Deep Learning-Based Channel Estimation and Dynamic IRS Assignment for Optimized Beamforming in IRS-Aided MC-NOMA Systems
Notice bibliographique
Résumé
This paper proposes a novel framework for optimizing beamforming gain in multicarrier non-orthogonal multiple access (MC-NOMA) systems that are assisted by intelligent reflecting surfaces (IRS).The framework includes channel estimation based on deep learning, dynamic IRS assignment, and beamforming optimization.First, a convolutional neural network-long short-term memory (CNN-LSTM) model was implemented to estimate the channel state information (CSI) accurately.After that, a Qlearning agent utilizes this estimated CSI to allocate IRS elements to user clusters in a dynamic manner, with the objective of optimizing the use of IRS units according to the existing channel conditions.Using the allocated IRS elements and the estimated CSI, a deep Q-network (DQN) is developed to find the best beamforming vectors that save the most power and get the optimum signal-to-interference-plus-noise ratio (SINR).When compared to random IRS assignment and traditional heuristic beamforming optimization methods, the results show that the proposed framework shows significant improvements in SINR, power efficiency, and total system capacity.Simulation results show that the integration of deep learning and reinforcement learning techniques in the IRS-assisted MC-NOMA system can significantly improve the performance, indicating that the proposed framework is a potential solution for wireless communication in the future.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».