Robust Downlink Data Transmission in LEO Satellite–Terrestrial Networks: A Rate-Splitting Multiple Access Approach
Notice bibliographique
Résumé
Rate-splitting multiple access (RSMA) has recently gained attention in low earth orbit (LEO) satellite-terrestrial networks (LSTNs), due to its ability to provide high spectral efficiency in the context of constrained energy resources of LEO satellites. However, the impracticality of acquiring perfect real-time channel state information (CSI), due to high satellite mobility and long link delay, poses significant challenges to effective utilization of RSMA in LSTNs. To tackle this challenge, we propose a location-based robust RSMA scheme for downlink data transmission in LSTNs. First, we establish an optimization problem to minimize the power consumption of LEO satellites, while meeting user requirement on the real-time data rate violation probability. Subsequently, we transfer the probability constraints of rate violation probabilities into closed-form inequalities, by utilizing Markov inequality, Jensen’s inequality, and Cauchy-Schwarz inequality. The original problem is then transformed into a Markov decision process (MDP), and a Transformer encoder-based deep reinforcement learning (TDRL) algorithm is proposed to solve the complex problem based on the real-time locations of users and the LEO satellite. Additionally, a multi time-frame location-based training dataset generation method is proposed for the training of TDRL model, considering the mobility of LEO satellite. Simulation results demonstrate that the proposed scheme is effective in guaranteeing the rate violation probability requirement of each user, and RSMA significantly outperforms space division multiple access (SDMA) and non-orthogonal multiple access (NOMA), with TDRL achieving faster convergence than other baselines.
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 | 0,002 | 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 | 0,001 |
| Science ouverte | 0,003 | 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 ».