Fair Power Allocation in NOMA Systems: BiLSTM-Based Hyperparameter Optimization

Seda Kırtay

doi:10.1007/s13369-025-10709-6

2025-10-15

PRE

Seda Kırtay *

Veysel Gökhan Böcekçı

Kazım Yıldız

DOI：10.1007/s13369-025-10709-6

原文链接

原文求助

摘要

En 中文

非正交多址接入是一种在5G及未来无线通信网络中提升用户间资源共享的策略。然而，在NOMA系统中建立公平的功率分配是一项重大难题，直接影响系统性能。在此背景下，基于BiLSTM的深度学习算法为优化功率分配提供了高效方法。本研究采用双向长短时记忆网络来改善NOMA系统中的功率分配。研究通过优化BiLSTM模型的超参数（训练轮数、批次大小和优化器）来提升系统性能。该模型在多种信噪比水平下进行了测试，性能指标包括误比特率、误符号率、吞吐量、Jain公平性指数和比例公平性指数。研究结果表明，在优化功率分配时，通过网格搜索和基于贝叶斯算法的超参数调优并使用Adam优化器，BiLSTM模型在50轮训练和批次大小为64时，误比特率（BER）值为$$8.93e^{-9}$$，准确率达到99.9999991%。此外，该模型在训练时间为38.51 s、内存消耗为962.63 MB的情况下，被证明比传统技术效率更高。这些发现表明，所提方法不仅实现了优异的准确性，还因更短的处理时间和更低的内存占用而在实际应用中具有显著优势。它还表明，该模型是提升NOMA系统性能的有效工具。本文试图通过在NOMA系统中采用基于BiLSTM的功率分配优化来填补当前文献的空白。未来建议使用更大规模的数据集评估该模型，并在多种通信场景中应用。

Keyword:

BiLSTM

Non-orthogonal multiple access

NOMA

Fair power allocation

Optimization