科研笔记—STAR-IOS Aided NOMA Networks: Channel Model Approximation and Performance Analysis

论文地址： STAR-IOS Aided NOMA Networks: Channel Model Approximation and Performance Analysis

1 STAR-IOS

书接上回，这是作者的另一篇paper。
STAR-IOSs：simultaneous transmitting and reflect-ing intelligent omini-surfaces ，就是具备反射和折射的智能反射面。
STAR-IOS能够控制信道质量。当反射用户与折射用户在一个NOMA用户簇配对时，有助于调整SIC顺序以满足不同的约束。

2 摘要

相比与传统的可重构智能表面(RIS),同步折射和反射智能反射面 (STAR-IOSs)能够达到360◦覆盖“智能无线电环境”。通过分割的能量或改变STAR-IOS数量的活跃元素,STAR-IOSs提供高灵活性的连续干扰消除(原文如此)订单非正交的多(NOMA)系统。基于上述优点,本文研究一种STAR-IOS辅助下行NOMA网络与随机部署的用户。我们首先针对不同的应用场景提出三个易于处理的信道模型,即中心极限模型、曲线拟合模型和M倍卷积模型。更具体的说，中心极限模型适用于大规模STAR-IOS场景，而曲线拟合模型被扩展用于多小区网络的评估。然而，这两种模型都不能获得精确的分集阶数。因此，我们计算出M倍卷积模型来推导精确的分集阶数。 我们考虑了STAR-IOSS的三种协议，即能量分裂(ES)协议、时间切换(TS)协议和模式切换(MS)协议。 在ES协议的基础上，利用中心极限模型和曲线拟合模型推导出配对NOMA用户的中断概率的解析表达式。 在三种STAR-IOS协议的基础上，利用m倍卷积模型推导出了NOMA用户的分集增益。
分析结果表明，NOMA用户的分集增益等于STAR-IOS单元的活跃数目。
数值结果表明：
1）在高信噪比区域，中心极限模型是模拟结果的一个上界，而曲线拟合模型是模拟结果的一个下界；
2) TS协议性能最好，但所需时间较多；
3) ES协议优于MS协议，因为ES协议具有更高的分集增益。

3 系统模型

根据摘要，我们可知：ES协议搭配M倍卷积模型应该能够获得最优的性能。因此，在本博客中，着重介绍ES协议和M-flod模型。
ES协议管理反射链路和发射链路之间的能量分配，而MS协议激活用于反射链路和发射链路的不同数量的STAR-IOS元素。

3.1 信号

在这篇文件没有上篇文章的近场与远场折射用户，仅涉及反射用户与折射用户。
反射用户信号：$R_m=\sqrt{{\beta }_m^{rfl}}{e}^{j{\varphi }_m^{rfl}}$
折射用户信号：$T_m=\sqrt{{\beta }_m^{rfr}}{e}^{j{\varphi }_m^{rfr}}$
假设星型IOSS是无源的、能量消耗不可忽略的情况，满足约束${\left|R_m\right|}^2+{\left|T_m\right|}^2\le 1$。根据这篇文章，其数学形式为${\beta }_m^{rfl}+{\beta }_m^{rfr}\le 1$。

3.2 用户位置

反射用户与折射用户位置分别为$x_{rfl}$和$x_{rfr}$。
1)BS与STAR-IOS之间的链路为$d_{BR}$链路，距离$d_{BR}=\Vert {\mathbf{x}}_{\mathbf{R}}\Vert$，
2）STAR-IOS与反射用户之间的链路为$d_{RU}^{rfl}$链路，距离$d_{RU}^{rfl}=\Vert {\mathbf{x}}_{\mathbf{R}}-{\mathbf{x}}_{\mathbf{r}\mathbf{f}\mathbf{l}}\Vert$，
3）从STAR-IOS到发送用户的链路为$d_{RU}^{rfr}$链路，距离$d_{RU}^{rfr}=\Vert {\mathbf{x}}_{\mathbf{R}}-{\mathbf{x}}_{\mathbf{r}\mathbf{f}\mathbf{r}}\Vert$。
累积分布函数PDF见上篇文章。
模型中的所有链路满足Rician分布（莱斯分布）。其PDF为$$\begin{array}{rl}& f_{h_{BR,m}}(x)=f_{h_{RU,m}^{rfl}}(x)=f_{h_{RU,m}^{rfr}}(x)\\ & =\frac{2(1+k)}{\exp (k)}x\exp \left[-(1+k)x^2\right]I_0[2\sqrt{k(1+k)}x]\end{array}$$

