基于 NOMA 的远程状态估计中的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，将分布式动态对象的测量值发送至远程估计器。作者引入非正交多址接入（NOMA），以最小化总体长期平均估计均方误差为目标，提出动作空间压缩方法与深度强化学习算法，联合处理信道分配和功率分配。 技术上，决策同时考虑估计质量状态与信道质量状态；信道分配涉及离散动作，功率分配涉及连续动作，两者形成规模较大的混合动作空间。动作空间压缩旨在改善这一资源分配问题的可求解性与规模扩展能力。摘要未披露压缩映射、强化学习算法名称、网络结构、奖励构造及训练细节，不能据此判断其具体实现或复现成本。 作者报告，数值实验中该算法能够有效求解资源分配问题，相较既有文献具有更好的可扩展性，并较部分基准取得显著性能收益。但摘要未给出系统规模、信道与动态对象模型、基准名称、具体误差数值及评估协议；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是无线联网动态系统的远程估计，而非 EEG 解码或神经信号基础模型。其状态估计与资源调度机制不能直接视为 BCI 算法贡献；材料未提供神经信号任务或具体迁移证据，因此不据此提出 EEG 复现实验。已有 EEG 相关工作尚未检索确认。