功率域复用NOMA

1.基于功率域复用的NOMA，在技术原理上很容易实现，其基本思想是通过不同的功率区分用户，发送端按照给定的功率分配原则给每个用户分配不同的发射功率，为了提高频谱利用率主动引入多用户干扰，在相同的资源上叠加多个用户的数据信息，根据接收信号的强弱不同，接收设备利用串行干扰消除SIC接收机依次恢复出各个用户的信号信息。

2.信息论的观点来看，功率域NOMA在发送端使用叠加编码，在接收端使用SIC技术分离叠加编码前的各个用户的信息时，不仅可以在性能上优于传统的正交复用技术，而且还能够实现上行多址信道的容量界。按照类似的原理，PD-NOMA技术可以使用在下行广播信道传输场景。
 

 

 

 以上内容引自：非正交多址关键技术研究_邵宣博

课题研究意义：

        在功率域 NOMA 中，相较于前几代无线通信，NOMA 引入新的功率域，正是由于新功率域的引入才得以实现用户信号的分离。之前的通信系统中，信号功率分配单纯影响接收端的信干噪比，而在 NOMA 系统中，功率分配不仅要满足用户的信干噪比要求，还要根据用户信道状态信息合理进行功率分配，而使用户能够在接收到信号之后通过功率差异进行信号分离。由于通过直接的联合优化进行功率分配的复杂度极高，求解耗时长，与低时延的要求相悖，除了进一步提高计算能力之外，如何设计有效的低复杂度功率分配方案是充分利用 NOMA 技术的关键。如果能够提出有效的功率分配方案，实现低复杂度，便能弥补 NOMA 在功率分配上复杂度高于前几代无线通信技术的劣势，发挥NOMA 技术在新兴应用场景中的优势，促进下一代通信技术的应用与发展。

        在 NOMA 传输系统中，到达接收机的信号包含多个用户的叠加信号，但是由于每个用户的功率是不同的，所以串行干扰消除机可以根据信号在功率上的大小差别，先将信号功率大的信号解出来，此时将其他所有用户的信号均看作噪声，然后再从接收到的信号中减去已解调出的信号，继续解调其他信号，此时的接收机相比于 OMA 系统接收机复杂度会上升。另外，实现 SIC 的关键在于串行干扰消除接收机，如果在接收机信号消除的过程中出现任何错误，将导致错误传播，造成连续解码的错误，即使是微小的误差，也会由于错误传播导致最后的结果与真实信息相差甚远。所以对于 SIC 错误的研究对保证NOMA 性能至关重要，除了优化接收机设计提高接收机 SIC 效率以及降低错误概率之外，如果能在发射端针对可能出现的 SIC 错误进行编码及功率分配优化，对于提高NOMA 系统性能也能起到有效的成果。

        由于 NOMA 以 SIC 为用户间干扰消除的核心技术，SIC 技术本身的特性决定了时延的存在，且该时延的大小受接收机解码速率和叠加编码用户数影响。当同一簇内叠加编码的用户数很多时，信道最好的用户需要先解出其他所有用户的信号后才能得到自己的信号，故该用户的时延必然很高，单纯靠提高接收机解码速率难以满足下一代无线通信技术对低时延的要求。所以，大量待服务用户必然要被分为很多簇。用户成簇是实现 NOMA 传输的一个关键步骤，由于 SIC 错误以及低时延的要求，同一簇内用户必然不能过多，最好是每两个用户成一簇。由于用户成簇问题的组合特性，寻找最优解的任务非常困难，尤其是在用户数很多时，直接遍历求解的复杂度随着用户数呈指数型增长，在如今海量设备接入的背景下，遍历求解成为一种不现实的方法。如果不能有效解决用户成簇问题，必然会影响 NOMA 系统的性能，进而影响下一代无线通信技术的快速应用，错失发展机会，造成经济损失。

        另外，下一代无线通信技术发展趋向于异构网络及基站微小化，然而目前对异构网络中的 NOMA 传输的研究并不成熟。特别是针对能耗问题，如何进一步在保证用户服务质量的前提下降低能量消耗，值得进一步研究。下一代无线通信技术也是各种通信技术的融合，在异构网络下，融合其他通信技术，实现高速率、低时延、海量接入的要求对于发展 NOMA 具有积极作用。

