- 最佳的最大似然检测器和低复杂度的压缩传感检测器。
一、调制方案
所有方案均为单输出多输入(SIMO)。一个发射机TA,两个IRS,
N
R
N_R
NR个接收机RA。每个IRS有一个或多个反射面RS,每个反射面(RS)有多个原件。
三种方案的流程:
- (1)IRS1选择性的激活IRS2中的某个元件
1)输入的比特序列分为两部分。第一部分选择用传统的PSK/QAM符号,第二部分利用波束索引调制。
2)TA与IRS1保持靠近。他们彼此进行优先和无线的链接。序列第一部分PSK/QAM的选择由发射机进行选择,并通过无线的方式发送到IRS1的RS。
3)有线连接用于将序列第二部分映射为波束索引调制。这部分通过适当改变相位,将信号发送到IRS1的RS上。
4)基于接受的相位向量,IRS1的元件可将入射信号调整为所需的相移,之后发送到IRS2。相位是特殊调整的,以确保仅有期望的IRS2的元件接受到信号。这种特殊选择为索引调制保留了信息位。
5)IRS2反射信号(有或没有相移根据方案的选择)。并由RA接受信号。RA的信息检测包含传统的PSK/QAM符号及IRS2的特定元素索引反射的符号。这是由 N R N_R NR个RA共同完成的。
对于细节有如下假设:
1)发射机到IRS1的距离非常小。因此信道为噪声可忽略的高斯信道。
2)IRS1和IRS2直接仅有LOS路径。这种假设是合理的,因为两个反射面共在一个封闭空间,IRS1的元件通过调整相位,特殊的选择IRS2的元件进行接受。因此,假设IRS1和IRS2也假设为高斯信道。
3)在IRS2和接收端之间假设为平坦衰落的瑞利信道。信道系数根据
C
N
(
0
,
1
)
\mathcal {CN}(0,1)
CN(0,1)。
A方案1:单符号索引调制
在这个方案中,两个IRS均有单个RS。IRS1与IRS2相距为D。IRS1有
(
N
1
H
×
N
1
W
)
(N_{1H}\times N_{1W})
(N1H×N1W)个元件,IRS2有
(
N
2
H
×
N
2
W
)
(N_{2H}\times N_{2W})
(N2H×N2W)个元件。
N
1
a
n
d
N
2
N_1\ and\ N_2
N1 and N2为IRS1和IRS2元件的总数量。TA发送符号到IRS1,每个元件在入射波上应用特殊的相移,使IRS2只有一个元件接受到信号。因此这种方案的比特位数为
l
o
g
2
M
+
⌊
l
o
g
2
N
2
⌋
log_2M+\lfloor log_2N_2\rfloor
log2M+⌊log2N2⌋。最后IRS2反射信号,并通过RAs进行接收。
s
s
s为发射信号。IRS1接收的符号为
s
+
w
1
s+w_1
s+w1,这里
w
1
∼
C
N
(
0
,
σ
1
2
)
w_1\sim\mathcal{CN}(0,\sigma^2_1)
w1∼CN(0,σ12)。然而在假设1中,
σ
1
2
≈
0
\sigma^2_1\approx 0
σ12≈0并且
w
1
w_1
w1可以忽略。因此,IRS2的接收向量为
x
2
=
b
s
+
w
2
\mathbf x_2=\mathbf bs+\mathbf w_2
x2=bs+w2
这里
w
2
∼
C
N
(
0
,
σ
2
2
)
w_2\sim\mathcal{CN}(0,\sigma^2_2)
w2∼CN(0,σ22),
b
\mathbf b
b是
N
2
×
1
N_2\times 1
N2×1的向量。在理想条件下,
b
\mathbf b
b应该只有一个与光束索引相对应的非零项(等效于IRS2中的选定元素)。但是,这实际上将不会发生,因为有限功率也会分散在其他方向上,并且此功率分布取决于IRS1每个元素的相对权重。RA处的向量可写为:
y
=
H
x
2
+
w
R
=
H
b
s
+
w