3.3 路径损耗

3条链路的路径损耗表达式为:
$$\begin{array}{rl}{\mathcal{P}}_{BR}\left({\mathbf{x}}_R\right)& =C_{BR}{\Vert {\mathbf{x}}_{\mathbf{R}}\Vert }^{-{\alpha }_t}=C_{BR}{d}_{BR}^{-{\alpha }_t},\\ {\mathcal{P}}_{RU}^{rfl}\left({\mathbf{x}}_R,{\mathbf{x}}_{\mathbf{R}\mathbf{U}}^{\mathbf{r}\mathbf{f}\mathbf{l}}\right)& =C_{RU}^{rfl}{\Vert {\mathbf{x}}_R-{\mathbf{x}}_{\mathbf{R}\mathbf{U}}^{\mathbf{r}\mathbf{f}\mathbf{l}}\Vert }^{-{\alpha }_t}=C_{RU}^{rfl}{\left(d_{RU}^{rfl}\right)}^{-{\alpha }_t},\\ {\mathcal{P}}_{RU}^{rfr}\left({\mathbf{x}}_{\mathbf{R}},{\mathbf{x}}_{\mathbf{R}\mathbf{U}}^{\mathbf{r}\mathbf{f}\mathbf{r}}\right)& =C_{RU}^{rfr}{\Vert {\mathbf{x}}_R-{\mathbf{x}}_{\mathbf{R}\mathbf{U}}^{\mathbf{r}\mathbf{f}\mathbf{r}}\Vert }^{-{\alpha }_t}=C_{RU}^{rfr}{\left(d_{RU}^{rfr}\right)}^{-{\alpha }_t},\end{array}$$

3.4 信道模型

$$\left|g_m^{rfl}\right|=\left|{\mathbf{G}}_{\mathbf{R}\mathbf{U}}^{\mathbf{r}\mathbf{f}\mathbf{l}}{\mathbf{\Theta }}_{\mathbf{r}\mathbf{f}}{\mathbf{G}}_{\mathbf{B}\mathbf{R}}\right|,\left|g_m^{rfr}\right|=\left|{\mathbf{G}}_{\mathbf{R}\mathbf{U}}^{\mathbf{r}\mathbf{f}\mathbf{r}}{\mathbf{\Theta }}_{\mathbf{r}\mathbf{f}\mathbf{r}}{\mathbf{G}}_{\mathbf{B}\mathbf{R}}\right|,$$

3.5 信干噪比

$${\gamma }_{\mathrm{S}\mathrm{I}\mathrm{C}}=\frac{a_{rfr}{P}_t{\mathcal{P}}_{BR}\left({\mathbf{x}}_R\right){\mathcal{P}}_{RU}^{rfl}\left({\mathbf{x}}_R,{\mathbf{x}}_{RU}^{rfl}\right){\left|g_m^{rfl}\right|}^2}{a_{rfl}{P}_t{\mathcal{P}}_{BR}\left({\mathbf{x}}_R\right){\mathcal{P}}_{RU}^{rfl}\left({\mathbf{x}}_R,{\mathbf{x}}_{RU}^{rfl}\right){\left|g_m^{rfl}\right|}^2+{\sigma }^2}$$
对于反射用户：
$${\gamma }_{\mathrm{r}\mathrm{f}\mathrm{l}}=\frac{a_{rfl}{P}_t{\mathcal{P}}_{BR}\left({\mathbf{x}}_R\right){\mathcal{P}}_{RU}^{rfl}\left({\mathbf{x}}_R,{\mathbf{x}}_{RU}^{rfl}\right){\left|g_m^{rfl}\right|}^2}{{\sigma }^2}$$
对于折射用户：
$${\gamma }_{\mathrm{r}\mathrm{f}\mathrm{r}}=\frac{a_{rfr}{P}_t{\mathcal{P}}_{BR}\left({\mathbf{x}}_R\right){\mathcal{P}}_{RU}^{rfr}\left({\mathbf{x}}_R,{\mathbf{x}}_{RU}^{rfr}\right){\left|g_m^{rfr}\right|}^2}{a_{rfl}{P}_t{\mathcal{P}}_{BR}\left({\mathbf{x}}_R\right){\mathcal{P}}_{RU}^{rfr}\left({\mathbf{x}}_R,{\mathbf{x}}_{RU}^{rfr}\right){\left|g_m^{rfr}\right|}^2+{\sigma }^2}$$

3.6 近似信道模型

模型	场景	数值
中心极限	大尺寸Loss	高SNR的上界
M倍卷积模型
曲线拟合	多小区网络	下界

中心极限和曲线拟合模型，无法准确获得分集阶数。
在高SNR区域，我们推导近似PDF和CDF表达式为
$$\begin{array}{rl}& f_{{|g_m^{rf}|}^2,ES}^{0+}(x)=\frac{[\sigma (0,0){]}^M{x}^{M-1}}{2{\left({\beta }_{rf}\right)}^M(2M-1)!},\\ & F_{{|g_m^{rf}|}^2,ES}^{0+}(x)=\frac{[\sigma (0,0){]}^M}{2{\left({\beta }_{rf}\right)}^{M}M(2M-1)!}{x}^M,\\ & \end{array}$$

4 中断性能分析

原文讨论中心极限模型和曲线拟合模型下的近似中断概率，用不到，跳过