基于 NOMA 的远程状态估计无线资源分配深度强化学习方法

基于摘要分析。本文研究工业远程状态估计中的无线资源分配：多个传感器通过共享无线资源，将分布式动态系统的测量数据发送给远程估计器。作者在非正交多址接入（NOMA）框架下，将联合信道分配与功率分配建模为动态决策问题，并提出动作空间压缩方法与深度强化学习算法，以降低整体长期平均估计均方误差。 核心机制是同时依据估计质量状态和信道质量状态进行决策。信道分配与功率分配形成较大的离散—连续混合动作空间，动作空间压缩旨在缓解这一求解难点。摘要将既有研究主要采用正交多址接入、动态分配算法适用规模较小作为研究背景，但未说明压缩映射、强化学习算法结构、奖励设计或训练流程。 作者报告，在数值实验中，该算法能够有效解决资源分配问题，相比相关文献具有更好的可扩展性，并相对部分基准获得性能增益。摘要没有提供系统规模、动态系统与信道模型、基准名称或误差数值，无法据此量化收益或判断不同条件下的稳健性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在关联是无线 EEG 采集系统的通信资源管理，而非 EEG 解码或 BCI 状态识别。迁移假设是，在多设备共享信道且功率受限时，联合资源分配可能改善信号传输质量；但原文优化的动态系统状态估计误差，不能直接等同于 EEG 重建误差或 BCI 任务表现。可考虑复用资源分配决策框架，需改造状态表示、传输模型及任务相关目标，并核对动作压缩是否保留关键策略。低信噪比、通道间相关性及不同被试的信号差异可能使原有目标失配。一个可检验的小实验是在固定 EEG 数据划分与相同通信预算下模拟多设备传输，对比该策略与固定资源分配的重建误差及下游任务指标；具体复现仍需取得全文中的算法和系统参数，相关 EEG 工作尚未检索确认。