        SIC 错误、功率分配、用户成簇以及异构网络下的 NOMA 传输等研究对于 NOMA 技术的成熟具有促进作用，而 NOMA 作为下一代无线通信技术中的一种关键技术，为用户提供更高速的传输速率、更密集的连接以及低时延高可靠性，必然在未来的无线通信技术的发展中具有不可替代的重要作用。NOMA技术的研究顺应新兴技术和时代发展的需求，有助于无线通信系统的性能提升和产业规模的飞跃发展。

国内外研究现状：

        日本 NTT DoCoMo 公司早在 2010 年就开始了相关研究，并且已经提出了比较系统化的方案。2013 年，Y. Saito 等人系统的分析了两用户单天线 NOMA系统的优点，同时考虑了简单的基于波束成形的 NOMA 系统，与传统 OFDM系统进行了对比，指出 NOMA 可能成为下一代移动通信中的关键技术[6]。英国 Lancaster 大学的丁志国教授对于 NOMA 技术公平性、资源分配方面进行了系统的研究。最近，一种被称为多用户叠加传输（Multi-user  SuperpositionTransmission, MUST）的下行 NOMA 传输方案[7]，已经被用到 3GPP 长期演进技术中（LTE）。国内也有很多学者及研究机构研究 NOMA，其中北京科技大学戴晓明教授首先提出了图样分割多址接入；西南交通大学与国外大学合作，在 NOMA方面也发表了很多文章。国内企业方面，华为致力于稀疏码多址接入的研究与标准推进；大唐电信则主推 PDMA；中兴一直在研究用户共享接入。

        NOMA 与其它技术的结合也得到了广泛研究，主要包括以下研究方向：MIMO-NOMA、协作 NOMA、认知无线电 NOMA 等。文献[8]的研究表明多天线 NOMA 相较于 OMA 在用户速率和系统和速率方面的提升。文献[9]首次提出了 quasi-degradation 的概念，用来对 MIMO-NOMA 系统性能进行评估。也有大量文献对 MIMO-NOMA 中的用户成簇及功率分配进行了研究。目前，针对协作 NOMA 的研究主要在 NOMA 用户之间的相互协作和空闲用户作为专用中继两大方向。而认知无线电 NOMA 是将 NOMA 网络当做传统认知无线电网络的特殊情况进行分析，在保证所有用户的最低速率要求基础上进行优化[12]。

        在 PD-NOMA 方面，国内外热门研究的方向包括：资源分配、用户调度公平性、协作NOMA、毫米波 NOMA 等。即使在不同通信方式或网络架构下，资源分配也是重要研究内容，文献[13]研究了中继用户全双工和半双工两种情况下的功率分配，建立了拟凸优化问题，求出最优功率分配。文献[14]研究了毫米波 PD-NOMA 中的波束成形、用户成簇及功率分配问题，具体做法为将优化问题分解为多个子问题求解。