\mathbf y=\mathbf{Hx_2}+\mathbf w_R\\ =\mathbf{Hb}s+\mathbf w
y=Hx2+wR=Hbs+w
这里
H
\mathbf H
H表示在假设3和
w
R
∼
C
N
(
0
,
σ
R
2
)
\mathbf w_R\sim\mathcal{CN}(0,\sigma^2_R)
wR∼CN(0,σR2)下
N
R
×
N
2
N_R\times N_2
NR×N2信道矩阵。
w
=
H
w
2
+
w
R
\mathbf w=\mathbf{Hw_2}+\mathbf w_R
w=Hw2+wR是具有
C
N
(
0
,
∑
)
\mathcal{CN}(0,\sum)
CN(0,∑)分布的加性噪声,
∑
=
H
H
H
σ
2
2
+
σ
R
2
I
\sum=\mathbf{HH^H}\sigma^2_2+\sigma^2_R\mathbf I
∑=HHHσ22+σR2I。最终,接收端必须从
y
\mathbf y
y中检测出
b
\mathbf b
b和
s
s
s才能解码出传输的比特。
B方案2:多符号索引调制
结构如图2所示。在该方案中,IRS1有
N
T
N_T
NT个RS。调制器根据索引调制的
N
T
N_T
NT个不同相位向量,并发射到IRS2的不同RS上。因此,
N
T
N_T
NT个RSs将传统的PSK/QAM映射到IRS2上不同的
N
T
N_T
NT个元件。因此,该方案总的比特位数为
l
o
g
2
M
+
⌊
l
o
g
2
(
N
2
N
T
)
⌋
log_2M+\lfloor log_2(\mathop{N_2}\limits_{N_T})\rfloor
log2M+⌊log2(NTN2)⌋。可以使用查找表方法或组合方法来组织要激活的元素的选择。该方案也可用等式(1)和(2)表示,不同的是
b
\mathbf b
b有
N
T
N_T
NT个非零项。
C方案3:最大信噪比的单符号索引调制
如图三所示,该方案与方案1相似,区别在于每个IRS2的元件由
N
3
N_3
N3个元件组成的RS代替。所以IRS2的元件总数变为
N
2
N
3
N_2N_3
N2N3,TA和IRS1都以与方案1相同的方式运行。相比与其他两种方案,该方案的IRS2可对入射信号进行相移。该相移可使接收端信噪比最大化。
因此,接收信号可表示为:
y
=
H
Ξ
b
s
+
w
\mathbf y=\mathbf H\Xi\mathbf bs+\mathbf w
y=HΞbs+w
这里
Ξ
\Xi
Ξ表示
(
N
2
N
3
×
N
2
N
3
)
(N_2N_3\times N_2N_3)
(N2N3×N2N3)的IRS2相移对角矩阵。在上式中
H
\mathbf H
H是
(
N
R
×
N
2
N
3
)
(N_R\times N_2N_3)
(NR×N2N3)的矩阵。信噪比可表示为:
SNR
=
∥
H
Ξ
b
s
∥
2
Var
(
∥
w
∥
)
\text{SNR}=\frac{\|\mathbf H\Xi\mathbf bs\|^2}{\text{Var}(\|\mathbf w\|)}
SNR=Var(∥w∥)∥HΞbs∥2
令
ξ
1
:
N
2
N
3
\xi_{1:N_2N_3}
ξ1:N2N3表示
Ξ
\Xi
Ξ的对角线的项。因此,SNR最大可表示为:
max
ξ
l
∥
H
Ξ
b
s
∥
2
s
.
t
.
∣
ξ
l
∣
=
1
,
∀
l
=
1
,
2
,
.
.
.
,
N
2
N
3
.
\mathop{\text{max}}\limits_{\xi_l}\|\mathbf H\Xi\mathbf bs\|^2\\ s.t.|\xi_l|=1,\forall \ l=1,2,...,N_2N_3.
ξlmax∥HΞbs∥2s.t.∣ξl∣=1,∀ l=1,2,...,N2N3.
