論文の概要: Sum-Rate Maximization of RSMA-based Aerial Communications with Energy
Harvesting: A Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2306.12977v1
- Date: Thu, 22 Jun 2023 15:38:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 13:56:30.951165
- Title: Sum-Rate Maximization of RSMA-based Aerial Communications with Energy
Harvesting: A Reinforcement Learning Approach
- Title（参考訳）: エネルギーハーベスティングによるRSMAによる航空通信の最高速度化:強化学習アプローチ
- Authors: Jaehyup Seong, Mesut Toka, Wonjae Shin
- Abstract要約: 自給自足の航空基地局は、収穫されたエネルギーを利用して複数の利用者にサービスを提供する。
長期的観点からの総和率の最大化を考慮し、深層強化学習(DRL)アプローチを用いる。
提案手法は,平均和レート性能において,いくつかの基本手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 5.35414932422173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this letter, we investigate a joint power and beamforming design problem
for rate-splitting multiple access (RSMA)-based aerial communications with
energy harvesting, where a self-sustainable aerial base station serves multiple
users by utilizing the harvested energy. Considering maximizing the sum-rate
from the long-term perspective, we utilize a deep reinforcement learning (DRL)
approach, namely the soft actor-critic algorithm, to restrict the maximum
transmission power at each time based on the stochastic property of the channel
environment, harvested energy, and battery power information. Moreover, for
designing precoders and power allocation among all the private/common streams
of the RSMA, we employ sequential least squares programming (SLSQP) using the
Han-Powell quasi-Newton method to maximize the sum-rate for the given
transmission power via DRL. Numerical results show the superiority of the
proposed scheme over several baseline methods in terms of the average sum-rate
performance.
- Abstract（参考訳）: 本稿では, 自給自給自給自給自給自足基地局が複数のユーザに対して, 回収エネルギーを利用して, 速度分割多重アクセス(RSMA)に基づく航空通信を行うための共同電力・ビームフォーミング設計問題について検討する。
長期的観点からの総和率の最大化を考慮し,チャネル環境の確率特性,収穫エネルギー,バッテリ電力情報に基づいて,ソフトアクタ・クリティック・アルゴリズムという深部強化学習(DRL)アプローチを用いて,各時間における最大伝送電力の制限を行う。
さらに、RSMAのすべてのプライベート/共通ストリームにおけるプリコーダと電力割り当てを設計するために、Han-Powell quasi-Newton法による逐次最小二乗プログラミング(SLSQP)を用い、DRLによる送信電力の総和率を最大化する。
数値計算の結果,提案手法は平均和率性能の点で複数のベースライン法よりも優れていることがわかった。
関連論文リスト
- Joint User Association, Interference Cancellation and Power Control for
Multi-IRS Assisted UAV Communications [80.35959154762381]
インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。
既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。
我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
論文 参考訳（メタデータ） (2023-12-08T01:57:10Z) - Deep Reinforcement Learning in mmW-NOMA: Joint Power Allocation and
Hybrid Beamforming [0.0]
ミリ波(mmW)周波数帯域における非直交多重アクセス(NOMA)アプローチにより、データレートの高要求が保証される。
mmW-NOMAシステムの連系電力配分とハイブリッドビームフォーミングは、機械学習と制御理論のアプローチの最近の進歩によってもたらされる。
論文 参考訳（メタデータ） (2022-05-13T07:55:48Z) - Joint Power Allocation and Beamformer for mmW-NOMA Downlink Systems by
Deep Reinforcement Learning [0.0]
mmW-NOMAシステムの連系電力配分とビームフォーミングは必須である。
我々は,ユーザを最適化した要約に導くポリシー生成のために,Deep Reinforcement Learning (DRL) アプローチを利用した。
論文 参考訳（メタデータ） (2022-05-13T07:42:03Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - Energy-Efficient Design for a NOMA assisted STAR-RIS Network with Deep
Reinforcement Learning [78.50920340621677]
同時送信・再構成可能なインテリジェントサーフェス(STAR-RIS)は、無線ネットワークの性能を高めるための有望な補助装置であると考えられている。
本稿では,非直交多重アクセス(NOMA)ネットワークにおけるエネルギー効率(EE)問題について検討する。
基地局の送信ビームフォーミングベクトルとSTAR-RISの勾配行列を協調的に最適化することにより,EEを最大化する。
論文 参考訳（メタデータ） (2021-11-30T15:01:19Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Optimal Power Allocation for Rate Splitting Communications with Deep
Reinforcement Learning [61.91604046990993]
このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。
ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
論文 参考訳（メタデータ） (2021-07-01T06:32:49Z) - End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
送信機にニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。
2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
論文 参考訳（メタデータ） (2021-06-30T13:09:30Z) - Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-21T07:02:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。