        实际上，对于传统移动网络中的 PD-NOMA 资源分配问题的研究非常多，不同文献建立了不同模型，利用了不同方法求解。文献[15]分析了单小区、两个用户下 PD-NOMA 与 OMA 的和速率差异，结果表明无论信道条件好还是差的用户，利用 PD-NOMA 技术，速率都得到了提升，但是在信噪比很小时，OMA 性能更好。当用户数增多时，例如文献[16]中的模型，单小区内有 K 个用户为一簇利用 PD-NOMA 进行通信的情况，文献研究了最优的解码顺序以及最优的功率分配方案。但是，由于 SIC 的特性，总是需要先解出其他用户的信号后才能解自己的信号，所以 K 个用户为一簇时，信道条件最好的用户需要解出其他 K-1 个用户的信号后才能得出自己的信号，这对于该用户来说时延大大增加。所以，大多数文献将 K 个用户分成 N 簇，每簇用户数大于或等于2，这样每簇内用户数便大大减少，时延大为降低。即使每个用户分配功率固定，不同用户成簇，速率也不同，所以这样做会引入一个新的问题，即选择哪些用户为一簇。所以，在优化 PD-NOMA 资源分配时，往往需要同时考虑用户选择的问题。文献[17]在求最优功率分配时利用了穷举法，很明显，这样做会导致计算量很大且时延高。由于这样做的复杂度太高，一些文献中便提出了低复杂度的算法，文献[18]首先将用户按照信道增益大小排序，然后一分为二，分别从每组中选一个用户组成一簇，这样就大大降低了复杂度，但是也牺牲了最优解，且与最优解相差较大。文献[19]中复杂度略微提高，换来了更好的性能：首先从最小化簇间干扰的的角度确定了用户配对的原则，即根据用户信道的相关度和增益大小差别进行用户配对，在解决了用户配对问题的基础上，再进行功率分配。在功率分配时，模型的细微差别会导致优化问题的凹凸性。文献[20]建模出的优化问题虽然为非凸题，但是通过转化，可以变成凸优化问题，从而容易求解。除了以最大化 NOMA 系统和速率为目标函数之外，还可以从其他方面进行优化。文献[21]从用户公平性的角度出发，以最大化速率最小的用户速率为优化目标，建立了一个拟凸问题，通过简单的转化及二分搜索法得出最优功率分配。文献[22]从另外一个角度定义用户间公平性，即满足最低要求速率下，中断概率均大于给定值，在这些限制条件下最小化基站功率消耗，建立出非凸问题并转换为为一系列线性问题进行求解。目前对 SIC 错误的研究较少，且对 SIC 造成的性能下降的补偿研究更少。文献[23]中，作者研究了下行 MIMO-NOMA 中固定 SIC 错误对系统性能的影响，结果表明，即使是很小的 SIC 错误，由于错误传播，也会造成系统性能的大幅下降。文献[24]研究了不同调制方式以及不同误差矢量幅度与完美 SIC 下的系统性能对比。文献[25]中，作者将 SIC 错误归因于信道估计误差，研究了误差对信噪比的影响，并提出了一种简单的算法对 SIC 错误进行了改进。文献[26]从统计角度系统研
究了信道估计误差对 SIC 错误的影响，并以最小化功率消耗为目标，建立优化问题并求解。

        文献[27]研究了云无线接入网中的能量效率问题，微小区中利用 NOMA进行通信，宏小区基站与微小区基站利用不同的频谱传输，从而消除宏小区基站与微小区基站之间的信号干扰。文献[28]研究了多小区多用户 NOMA 中的功率分配和基站选择问题，考虑了簇间干扰以及小区间干扰，并将功率分配和基站选择问题联合建立优化问题。文章对提出算法进行了仿真，与传统 OMA
以及未优化功率分配 NOMA 进行了对比，所提出算法在性能上有所提升。文献[29]首先提出了“cell zooming”的概念，并指出提出概念的原因在于空间和时间上小区基站负载的不均衡，并全方位分析了该概念涉及到的技术、益处及挑战，介绍了实现“zoom in”或“zoom out”的技术，包括物理天线调整、基站协作以及中继法；该技术可以带来的益处也很多，包括但不限于平衡基站负载、节约能量以及提高用户体验等。文章将通信划分为多个时隙，每个时隙刚开始决定每个基站服务的用户及覆盖范围，后面时间进行通信，下一时隙的开始再重新进行分配用户及调整覆盖范围，然后文章提出了中心调度算法和分布式调度算法，最后仿真表明中心调度算法优于分布式算法，但代价是中心调度算法需要更多的信息，包括信道信息、用户需求等。文献[30]研究了多小区覆盖范围动态变化问题，以最大化所有基站的能量效率为目标，提出了 LB 算法和 LC算法，仿真结果表明，在不同用户密度情况下，两种算法效果各有优劣。文献[31]研究了多小区下的 cell  zooming 问题，以最小化功率消耗为目的，利用博弈论得到了每个基站覆盖范围的闭合解。