以上优化问题具有如下挑战:
IRS2是无源设备,解决复杂的优化问题是不且实际的。理想地优化应该在发射机或接收机处进行,并且所得到的信息必须传达给IRS2。如果优化取决于要传输的数据(bs),则必须在每个时隙中进行更新,这是相当大的通信开销。因此,优化应该优选地仅取决于bs的平均值,或者实际上理想地应该独立于它。因此,我们将针对(5)提出以下解决方案。
1)方法1:这种方法基于存在理想波束形状的假设。在IRS2中选定的所有RS接收到相同的功率,同时所有的其他元件接收到的功率为0。不失一般性的(Without loss of generality),将该常数设置为1。优化函数(5)可重写为:
这里
1
\mathbf 1
1表示1s,
ξ
\xi
ξ是由
Ξ
\Xi
Ξ的对角元素形成的向量。因此,最大化问题变为:
这里
I
^
\hat I
I^表示IRS2的RS的特定选择。令
ξ
l
=
e
j
α
l
\xi_l=e^{j\alpha_l}
ξl=ejαl,
∣
ξ
l
∣
=
1
|\xi_l|=1
∣ξl∣=1。记住这一点(Bearing this in mind),并且
H
H
H
\mathbf H^H\mathbf H
HHH是埃尔米特矩阵。公式(5)可重写为以下无约束形式:
这里
(
H
H
H
)
i
j
(\mathbf H^H\mathbf H)_{ij}
(HHH)ij表示
H
H
H
\mathbf H^H\mathbf H
HHH的第
(
i
,
j
)
(i,j)
(i,j)个元素。因为上式是非凸函数,只能通过一些交替技术来找到该函数的局部最大值。
2)方法2:该方法依赖于假设
N
R
≥
N
3
N_R\ge N_3
NR≥N3。RAs的数量要大于IRS2的RS个数。
引理1:令 H Q a n d Ξ Q \mathbf H_Q\ and\ \Xi_Q HQ and ΞQ分别作为 H a n d Ξ \mathbf H\ and\ \Xi H and Ξ对应于所选RS的子矩阵 ( N R × N 3 ) a n d ( N 3 × N 3 ) (N_R\times N_3)\ and\ (N_3\times N_3) (NR×N3) and (N3×N3),令 b Q \mathbf b_Q bQ对应于 b \mathbf b b的子向量。如果 N R ≥ N 3 N_R\ge N_3 NR≥N3的概率为1,边界:
是非凡的,等同于
附录A:
Ξ
Q
H
H
Q
H
H
Q
Ξ
Q
and
(
b
Q
s
)
(
b
Q
s
)
H
\Xi^H_Q\mathbf H^H_Q\mathbf H_Q\Xi_Q\ \text{and}\ (\mathbf b_Qs)(\mathbf b_Qs)^H
ΞQHHQHHQΞQ and (bQs)(bQs)H是正定矩。因此,上式应用【文献58】可得到(9)式。因为
H
Q
\mathbf H_Q
HQ是一个随机矩阵,且如果
R
≥
Q
R\ge Q
R≥Q(接收天线数大于IRS2有效反射元件数),
H
Q
H
H
Q
\mathbf H^H_Q\mathbf H_Q
HQHHQ是一个满秩矩阵的概率为1,因此最小特征值
λ
m
i
n
(
Ξ
Q
H
H
Q
H
H
Q
Ξ
Q
)
>
0
\lambda_{min}(\Xi^H_Q\mathbf H^H_Q\mathbf H_Q\Xi_Q)>0
λmin(ΞQHHQHHQΞQ)>0。
引理1可用来解决优化问题(5)。思想是最大化非凡下限,而不是实际函数。因此,优化问题(5)变成:
这里式(11)是一个约束非线性极小极大优化问题。这可直接解决【有文献】。它可通过引入额外的变量来转换成一个非线性最大化问题,然后使用标准技术来求解。
需要注意的是,这两种SNR最大化问题的方案, I ^ \hat I I^是IRS2中所选择的RS的数据,它必须优化的,且取决于信息位。为了避免优化对信息位的依赖性,每个RS要分别优化,无论信道有多大的变化。优化相位信息传送给IRS2,并将其应用到所有元件,而不是所选择的RS。多符号方案同样适用。最终,IRS2上所有被激活的RS将通过相移来提升SNR。因此,这两个方案将会提高信息速率和SNR。实际上,最佳相移一定要在接收端来评估,并传送到IRS2。
