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
=
β
m
r
f
l
e
j
ϕ
m
r
f
l
R_m=\sqrt{\beta_m^{r f l}} e^{j \phi_m^{r f l}}
Rm=βmrflejϕmrfl
折射用户信号:
T
m
=
β
m
r
f
r
e
j
ϕ
m
r
f
r
T_m=\sqrt{\beta_m^{r f r}} e^{j \phi_m^{r f r}}
Tm=βmrfrejϕmrfr
假设星型IOSS是无源的、能量消耗不可忽略的情况,满足约束
∣
R
m
∣
2
+
∣
T
m
∣
2
≤
1
\left|R_m\right|^2+\left|T_m\right|^2 \leq 1
∣Rm∣2+∣Tm∣2≤1。根据这篇文章,其数学形式为
β
m
r
f
l
+
β
m
r
f
r
≤
1
\beta_m^{r f l}+\beta_m^{r f r} \leq 1
βmrfl+βmrfr≤1。
3.2 用户位置
反射用户与折射用户位置分别为
x
r
f
l
x_{rfl}
xrfl和
x
r
f
r
x_{rfr}
xrfr。
1)BS与STAR-IOS之间的链路为
d
B
R
d_{BR}
dBR链路,距离
d
B
R
=
∥
x
R
∥
d_{B R}=\left\|\mathbf{x}_{\mathbf{R}}\right\|
dBR=∥xR∥,
2)STAR-IOS与反射用户之间的链路为
d
R
U
r
f
l
d_{RU}^{rfl}
dRUrfl链路,距离
d
R
U
r
f
l
=
∥
x
R
−
x
r
f
l
∥
d_{R U}^{r f l}=\left\|\mathbf{x}_{\mathbf{R}}-\mathbf{x}_{\mathbf{r f l}}\right\|
dRUrfl=∥xR−xrfl∥,
3)从STAR-IOS到发送用户的链路为
d
R
U
r
f
r
d_{RU}^{rfr}
dRUrfr链路,距离
d
R
U
r
f
r
=
∥
x
R
−
x
r
f
r
∥
d_{R U}^{r f r}=\left\|\mathbf{x}_{\mathbf{R}}-\mathbf{x}_{\mathbf{r f r}}\right\|
dRUrfr=∥xR−xrfr∥。
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
f
h
B
R
,
m
(
x
)
=
f
h
R
U
,
m
r
f
l
(
x
)
=
f
h
R
U
,
m
r
f
r
(
x
)
=
2
(
1
+
k
)
exp
(
k
)
x
exp
[
−
(
1
+
k
)
x
2
]
I
0
[
2
k
(
1
+
k
)
x
]
\begin{aligned} &f_{h_{B R, m}}(x) =f_{h_{R U, m}^{r f l}}(x)=f_{h_{R U, m}^{r f r}}(x) \\ &\quad=\frac{2(1+k)}{\exp (k)} x \exp \left[-(1+k) x^2\right] I_0[2 \sqrt{k(1+k)} x] \end{aligned}
fhBR,m(x)=fhRU,mrfl(x)=fhRU,mrfr(x)=exp(k)2(1+k)xexp[−(1+k)x2]I0[2k(1+k)x]
3.3 路径损耗
3条链路的路径损耗表达式为:
P
B
R
(
x
R
)
=
C
B
R
∥
x
R
∥
−
α
t
=
C
B
R
d
B
R
−
α
t
,
P
R
U
r
f
l
(
x
R
,
x
R
U
r
f
l
)
=
C
R
U
r
f
l
∥
x
R
−
x
R
U
r
f
l
∥
−
α
t
=
C
R
U
r
f
l
(
d
R
U
r
f
l
)
−
α
t
,
P
R
U
r
f
r
(
x
R
,
x
R
U
r
f
r
)
=
C
R
U
r
f
r
∥
x
R
−
x
R
U
r
f
r
∥
−
α
t
=
C
R
U
r
f
r
(
d
R
U
r
f
r
)
−
α
t
,
\begin{aligned} \mathcal{P}_{B R}\left(\mathbf{x}_R\right) &=C_{B R}\left\|\mathbf{x}_{\mathbf{R}}\right\|^{-\alpha_t}=C_{B R} d_{B R}^{-\alpha_t}, \\ \mathcal{P}_{R U}^{r f l}\left(\mathbf{x}_R, \mathbf{x}_{\mathbf{R U}}^{\mathbf{r f l}}\right) &=C_{R U}^{r f l}\left\|\mathbf{x}_R-\mathbf{x}_{\mathbf{R U}}^{\mathbf{r f l}}\right\|^{-\alpha_t}=C_{R U}^{r f l}\left(d_{R U}^{r f l}\right)^{-\alpha_t}, \\ \mathcal{P}_{R U}^{r f r}\left(\mathbf{x}_{\mathbf{R}}, \mathbf{x}_{\mathbf{R U}}^{\mathbf{r f r}}\right) &=C_{R U}^{r f r}\left\|\mathbf{x}_R-\mathbf{x}_{\mathbf{R U}}^{\mathbf{r f r}}\right\|^{-\alpha_t}=C_{R U}^{r f r}\left(d_{R U}^{r f r}\right)^{-\alpha_t}, \end{aligned}
PBR(xR)PRUrfl(xR,xRUrfl)PRUrfr(xR,xRUrfr)=CBR∥xR∥−αt=CBRdBR−αt,=CRUrfl∥∥xR−xRUrfl∥∥−αt=CRUrfl(dRUrfl)−αt,=CRUrfr∥∥xR−xRUrfr∥∥−αt=CRUrfr(dRUrfr)−αt,
3.4 信道模型
