Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/37430| Título: | Análise de desempenho de NOMA baseado em Q-Learning em redes de retransmissão satélite-terrestre |
| Título(s) alternativo(s): | Performance analysis of Q-Learning-based NOMA in satellite-terrestrial relay networks |
| Autor(es): | Aguiar, Leonardo Pacheco de |
| Orientador(es): | Peron, Guilherme de Santi |
| Palavras-chave: | 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 |
| Data do documento: | 26-Jun-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | AGUIAR, Leonardo Pacheco de. Análise de desempenho de NOMA baseado em Q-Learning em redes de retransmissão satélite-terrestre. 2025. Dissertação (Mestrado em Sistemas de Energia) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025. |
| Resumo: | Neste trabalho, é analisado o desempenho do Acesso Múltiplo Não-Ortogonal (NOMA) baseado em Q-learning em Redes de Retransmissão Satélite-Terrestre (STRNs), abordando os principais desafios nas comunicações de Internet das Coisas (IoT) em larga escala. Especificamente, focou-se nas métricas de eficiência energética e de taxa de transmissão de dados normalizada em cenários de uplink. Integrando um algoritmo distribuído de Q-learning com o NOMA, os dispositivos IoT podem otimizar de forma autônoma os parâmetros de transmissão, como intervalos de tempo, canais e níveis de potência, aprimorando o desempenho geral da rede. O esquema proposto supera as estratégias de potência fixa, alcançando maior taxa de transmissão de dados normalizada e eficiência energética sob diferentes densidades de rede, oferecendo uma melhoria de até 73% na eficiência energética. Os resultados da simulação validam a eficácia do protocolo, demonstrando seu potencial para implementações em larga escala de IoT em STRNs, por meio de alocação eficiente de potência e redução das taxas de colisão. |
| Abstract: | 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. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/37430 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Sistemas de Energia |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| desempenhonomaqlearning.pdf | 2,95 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