索引调制的实现
索引调制的背后原理是IRS2特定元件的激活。为了计算相移,假设IRS1和IRS2之间仅有LOS路径。因此,相移仅由IRS对决定。
设IRS1的中心作为原点坐标(0,0,0),
P
\mathbf P
P是IRS1元件的位置向量。根据输入比特序列,由IRS1来激活IRS2的第n个元件。
(
θ
n
h
,
θ
n
v
)
(\theta^h_n,\theta^v_n)
(θnh,θnv)表示关于原点的方位角和仰角对。由IRS1的元素给定以选择第n个波束的相位矢量为
ϕ
=
2
π
f
τ
\phi=2\pi f\tau
ϕ=2πfτ,这里
τ
=
P
H
u
n
c
\tau=\frac{\mathbf P^H\mathbf u_n}{c}
τ=cPHun,
c
c
c为光速,
f
f
f为载频频率。
在多比特波束索引调制的情况下,必须根据输入比特序列为每个IRS计算这些相移。
另外,如果IRS元件调整输入信号的幅度和相位,可以修改每个元素的相对权重。因为IRS由无源设备构成,放大难以实现,然而减小很容易应用到入射信号。减小的调整可以通过一个窗函数对波束成形和波束图案进行修改。这将有利于减小干扰。
A参数设计
参数涉及IRS1和IRS2的元件数及它们之间的距离。令
λ
\lambda
λ表示对应最高工作频率的波长。设计的固定参数如下:
1)IRS1中内部元件的间距(
d
1
d_1
d1):IRS1中的每个RS元件的间距为
λ
2
\frac{\lambda}{2}
2λ。例如,最大工作频率
f
m
a
x
=
60
G
H
z
f_{max}=60GHz
fmax=60GHz,那么
d
1
=
2.5
m
m
d_1=2.5mm
d1=2.5mm。现在,如果IRS1有
100
×
100
100\times 100
100×100个元件,那么它的尺寸将为
0.25
×
0.25
m
0.25\times 0.25m
0.25×0.25m。该间距对于避免使用IRS1形成的波束中的光栅波瓣很重要。
2)两个IRS之间的距离(D):距离D应该满足远场条件
D
>
2
L
2
λ
D>\frac{2L^2}{\lambda}
D>λ2L2,L为RS的长度。在上面的例子中,D>25m。如果满足该条件,,那么就假设从IRS1到IRS2的波是平面的。
3)IRS2内部元件的间距(
d
2
d_2
d2):IRS2中每个元件的宽度
(
d
w
)
(d_w)
(dw)应该小于
D
θ
B
W
D\theta_{BW}
DθBW,这里
θ
B
W
\theta_{BW}
θBW是IRS1的波束宽度,同时IRS2元件之间的宽度
d
2
d_2
d2应大于该值。这就确保了预期元件或者仅有预期元件接收到来自IRS1的反射信号。对于一个矩形窗,波束宽度近似为
θ
B
W
≈
50
λ
L
\theta_{BW}\approx\frac{50\lambda}{L}
θBW≈L50λ。在该例子中,
θ
B
W
≈
1
0
\theta_{BW}\approx1^0
θBW≈10,对应最小频率。因此,当
D
=
25
m
D=25m
D=25m时,
d
w
<
48
c
m
and
d
2
>
48
c
m
d_w<48cm\ \text{and}\ d_2>48cm
dw<48cm and d2>48cm。现在,如果
N
1
H
=
N
1
W
=
8
N_{1H}=N_{1W}=8
N1H=N1W=8,IRS2的近似尺寸为
4
m
×
4
m
4m\times 4m
4m×4m。
4)IRS1的元件数
(
N
1
)
(N_1)
(N1):IRS1的元件数决定了阵列的长度L和波束宽度
θ
B
W
\theta_{BW}
θBW。这些参数决定两个IRS的距离和IRS2内元件的间距。