∣ g m r f l ∣ = ∣ G R U r f l Θ r f G B R ∣ , ∣ g m r f r ∣ = ∣ G R U r f r Θ r f r G B R ∣ , \left|g_m^{r f l}\right|=\left|\mathbf{G}_{\mathbf{R U}}^{\mathbf{r f l}} \boldsymbol{\Theta}_{\mathbf{r f}} \mathbf{G}_{\mathbf{B R}}\right|, \quad\left|g_m^{r f r}\right|=\left|\mathbf{G}_{\mathbf{R U}}^{\mathbf{r f r}} \boldsymbol{\Theta}_{\mathbf{r f r}} \mathbf{G}_{\mathbf{B R}}\right|, ∣∣gmrfl∣∣=∣∣GRUrflΘrfGBR∣∣,∣∣gmrfr∣∣=∣∣GRUrfrΘrfrGBR∣∣,
3.5 信干噪比
γ
S
I
C
=
a
r
f
r
P
t
P
B
R
(
x
R
)
P
R
U
r
f
l
(
x
R
,
x
R
U
r
f
l
)
∣
g
m
r
f
l
∣
2
a
r
f
l
P
t
P
B
R
(
x
R
)
P
R
U
r
f
l
(
x
R
,
x
R
U
r
f
l
)
∣
g
m
r
f
l
∣
2
+
σ
2
\gamma_{\mathrm{SIC}}=\frac{a_{r f r} P_t \mathcal{P}_{B R}\left(\mathbf{x}_R\right) \mathcal{P}_{R U}^{r f l}\left(\mathbf{x}_R, \mathbf{x}_{R U}^{r f l}\right)\left|g_m^{r f l}\right|^2}{a_{r f l} P_t \mathcal{P}_{B R}\left(\mathbf{x}_R\right) \mathcal{P}_{R U}^{r f l}\left(\mathbf{x}_R, \mathbf{x}_{R U}^{r f l}\right)\left|g_m^{r f l}\right|^2+\sigma^2}
γSIC=arflPtPBR(xR)PRUrfl(xR,xRUrfl)∣∣∣gmrfl∣∣∣2+σ2arfrPtPBR(xR)PRUrfl(xR,xRUrfl)∣∣gmrfl∣∣2
对于反射用户:
γ
r
f
l
=
a
r
f
l
P
t
P
B
R
(
x
R
)
P
R
U
r
f
l
(
x
R
,
x
R
U
r
f
l
)
∣
g
m
r
f
l
∣
2
σ
2
\gamma_{\mathrm{rfl}}=\frac{a_{r f l} P_t \mathcal{P}_{B R}\left(\mathbf{x}_R\right) \mathcal{P}_{R U}^{r f l}\left(\mathbf{x}_R, \mathbf{x}_{R U}^{r f l}\right)\left|g_m^{r f l}\right|^2}{\sigma^2}
γrfl=σ2arflPtPBR(xR)PRUrfl(xR,xRUrfl)∣∣gmrfl∣∣2
对于折射用户:
γ
r
f
r
=
a
r
f
r
P
t
P
B
R
(
x
R
)
P
R
U
r
f
r
(
x
R
,
x
R
U
r
f
r
)
∣
g
m
r
f
r
∣
2
a
r
f
l
P
t
P
B
R
(
x
R
)
P
R
U
r
f
r
(
x
R
,
x
R
U
r
f
r
)
∣
g
m
r
f
r
∣
2
+
σ
2
\gamma_{\mathrm{rfr}}=\frac{a_{r f r} P_t \mathcal{P}_{B R}\left(\mathbf{x}_R\right) \mathcal{P}_{R U}^{r f r}\left(\mathbf{x}_R, \mathbf{x}_{R U}^{r f r}\right)\left|g_m^{r f r}\right|^2}{a_{r f l} P_t \mathcal{P}_{B R}\left(\mathbf{x}_R\right) \mathcal{P}_{R U}^{r f r}\left(\mathbf{x}_R, \mathbf{x}_{R U}^{r f r}\right)\left|g_m^{r f r}\right|^2+\sigma^2}
γrfr=arflPtPBR(xR)PRUrfr(xR,xRUrfr)∣∣∣gmrfr∣∣∣2+σ2arfrPtPBR(xR)PRUrfr(xR,xRUrfr)∣∣gmrfr∣∣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
f
∣
g
m
r
f
∣
2
,
E
S
0
+
(
x
)
=
[
σ
(
0
,
0
)
]
M
x
M
−
1
2
(
β
r
f
)
M
(
2
M
−
1
)
!
,
F
∣
g
m
r
f
∣
2
,
E
S
0
+
(
x
)
=
[
σ
(
0
,
0
)
]
M
2
(
β
r
f
)
M
M
(
2
M
−
1
)
!
x
M
,
\begin{aligned} &f_{\left|g_m^{r f}\right|^2, E S}^{0+}(x)=\frac{[\sigma(0,0)]^M x^{M-1}}{2\left(\beta_{r f}\right)^M(2 M-1) !}, \\ &F_{\left|g_m^{r f}\right|^2, E S}^{0+}(x)=\frac{[\sigma(0,0)]^M}{2\left(\beta_{r f}\right)^M M(2 M-1) !} x^M, \\ & \end{aligned}
f∣gmrf∣2,ES0+(x)=2(βrf)M(2M−1)![σ(0,0)]MxM−1,F∣gmrf∣2,ES0+(x)=2(βrf)MM(2M−1)![σ(0,0)]MxM,
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