服从莱斯衰落的BS-RIS/UAV信道模拟Python

最新推荐文章于 2024-06-14 09:38:03 发布

Am_mSXQS

最新推荐文章于 2024-06-14 09:38:03 发布

阅读量1.4k

点赞数 2

分类专栏：信道模拟文章标签： python 开发语言

本文链接：https://blog.csdn.net/qq_41567413/article/details/125417154

版权

信道模拟专栏收录该内容

1 篇文章 0 订阅

订阅专栏

# -*- coding: utf-8 -*-
"""

@author: Ranbo桑

Created on Wed jun  22 20:46:46 2022
"""
from numpy import *
import numpy as np
np.random.seed(1)

M = 1  # UAV元素的个数
ric = 10 ** (0.3)  # K_AR,k_RU Rician factor
ric1 = np.sqrt(ric / (ric + 1))
ric2 = np.sqrt(1 / (ric + 1))

r_bs_ris = 2.2  # 路径损耗指数

def main():
    BS_pos = np.array([[0, 0, 50]])  # BS 位置 (X,Y,Z)
    UAV_pos = np.array([[100, 100, 100]])  #一个UAV用户的位置 (X,Y,Z)

    dis = np.sqrt(np.sum((BS_pos - UAV_pos) ** 2, axis=1))  # 基站与UAV的距离

    sin_B_UAV = 100 / np.sqrt(100 ** 2 + 100 ** 2)

    C0 = 10 ** (-3)  # path loss when d0=1m
    PL = np.sqrt(C0 * (dis) ** (-r_bs_ris))  # bs_uav路径损耗

    return  PL, sin_B_UAV  # 返回的是大尺度路径损耗


if __name__ == '__main__':
    PL_BS_UAV, sin_BR = main()
    T = 10 # 时隙长

    H = []  # 基站与UAV
    temp = 1 / pow(2, 1 / 2)
    for i in range(T):
        h = []
        h_e = []  # 人为加噪之后
        v = []
        w = 1
        for m in range(0, M):
            real = mat(np.random.normal(0, 1, M))  # 瑞利分布实数
            imag = mat(np.random.normal(0, 1, M))  # 瑞利分布虚数部分

            real = temp * real
            imag = temp * imag

            rayleign = complex(real[0, m], imag[0, m])  # 复高斯瑞利分布

            g_NLOS = rayleign * PL_BS_UAV * ric2  # 这是RICIAN中的瑞利分布，V*NLOS部分
            g_LOS = PL_BS_UAV * ric1 * exp(complex(0, m * np.pi * sin_BR))  # 这是RICIAN中的第一部分，V*LOS部分
            g = g_NLOS + g_LOS

            h.append(g)
        # 根据论文计算得到从基站到RIS也就是从基站到UAV的真实信道h
        H.append(h)

    H = np.array(H).squeeze()
    print("真实信道：",H)

    print("对真实信道的取模：",abs(H))

固定随机种子后，输出结果：

真实信道： [1.89022128e-04-3.19260888e-05j 7.66874618e-05-5.59956393e-05j
 1.49415002e-04-1.20111742e-04j 1.95308978e-04-3.97255485e-05j
 1.20901349e-04-1.30140372e-05j 1.80555349e-04-1.07513765e-04j
 8.74252944e-05-2.00428686e-05j 1.63420156e-04-5.74006671e-05j
 9.52528577e-05-4.58133093e-05j 1.06454503e-04+3.04157175e-05j]
对真实信道的取模： [1.91699348e-04 9.49551390e-05 1.91707260e-04 1.99308094e-04
 1.21599758e-04 2.10141485e-04 8.96933592e-05 1.73207922e-04
 1.05697522e-04 1.10714394e-04]

参考文献：

[1] R. Zhong, Y. Liu, X. Mu, Y. Chen and L. Song, "AI Empowered RIS-Assisted NOMA Networks: Deep Learning or Reinforcement Learning?," in IEEE Journal on Selected Areas in Communications, vol. 40, no. 1, pp. 182-196, Jan. 2022, doi: 10.1109/JSAC.2021.3126068.