5)IRS2的元件数
(
N
2
)
(N_2)
(N2):这决定系统的传输速率。很大的
N
2
N_2
N2将提供高传输速率。然而这将使IRS2的尺寸变大。因此,
N
2
N_2
N2受最大陈列尺寸的限制。
三、检测器
检测器必须恢复出QAM/PSK符号和IRS2的元件激活模式。也就是必须要检测出(2)或(3)式
y
\mathbf y
y中的s和
b
\mathbf b
b。令
x
=
b
s
\mathbf x=\mathbf bs
x=bs,(2)和(3)式可写为:
y
=
A
x
+
w
(
12
)
\mathbf y=\mathbf {Ax}+\mathbf w\ (12)
y=Ax+w (12)
这里在方案1和2中
A
=
H
\mathbf A=\mathbf H
A=H。在方案3中
A
=
H
Ξ
\mathbf A=\mathbf H\Xi
A=HΞ。假设
A
\mathbf A
A在接收端是已知的。
A、最佳检测器
1)单符号方案:考虑式(12)中的向量
x
\mathbf x
x。理想中单符号方案的
x
\mathbf x
x内仅有一项非零值,因为只有一个元件接收到信号。但这是不可实现的,因为波束成形也会使其他方向非零。现实中在IRS2上有超过一个元件接收到信号。然而,不期望的波束索引的功率远低于期望的索引功率,并且这些功率取决于IRS1使用的窗函数功能。
在上一节的A中,IRS2的元件间距
d
2
=
1.0
m
d_2=1.0m
d2=1.0m,这大概等于所需最小距离的两倍。对于这个问题,图四显示了
x
\mathbf x
x的各个索引对应的功率,此时期望的索引是28。
三种窗类型的功率模式,分别为rectangular, Hann and Blackman Harris。考虑所有功率小于40dB的系数为零。因此,rectangular窗有8个非零索引,另外两个仅有一个主要索引。
现在,数据依靠索引的变化,不论用的什么窗函数,图4的模式将会移到不同索引。式(12)可写为:
y
=
A
Π
p
+
w
\mathbf y=\mathbf A\Pi_{\mathbf p}+\mathbf w
y=AΠp+w
这里
p
\mathbf p
p表示
x
\mathbf x
x各种索引功率向量,
Π
p
\Pi_{\mathbf p}
Πp表示功率模式的一个特定排列。因此,为了识别波束索引,必须识别功率模式排列
Π
p
\Pi_{\mathbf p}
Πp。现在,
y
∼
C
N
(
A
Π
p
,
Σ
)
\mathbf y\sim\mathcal{CN}(\mathbf A\Pi_{\mathbf p},\Sigma)
y∼CN(AΠp,Σ)。因此,这个问题的ML检测器可写为:
一般的,搜索问题(14)是NP-hard。然而,在该例子中,仅有
N
2
M
N_2M
N2M个不同的模式对应
N
2
N_2
N2个不同的波束索引,和M个QAM/PSK符号。因此,中等复杂度的搜索将为ML检测器(14)提供最佳解决方案。
2)多符号方案:ML检测器也适用于多符号情况。然而,在同一时间有
N
T
N_T
NT个期望的波束索引同时存在,彼此相互作用,从而产生大量
Π
p
\Pi_{\mathbf p}
Πp可能的组合。明确的是,必须为IRS1中的
N
T
N_T
NT个RS测试
(
N
2
N
T
)
M
(\mathop{N_2}\limits_{N_T})M
(NTN2)M个不同模式的假设。因此,ML检测器不再是计算的好方法。
B、次优压缩感知检测器
当活动元素(即接收符号的元素)的数量远小于IRS2中元素的总数时,(12)中的传输向量
x
\mathbf x
x稀疏。因此,可以使用一种高效的稀疏重建算法,来识别
x
\mathbf x
x中的非零项,并用来估计
b
\mathbf b
b。因此,为了成功的恢复出稀疏向量
x
\mathbf x
x,需要足够的测量次数。这可通过足够的RAs数量(
N
R
N_R
NR足够大)和多次测量来实现,这自然会降低数据速率。最终,可从估计的
