Joint Transmission Mode Selection and Scheduling for AoI Minimization in NOMA-Capable WP-IoT Networks: A Deep Transfer Learning Solution
Notice bibliographique
Résumé
Age of information (AoI) serves as a key metric for characterizing information freshness. In this article, we investigate the AoI minimization of a non-orthogonal multiple access (NOMA)-capable wireless-powered Internet of Things (WP-IoT) network, where a base station (BS) consistently sends radio frequency (RF) signals to power IoT sensors (IoT-Ss), and selected IoT-Ss are scheduled to transmit status update packets to the BS in each time slot. We first formulate a scheduling problem for average AoI (AAoI) minimization with NOMA transmission and solve for a near-optimal scheduling policy with a deep Q-network (DQN)-based solution. Next, we propose a novel joint transmission mode selection and scheduling (JTMSS) design to further minimize the AAoI of the network. Specifically, the system adaptively selects one of three transmission modes: NOMA, orthogonal multiple access (OMA), and no transmission and schedules two, one, or none sensors for transmission, respectively. Considering the discrete hierarchical action space of the JTMSS problem, we formulate a parameterized-action Markov Decision Process (PAMDP) and develop a deep transfer learning (DTL)-based solution with a two-tier DQN framework to find a near-optimal JTMSS policy. Besides, we present a partial tuning approach during online operation to alleviate the effects of environmental changes. Simulation results verify that the JTMSS design with DTL achieves a significant performance gain over the scheduling-only policy for NOMA transmission. Moreover, the online tuning with DTL converges quickly during online operation.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».