Key points are not available for this paper at this time.
毫米波非正交多址接入（mm-wave-NOMA）系统利用功率域进行多重接入，以进一步提升频谱效率。用户聚类和功率分配可以有效发挥mm-wave系统中NOMA的潜力。本文研究了在总传输功率和用户预定义速率要求的约束下，mm-wave-NOMA系统的和速率最大化问题。所形成的优化问题是一个非线性规划问题，因此是非凸的，且在用户数量较大时尤其难以解决。基于mm-wave-NOMA系统中用户信道的相关特征，我们开发了一种基于K均值的机器学习算法用于用户聚类。此外，对于一个新用户持续到达的实际动态场景，我们提出了一种基于K均值的在线用户聚类算法，以减少计算复杂度。此外，为进一步提升所提出的mm-wave-NOMA系统的性能，我们利用连续解码特性推导出闭式形式的最佳功率分配策略。仿真结果表明：1）所提出的机器学习框架相比传统用户聚类算法增强了mm-wave-NOMA系统的性能；2）所提出的基于K均值的在线用户聚类算法在性能上与传统K均值算法相当，并在性能和计算复杂度之间取得了良好的平衡.
Cui等人（Mon，）研究了这个问题。