b
\mathbf b
b中得到s:
s
^
=
min
s
∈
M
∥
y
−
b
s
∥
2
\hat s=\mathop{\text{min}}\limits_{s\in\mathcal M}\|\mathbf y-\mathbf bs\|^2
s^=s∈Mmin∥y−bs∥2
这里
M
\mathcal M
M是使用的星座。
C、复杂度
最佳ML检测器要计算式(14)中的所有可能的组合,这大约需要 ( N R 3 + N R N 2 ) (N_R^3+N_RN_2) (NR3+NRN2)次乘法。这对每个可能的符号都要进行计算。对于多符号的情况,有 ( N 2 N T ) M (\mathop{N_2}\limits_{N_T})M (NTN2)M个可能的符号。因此,总的计算复杂度约为 ( N 2 N T ) M ( N R 3 + N R N 2 ) (\mathop{N_2}\limits_{N_T})M(N_R^3+N_RN_2) (NTN2)M(NR3+NRN2)次,对于单符号将减少到 N 2 M ( N R 3 + N R N 2 ) N_2M(N_R^3+N_RN_2) N2M(NR3+NRN2)。另一方面,如果使用任何类型的基于压缩感知的次优算法,这个复杂度将会降低到 N 2 N R N T N_2N_RN_T N2NRNT,这相比于最佳ML检测器低多了。
四、平均误码率
在这部分,将评估最佳ML检测器的平均误码率上界。令
P
r
{
Π
p
i
→
Π
p
j
}
Pr\{\Pi_{\mathbf p}^i\to\Pi_{\mathbf p}^j\}
Pr{Πpi→Πpj}表示模型
Π
p
i
\Pi_{\mathbf p}^i
Πpi被识别成
Π
p
j
\Pi_{\mathbf p}^j
Πpj的概率,
v
i
,
j
v_{i,j}
vi,j表示这两个排列的错误位数量。平局BER可写为:
这里
n
b
n_b
nb表示每个信道使用的总位数,
Ω
\Omega
Ω是可能排列的总数。式(16)假设所有排列都是等可能的。式(16)中的符号错误概率
P
r
{
Π
p
i
→
Π
p
j
}
Pr\{\Pi_{\mathbf p}^i\to\Pi_{\mathbf p}^j\}
Pr{Πpi→Πpj}可由以下写出。当
Π
p
i
\Pi_{\mathbf p}^i
Πpi被发送时,检测器基于下式识别成
Π
p
j
\Pi_{\mathbf p}^j
Πpj作为传输符号:
这里
y
\mathbf y
y和
Π
p
=
Π
p
i
\Pi_{\mathbf p}=\Pi_{\mathbf p}^i
Πp=Πpi由(13)式给出。定义:
因此,有:
式(18)中相交事件概率的计算式非常复杂的。因此,使用Fretchet’s不等式界定:
为了评估该界,对于每个
k
≠
j
k\ne j
k=j,概率
P
r
{
r
j
>
r
k
}
Pr\{r_j>r_k\}
Pr{rj>rk}一定要进行计算。定理1给出了这个概率的表达式:
定理1:
假设
A
∼
C
N
(
0
,
I
)
\text{A}\sim\mathcal{CN}(0,\mathbf I)
A∼CN(0,I)和
σ
2
2
≪
σ
R
2
\sigma_2^2\ll\sigma_R^2
σ22≪σR2。当
Π
p
i
\Pi_{\mathbf p}^i
Πpi是实际传输信号时,
P
r
{
r
j
>
r
k
}
Pr\{r_j>r_k\}
Pr{rj>rk}由以下给出:
最终,对于每个传输符号
Π
p
i
\Pi_{\mathbf p}^i
Πpi,
∀
k
≠
j
\forall\ k\ne j
∀ k=j,概率
P
r
{
r
j
>
r
k
}
Pr\{r_j>r_k\}
Pr{rj>rk}的最小值可通过定理1进行计算,将
P
r
{
Π
p
i
→
Π
p
j
}
Pr\{\Pi_{\mathbf p}^i\to\Pi_{\mathbf p}^j\}
