Non-orthogonal multiple access (NOMA) is one of the most significant technologies to meet the demand of high spectral efficiency (SE) in the fifth generation (5G) cellular networks. The utilization of simultaneous wireless information and power transfer (SWIPT) contributes to prolonging the battery life of the mobile users (MUs) and enhancing the system energy efficiency (EE), especially in the NOMA scenario where the inter-user interference can be reused for energy harvesting (EH). In this paper, we study the achievable data rate maximization problem for the downlink multi-carrier NOMA (MC-NOMA) network with power splitting (PS)-based SWIPT, in which power allocation and PS control are jointly optimized with the limitation of available power budget as well as the requirement for EH. The considered non-convex optimization problem is arduous to tackle, resulting from the presence of the coupled variables and the inter-user interference. To cope with the problem, a decoupled approach is developed, in which the power allocation and PS control are separated and the corresponding sub-problems are respectively solved through Lagrangian duality method. Furthermore, an alternative approach based on deep learning is proposed, which is capable of effectively obtaining the approximate optimal solution according to the empirical data. Simulation results confirm the effectiveness of the proposed schemes, and demonstrate the superiority of the combination of PS-based SWIPT with MC-NOMA over SWIPT-aided single-carrier NOMA (SC-NOMA) and SWIPT-aided orthogonal multiple access (OMA).

中文翻译：

---

解耦或学习：MC-NOMA 中使用 SWIPT 的联合功率分配和分配

非正交多址 (NOMA) 是满足第五代 (5G) 蜂窝网络中高频谱效率 (SE) 需求的最重要技术之一。同时无线信息和功率传输（SWIPT）的利用有助于延长移动用户（MU）的电池寿命并提高系统能效（EE），特别是在用户间干扰可以重新用于能量收集 (EH)。在本文中，我们研究了具有基于功率分配 (PS) 的 SWIPT 的下行链路多载波 NOMA (MC-NOMA) 网络的可实现数据速率最大化问题，其中功率分配和 PS 控制在可用的限制下联合优化功率预算以及 EH 的要求。由于存在耦合变量和用户间干扰，所考虑的非凸优化问题难以解决。为了解决这个问题，提出了一种解耦方法，将功率分配和PS控制分开，通过拉格朗日对偶法分别求解相应的子问题。此外，提出了一种基于深度学习的替代方法，该方法能够根据经验数据有效地获得近似最优解。仿真结果证实了所提出方案的有效性，并证明了基于 PS 的 SWIPT 与 MC-NOMA 的组合优于 SWIPT 辅助的单载波 NOMA（SC-NOMA）和 SWIPT 辅助的正交多址（OMA）。由于存在耦合变量和用户间干扰。为了解决这个问题，提出了一种解耦方法，将功率分配和PS控制分开，通过拉格朗日对偶法分别求解相应的子问题。此外，提出了一种基于深度学习的替代方法，该方法能够根据经验数据有效地获得近似最优解。仿真结果证实了所提出方案的有效性，并证明了基于 PS 的 SWIPT 与 MC-NOMA 的组合优于 SWIPT 辅助的单载波 NOMA（SC-NOMA）和 SWIPT 辅助的正交多址（OMA）。由于存在耦合变量和用户间干扰。为了解决这个问题，提出了一种解耦方法，将功率分配和PS控制分开，通过拉格朗日对偶法分别求解相应的子问题。此外，提出了一种基于深度学习的替代方法，该方法能够根据经验数据有效地获得近似最优解。仿真结果证实了所提出方案的有效性，并证明了基于 PS 的 SWIPT 与 MC-NOMA 的组合优于 SWIPT 辅助的单载波 NOMA（SC-NOMA）和 SWIPT 辅助的正交多址（OMA）。其中功率分配和PS控制分离，通过拉格朗日对偶法分别求解相应的子问题。此外，提出了一种基于深度学习的替代方法，该方法能够根据经验数据有效地获得近似最优解。仿真结果证实了所提出方案的有效性，并证明了基于 PS 的 SWIPT 与 MC-NOMA 的组合优于 SWIPT 辅助的单载波 NOMA（SC-NOMA）和 SWIPT 辅助的正交多址（OMA）。其中功率分配和PS控制分离，通过拉格朗日对偶法分别求解相应的子问题。此外，提出了一种基于深度学习的替代方法，该方法能够根据经验数据有效地获得近似最优解。仿真结果证实了所提出方案的有效性，并证明了基于 PS 的 SWIPT 与 MC-NOMA 的组合优于 SWIPT 辅助的单载波 NOMA（SC-NOMA）和 SWIPT 辅助的正交多址（OMA）。能够根据经验数据有效地得到近似最优解。仿真结果证实了所提出方案的有效性，并证明了基于 PS 的 SWIPT 与 MC-NOMA 的组合优于 SWIPT 辅助的单载波 NOMA（SC-NOMA）和 SWIPT 辅助的正交多址（OMA）。能够根据经验数据有效地得到近似最优解。仿真结果证实了所提出方案的有效性，并证明了基于 PS 的 SWIPT 与 MC-NOMA 的组合优于 SWIPT 辅助的单载波 NOMA（SC-NOMA）和 SWIPT 辅助的正交多址（OMA）。