NSATC: An Interference Aware Framework for Multi-cell NOMA TUAV Airborne Provisioning
Notice bibliographique
Résumé
Recently, wireless service provisioning via Unmanned Aerial Vehicles (UAVs) has emerged in 5G and beyond mobile networks. Due to the limited capacity of UAV batteries, tethered UAVs (TUAVs), which are powered from ground, are increasingly deployed in worldwide projects. However, the deployment of TUAVs in mobile networks requires high spectral efficiency, particularly in dense areas. Non-orthogonal Multiple Access (NOMA), serving users with strong channels and weak channels in the same Resource Blocks (RBs), helps overcome this issue. Due to the dynamic and massive deployment of TUAVs, inter-cell interference becomes critical. To alleviate the submerging of signals between TUAVs, we introduce a new parameter named Channel Gain Plus Interference (CGPI), reputing the interference as channel characteristics. Then, we formulate the joint optimization of power, altitude and user association. To solve this high-complexity problem, we design an algorithm, called NOMA SIC-Aware TUAV Base Station Control (NSATC) based on Multi-Agent Deep Deterministic Policy Gradient (MADDPG). The experiment shows our proposed algorithm presents a performance enhancement between 18.8% and 121.77% of throughput and 23.76% and 51.62% of serving users than the greedy algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».