXiv preprint arXiv:2405.14046},
year = {2024}
}
备注
Submitted to an IEEE Transactions Journal