找到 2 条结果 · IEEE Access
智能反射面支持的空中基站在下行NOMA异构网络中的功耗最小化与干扰抑制
Minimizing Power Consumption and Interference Mitigation of Downlink NOMA HetNets by IRS-Supported Aerial Base Stations
Osamah Thamer Hassan Alzubaidi · Mhd Nour Hindia · Kaharudin Dimyati · Kamarul Ariffin Noordin 等6人 · IEEE Access · 2025年1月
智能反射面IRS是有效改变无线传播环境的先进技术。本文在下行非正交多址接入NOMA异构网络中采用IRS支持的多空中基站ABS，通过IRS增强多个ABS到地面用户GU的传输信号。目标是通过缓解簇间和簇内干扰最大化系统总速率SSR，通过最小化ABS功率传输同时保持所需最小数据速率最大化系统能效SEE。由于联合优化ABS功率传输、ABS三维位置、IRS反射角、IRS反射系数和GU间解码顺序，优化问题是非凸的。提出基于改进灰狼优化MGWO的元启发式算法和基于开发的块坐标下降DBCD的交替最大/最小技术。...
解读: 该智能反射面技术对阳光电源光伏电站无线通信具有应用前景。阳光大型地面电站覆盖广阔区域，面临通信信号衰减和干扰问题。该IRS技术可部署在阳光光伏支架或汇流箱上，增强逆变器与数据采集器之间的无线信号。研究中的功率优化和干扰抑制方法可降低通信设备功耗，提升数据传输可靠性。结合阳光SG逆变器的内置通信模块和...
高密度NOMA网络中网络切片的子信道分配和功率分配优化：Q学习方法
Optimizing Subchannel Assignment and Power Allocation for Network Slicing in High-Density NOMA Networks: A Q-Learning Approach
Suhare Solaiman · IEEE Access · 2025年1月
高密度环境下连接设备数量增长给不同网络切片服务带来严峻挑战，如超可靠低延迟通信和大规模机器类型通信，每种服务有独特QoS要求。主要困难是分配网络资源最大化频谱利用同时满足mMTC大规模连接需求和URLLC超可靠低延迟通信需求。本研究利用非正交多址网络切片在各种服务间共享无线资源，改善大规模设备部署连接性。提出优化算法用于高密度NOMA网络中URLLC和mMTC设备的子信道分配和功率分配，采用Q学习算法优化决策过程确保URLLC和mMTC设备间高效资源共享并满足各自QoS要求。大量仿真显示所提算法...
解读: 该网络切片优化技术可应用于阳光电源虚拟电厂通信系统。阳光管理的大规模分布式光伏储能资源需要低延迟高可靠的通信网络，该NOMA和Q学习方法可优化海量设备接入和实时调度指令传输。阳光可将该技术应用于iSolarCloud平台边缘通信，实现储能聚合和需求响应，提升系统实时响应能力和调度灵活性。...