logo móvil
Contáctanos

Optimización del beamforming con la asistencia del aprendizaje profundo en un sistema de transferencia simultánea de información y energía inalámbrica con acceso múltiple de división de tasa y un faro de energía

Autores: Camana, Mario R.; Garcia, Carla E.; Koo, Insoo

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

Optimización del beamforming con la asistencia del aprendizaje profundo en un sistema de transferencia simultánea de información y energía inalámbrica con acceso múltiple de división de tasa y un faro de energía


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Estudio
Acceso múltiple con división de tasa
RSMA
Sistema de entrada única múltiple
Transferencia simultánea de información inalámbrica y energía
SWIPT
Faro de energía
Estación base
Recolección de energía
División de potencia
Usuarios PS
Usuarios EH
Esquema basado en aprendizaje profundo
Análisis de componentes principales
Red neuronal profunda
Método de relajación semidefinida
Complejidad computacional
Resultados de simulación
Acceso múltiple no ortogonal
Acceso múltiple de división espacial
Generalización
Escenarios desafiantes

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 39

Citaciones: Sin citaciones


Descripción
Este estudio examinó la implementación de la división de tasa de acceso múltiple (RSMA) en un sistema de entrada única y múltiple salida utilizando la tecnología de transferencia simultánea de información y energía inalámbrica (SWIPT). La coexistencia de una estación base y un faro de energía fue considerada, con el objetivo de transmitir información y energía a dos conjuntos de usuarios. Un conjunto comprende usuarios que solo cosechan energía, mientras que el otro puede decodificar información y energía utilizando una estructura de división de potencia (PS). El objetivo principal de esta optimización fue minimizar la potencia de transmisión total del sistema mientras se satisfacen los requisitos de tasa para los usuarios de PS y se garantiza una cosecha mínima de energía (EH) tanto para los usuarios de PS como de EH. El problema no convexo se abordó dividiéndolo en dos subproblemas. El primer subproblema se resolvió utilizando un esquema basado en aprendizaje profundo, que combina análisis de componentes principales y una red neuronal profunda. El método de relajación semidefinida se utilizó para resolver el segundo subproblema. El método propuesto ofrece una menor complejidad computacional en comparación con enfoques tradicionales basados en iteraciones. Los resultados de la simulación demuestran el rendimiento superior del esquema propuesto en comparación con métodos tradicionales como el acceso múltiple no ortogonal y el acceso múltiple de división espacial. Además, la capacidad del método propuesto para generalizar fue validada evaluando su efectividad en varios escenarios desafiantes.

Otros recursos que podrían interesarte

Temas Virtualpro