Key points are not available for this paper at this time.
تستغل أنظمة الوصول المتعدد غير التوافقي لموجات المليمتر (mm-wave-NOMA) مجال الطاقة للوصول المتعدد من أجل تعزيز الكفاءة الطيفية. يمكن أن تستفيد تجميع المستخدمين وتخصيص الطاقة بشكل فعال من إمكانيات NOMA في أنظمة موجات المليمتر. تبحث هذه الورقة في مشكلة زيادة معدل المجموع لأنظمة mm-wave-NOMA تحت قيود الطاقة الإجمالية المرسلة ومتطلبات معدل المستخدمين المحددة مسبقًا. المشكلة المثارة هي مشكلة برمجة غير خطية وبالتالي فهي غير محدبة وصعبة الحل، خاصة عندما يصبح عدد المستخدمين كبيرًا. مستندين إلى ميزات الترابط لقنوات المستخدمين في أنظمة mm-wave-NOMA، نطور خوارزمية التعلم الآلي المعتمدة على K-means لتجميع المستخدمين. علاوة على ذلك، في سيناريو ديناميكي عملي حيث يدخل المستخدمون الجدد بشكل مستمر، نقترح خوارزمية تجميع مستخدمين عبر الإنترنت قائمة على K-means لتقليل التعقيد الحسابي. وعلاوة على ذلك، لتعزيز أداء نظام mm-wave-NOMA المقترح، نستخرج سياسة تخصيص الطاقة المثلى في شكل مغلق من خلال استغلال خاصية فك الترميز المتتالي. تكشف نتائج المحاكاة أن: 1) الإطار المقترح للتعلم الآلي يعزز أداء أنظمة mm-wave-NOMA مقارنة بخوارزميات تجميع المستخدمين التقليدية، و2) خوارزمية تجميع المستخدمين عبر الإنترنت المستندة إلى K-means توفر أداءً مقارنًا لخوارزمية K-means التقليدية وتحافظ على توازن جيد بين الأداء والتعقيد الحسابي.
د studied Cui et al (Mon,).