Pr{Πpi→Πpj}带入(16)式中可得到平均BER的界。
平均BER的边界导出值可用于方案1和方案2,因为在这两种方案中
A
=
H
\mathbf A=\mathbf H
A=H。方案1中,
Ω
=
N
2
M
,
n
b
=
l
o
g
2
M
+
⌊
l
o
g
2
N
2
⌋
\Omega=N_2M,n_b=log_2M+\lfloor log_2N_2\rfloor
Ω=N2M,nb=log2M+⌊log2N2⌋。方案2中,
Ω
=
(
N
2
N
T
)
M
,
n
b
=
l
o
g
2
M
+
⌊
l
o
g
2
(
N
2
N
T
)
⌋
\Omega=(\mathop{N_2}\limits_{N_T})M,n_b=log_2M+\lfloor log_2(\mathop{N_2}\limits_{N_T})\rfloor
Ω=(NTN2)M,nb=log2M+⌊log2(NTN2)⌋。方案3中,
A
=
H
Ξ
\mathbf A=\mathbf H\Xi
A=HΞ,因此
A
\mathbf A
A不再服从分布
C
N
(
0
,
I
)
\mathcal{CN}(0,\mathbf I)
CN(0,I)。但是,附录C中得出的条件概率也可以用于方案3。基于此,可以使用采样方法来计算边界,从而得出无条件概率。
五、仿真结果
- 频段:55-60GHz
- IRS1: 100 × 100 100\times 100 100×100的矩形阵列,间距2.5mm。这对应最高频60GHz的半波长。
- 两个IIRS之间的距离(D):30m。这个距离满足IRS1的远场条件。
- IRS2:
8
×
8
8\times 8
8×8的举行阵列,间距
d
2
=
60
c
m
d_2=60cm
d2=60cm。这些参数会针对不同性能研究进行修改。
所有仿真采用16QAM。结果为 1 0 5 10^5 105次蒙特卡洛实验。信道完美已知。
图5和图6为方案一的性能。
从图6可看出,低复杂度CS检测器不如ML检测器。图6是针对d2 = 85 cm(约为最小距离的1.5倍)绘制的,以适应“ Hann”窗的更大光束宽度。当IRS2中的元素间间距加倍时,以及使用窗口功能时,CS检测器的性能也会得到改善。
图7所示,可以通过增加RA的数量来提高CS检测器的性能。对于相同的RA数,随着 N 2 N_2 N2的增加,性能有所降低,但数据速率会增加。
图8中S2的 N T = 2 N_T=2 NT=2,三种方式的元件数量相同。在S3中, 2 × 2 2\times 2 2×2代替一个元件。因此,IRS2在S3中的有效尺寸为4×4,而在S1和S2的情况下为8×8。因此,由于IRS1中有更多的RS,因此S3的数据速率最低,而S2的数据速率最高。图例S3O1和S3O2分别代表两种优化方法的结果,即(8)和(11)的解。这两种方案的性能均优于S1和S2。这是因为由于优化,接收到的SNR有所增加。
图9显示了随着IRS1的RS( N T N_T NT)数量变化,在CS检测器下,应用方案3,不同数量的接收设备( N R N_R NR)的误码率变化。平均BER随着 N T N_T NT的增加而增加,这可以通过增加接收器的数量来减小。但 N T N_T NT的增加可使数据速率增加。在这种情况下,对于单个RS情况(相当于S1),数据速率为10 bpcu,而对于NT = 2、4、6和8,数据速率为14、23、30和36。
图10中,说明了信道估计误差的影响。图中显示了有和没有信道估计的平均BER。通过添加方差为 σ R 2 \sigma^2_R σR2的噪声来破坏真实的信道系数。可以看出,由于信道估计误差,S1和S2的性能均下降约2-3 dB,而S3的这一差距超过4 dB。这是因为在S3中,受污染的信道信息既用于优化又用于检测。
《Intelligent Reflecting Surface Assisted Beam Index-Modulation
for Millimeter Wave Communication》