        此文的研究主要包含两个方面，一是针对目前 NOMA 研究中较少考虑不完美 SIC 以及的求功率分配和用户调度解复杂度过高，建立基于不完美 SIC的系统模型，并根据该模型，设计低复杂度的资源分配算法，提出对 SIC 错误的改进方法，进一步提高 NOMA 系统性能及可靠性。二是考虑多小区中的小区干扰及用户移动性等场景，将 NOMA 技术与其他通信技术结合，进一步发挥 NOMA 在频谱效率、功率消耗等方面的优势。单小区 NOMA 下行链路中，考虑信道估计误差带来的 SIC 错误，从统计角度建立信道估计误差模型，得到下行链路传输模型。针对该模型，设计预编码矩阵以解决簇间干扰问题，并证明了预编码矩阵选择的最优性；以信道相关度作为用户的相关性衡量指标，提出基于聚类分析的改进用户成簇算法并结合稀疏解实现用户成簇问题；以最大化系统和速率为目标，建立优化问题，并以凸优化理论为基础对优化问题进行求解。在多小区蜂窝网络 NOMA 下行链路中，首先分析 NOMA 系统与 OMA 系统在能耗方面的差异，然后针对静态网络从统计角度对多小区蜂窝网络下的基站及用户分布进行建模，分析 NOMA 系统中不同用户的各态历经容量，之后对不同用户密度及分布模型进行对比分析。进一步考虑动态网络，即基站覆盖范围的动态变化以及用户的移动性，并针对由此导致的基站切换问题，从功耗与切换次数的平衡角度进行分析。

        在 OMA 系统传输过程中，首先用户会向基站发送请求，基站根据接收到的用户信息对每个用户分配资源，然后再在分配到的资源上进行信息传输，整个过程比较繁琐，耗时也较长，无法满足未来无线网络的低时延要求。但是NOMA 系统所有用户占用全部时频资源，不需要为每个用户进行单独分配，此时，用户不必向基站发送资源分配请求，使得 NOMA 系统相比 OMA 系统大幅降低了传输时延。

        由于 PD-NOMA 是在功率域上复用的多址接入技术，所以 NOMA 中的功率分配格外关键，目前常见的功率分配方法主要有：
（1）固定功率分配

        固定功率分配是一种基础的功率分配方法，该方法首先将所有用户的信道增益进行排序，信道增益小的分配的功率一定多于信道增益大的用户。在具体比例上，有通过信道增益比确定功率比的方法，也有通过递归因子来控制功率分配的方法。后者中的递归因子实际上是一个介于 0 和 1 之间的数，通过控制递归因子的大小，就可以实现功率分配。由于接收端知道确定的递归因子，所
以接收机的 SIC 复杂度也会大大降低。
（2） 迭代功率分配算法
        该算法的核心思想是基于贪婪算法，虽然该算法得到的解不是最优解，但其具有复杂度较低的优点。本算法先假设用户成簇已确定，在该种用户成簇下进行功率分配，然后又在得到的功率分配结果下进行用户成簇优化，从而得到新的用户成簇结果，最后反复迭代，直到收敛。
（3）全空间搜索功率分配算法
        全空间搜索功率分配算法可以得到最优的功率分配方案，实现 NOMA 的最佳性能。该算法的核心是基于用户组合进行穷举求解，直到遍历所有可能的结果，从而通过比较得到最优的功率分配方案。显然，该算法的缺点在于复杂度极高，特别是用户数很多时，计算复杂度超线性增长，很有可能不能在有限的时间内得到问题的解。

        在实际应用场景中，用户对通信服务的需求也是和时间呈一定规律的，白天时，会有大量用户需要进行通信，而到了深夜和凌晨，用户数就很少。所以通过基站覆盖范围的动态变化，能够保证能量不浪费，实现低功耗。另一方面，cell zooming 除了通过基站覆盖范围的动态变化实现节能外，还能实现负载均衡。众所周知，通信中会时常出现一些热点区域，比如大型演唱会、体育赛事等事件，此时会有大量用户集中在同一片区域，对于该区域内基站来说，需要为大量的用户提供服务，很容易超出其负载能力，因而时常出现用户无法通信的情况。Cell zooming 可以在某基站负载过大时，缩小其覆盖范围，从而减少要服务的用户数，对于那些由于缩小覆盖范围而释放出来的用户，通过周围基站扩大覆盖范围来为其提供服务。这样，负载过大的基站就能适当减少负载，从而实现负载均衡。