Análise de desempenho de NOMA baseado em Q-Learning em redes de retransmissão satélite-terrestre

• Ano de defesa: 2025
• Autor(a) principal: Aguiar, Leonardo Pacheco de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba; Brasil; Programa de Pós-Graduação em Sistemas de Energia; UTFPR
• Palavras-chave em Português: Internet das coisas; Inteligência artificial; Aprendizado do computador; Sistemas de transmissão de dados; Satélites artificiais; Aprendizado por reforço; Simulação (Computadores); Internet of things; Artificial intelligence; Machine learning; Data transmission systems; Artificial satellites; Reinforcement learning; Computer simulation; CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; Engenharia Elétrica
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/37430

In this work, we analyze the performance of Q-learning-based Non-Orthogonal Multiple Access (NOMA) in Satellite-Terrestrial Relay Networks (STRNs), addressing key challenges in massive Internet of Things (IoT) communications. Specifically, we focus on energy efficiency and normalized throughput metrics in uplink scenarios. By integrating a distributed Q-learning algorithm with NOMA, IoT devices can autonomously optimize transmission parameters — such as time slots, channels, and power levels — enhancing overall network performance. The proposed scheme outperforms fixed-power strategies by achieving higher normalized throughput and energy efficiency under varying network densities, offering up to 73% improvement in energy efficiency. Simulation results validate the protocol’s effectiveness, demonstrating its potential for large-scale IoT deployments in STRNs through efficient power allocation and reduced collision rates.