面向RIS辅助无线网络中集成NOMA与空中联邦学习的鲁棒资源分配
信号处理
2026-04-21 v1
摘要
本文针对频谱稀缺和支持通信与学习任务等多样化服务的需求，提出一种基于可重构智能表面（RIS）的无线网络框架，集成非正交多址访问（NOMA）与空中联邦学习（AirFL）。该系统利用RIS可适应性地塑造无线信道的能力，旨在通过同步上行传输提升通信与学习的整体网络性能。为解决协频干扰、信道状态信息（CSI）不完美以及 successive interference cancellation（SIC）等关键挑战，本文构建一个聚焦于最小化最优间隙的优化框架。该联合优化被形式化为一个非凸问题，由于NOMA用户与AirFL用户之间复杂的相互作用以及不完美CSI和SIC的影响，问题变得尤为复杂。为克服这些挑战并缩小最优间隙，本文将优化问题重新形式化为马尔可夫决策过程，并采用长短期记忆深度确定性策略梯度（LSTM-DDPG）算法求解，该算法是深度强化学习（DRL）中的一种基于记忆的方法。仿真结果表明，所提出的方法在收敛速度、方差以及信道不确定性下的鲁棒性方面均优于基线DRL算法，包括DDPG、soft actor-critic（SAC）和 advantage actor-critic（A2C）。
引用
@article{arxiv.2604.17201,
title = {Robust Resource Allocation in RIS-Assisted Wireless Networks Integrating NOMA and Over-the-Air Federated Learning},
author = {Saeid Pakravan and Mohsen Ahmadzadeh and Ming Zeng and Ghosheh Abed Hodtani and Xingwang Li and Ji Wang and Gongpu Wang},
journal= {arXiv preprint arXiv:2604.17201},
year = {2026}
}