Proximal Policy Optimization based sum rate maximization scheme for STAR-RIS-assisted vehicular networks underlaying UAV
Notice bibliographique
Résumé
The consumer electronics industry is undergoing significant transformations due to the ongoing advancements in mobile Internet technology, 5G, Internet of Things (IoT), artificial intelligence (AI), and other emerging technologies. Additionally, the development of intelligent electronic products is accelerating. Higher communication quality is required as a result of the convergence of consumer electronics and developing technologies. The low cost and simple deployment of the Simultaneous Transmitting and Reflecting Reconfigurable intelligent surface (STAR-RIS) can show considerable possibilities. STAR-RIS is a well-known for potentially improving wireless network performance. STAR-RIS enables users positioned on different sides of the surfaces to simultaneously receive signals that are transmitted or reflected. In this article, we examines the difficulties of sum rate maximization in a STAR-RIS assisted downlink network with NOMA assistance, where the incident signal energy at STAR-RIS is divided into two halves for transmitting and reflecting. This dynamic nature of wireless networks makes it challenging to tackle the sum rate maximization problem using the conventional approach of convex optimization techniques. To overcome the difficulties of the sum rate, the proposed scheme uses the Proximal Policy Optimization (PPO) based algorithm based on Deep Reinforcement Learning (DRL) which optimizes the beamforming vectors at the base station and the coefficient matrices and symbol rate at the STAR-RIS. Finally, the performance evaluation demonstrates that the proposed scheme maximizes the system sum rate while considering time-varying channels into account, and the PPO-based algorithm performs better than the Deep Deterministic Policy Gradient (DDPG) algorithm. Also, the results shows that the proposed scheme has 22.05%, 35.12% and 48.9% higher sum rate as compared to DDPG, Zero forcing and random.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».