Mobile Power Allocation Intelligent Optimization Algorithm for Cooperative NOMA Network Based on CBAM-BiLSTM
Notice bibliographique
Résumé
The non-orthogonal multiple access (NOMA) technology can greatly improve the spectral efficiency of wireless communication systems. The incorporation of NOMA technology into a 5G mobile communication network has the potential to significantly improve communication performance. First, we establish an mobile cooperative NOMA multi-user network. The exact outage probability (OP) expressions are then derived, and the effect of the power allocation on OP performance is investigated. Finally, we design a CBAM-BiLSTM network and propose an intelligent power allocation optimization algorithm based on system efficiency and user fairness. The CBAM-BiLSTM network is a structure based on convolutional block attention mechanism (CBAM) and bidirectional long short term memory network (BiLSTM). CBAM performs feature selection and weights the spatial and channel dimensions of feature maps to improve the network's classification accuracy. BiLSTM can fully utilize contextual information and handle long-term dependencies, thereby providing more comprehensive and accurate modeling capabilities and predictive performance. Simulation results indicate that, compared with the Transformer, ShuffleNetV2, and YOLOv5 algorithms, the CBAM-BiLSTM can obtain more accurate power allocation coefficients and improve system performance. Compared to ShuffleNetV2, CBAM-BiLSTM reduces mean square error (MSE) by 42.8%.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».