科研笔记—Ergodic Rate Analysis of STAR-RIS Aided NOMA Systems


星型智能反射面辅助NOMA系统的遍历率分析 原文链接

1 STAR-RIS

全称(Simultaneously transmitting and reflecting reconfigurable intelligent surface),星型智能反射面。
特点:覆盖范围可达到360°;可以同时反射(reflection mode)和折射(refraction mode)
STAR-RIS具体可参考这篇文章

2 摘要

本文分析了一个同时发射和反射的可重构智能表面(STAR-智能反射面)辅助非正交多址(NOMA)系统的遍历速率。
在该系统中,由于障碍物,从基站到小区边缘用户的直接链路是非视距链路,而STAR-智能反射面用于向这些小区边缘用户提供视距链路。 通过将复合信道功率增益的分布拟合为Gamma分布,导出了小区边缘用户的遍历率和高信噪比斜率的闭式表达式。
数值结果表明:

  • (1)各态历经率随星智能反射面元素数目的增加而增加,高信噪比斜率固定为常数;
  • (2)STAR-智能反射面辅助NOMA系统比传统的智能反射面辅助NOMA系统具有更高的遍历率。

3 系统模型

系统模型

3.1 信道

为了刻画实际快速衰落信道的统计特性,考虑了一种更实际的信道,如Nakagami-M衰落。 该系统的信道模型用Gamma分布模拟,便于多小区性能分析。

3.2 用户位置

我们利用齐次泊松点过程来建模用户的位置。
近场用户与远场用户的** 概率密度函数 (PDF:probability density function)**分别为
f d near  ( x ) = ∂ ∂ x π x 2 π R 1 2 = 2 x R 1 2 f_{d_{\text {near }}}(x)=\frac{\partial}{\partial x} \frac{\pi x^2}{\pi R_1^2}=\frac{2 x}{R_1^2} fdnear (x)=xπR12πx2=R122x
f d f a r ( x ) = ∂ ∂ x π ( x 2 − R 1 2 ) π ( R 2 2 − R 1 2 ) = 2 x R 2 2 − R 1 2 f_{d_{f a r}}(x)=\frac{\partial}{\partial x} \frac{\pi\left(x^2-R_1^2\right)}{\pi\left(R_2^2-R_1^2\right)}=\frac{2 x}{R_2^2-R_1^2} fdfar(x)=xπ(R22R12)π(x2R12)=R22R122x

3.3 ES(Energy Splitting)能量分裂协议

具体看作者的另一篇文章,有具体描述和时间切换(TS:time switching)、**模式切换(MS:mode switching )**对比。
在这里为了避免ES协议改变连续干扰消除(SIC)的排列顺序 ,反射系数和折射系数分别为 β n r f l \beta_n^{rfl} βnrfl β n r f r \beta_n^{rfr} βnrfr,且 β n r f l + β n r f l = 1 \beta_n^{rfl}+\beta_n^{rfl} = 1 βnrfl+βnrfl=1

3.4 NOMA

为了最大化每个用户的增益并考虑单播传输,考虑采用NOMA用户对,近场用户采用SIC,远场用户直接解码信号。
在这里功率分配系数分别为 α n e a r \alpha_{n e a r} αnear α f a r \alpha_{far} αfar,且 α n e a r + α f a r = 1 \alpha_{near}+\alpha_{far}=1 αnear+αfar=1

3.5 信道模型

基站BS通过STAR-RIS到用户UE的反射与折射信道为
∣ h r f l ∣ = ∣ H R U r f l T Θ r f l H B R ∣ , ∣ h r f r ∣ = ∣ H R U r f r T Θ r f r H B R ∣ \left|h_{r f l}\right|=\left|\mathbf{H}_{\mathbf{R U}}^{\mathrm{rfl}}{ }^T \boldsymbol{\Theta}_{\mathbf{r f l}} \mathbf{H}_{\mathrm{BR}}\right|,\left|h_{r f r}\right|=\left|\mathbf{H}_{\mathbf{R U}}^{\mathrm{rfr}}{ }^T \boldsymbol{\Theta}_{\mathbf{r f r}} \mathbf{H}_{\mathbf{B R}}\right| hrfl=HRUrflTΘrflHBR,hrfr=HRUrfrTΘrfrHBR

Θ r f l \Theta_{\mathbf{r f l}} Θrfl Θ r f r \Theta_{\mathbf{r f r}} Θrfr为对角相移矩阵; H R U r f l \mathbf{H}_{\mathbf{R U}}^{\mathrm{rfl}} HRUrfl等为反射用户与BS之间信道

3.6 信干噪比

对于近场用户,采用SIC;远场用户采取直连。
γ near  S I C = P t a far  ( d near  2 + H 2 ) − α 2 d B R − α ∣ h k ∣ 2 P t a near  ( d near  2 + H 2 ) − α 2 d B R − α ∣ h k ∣ 2 + σ 2 , γ near  = P t a near  ( d near  2 + H 2 ) − α 2 d B R − α ∣ h k ∣ 2 σ 2 , γ far  = P t a far  ( d far  2 + H 2 ) − α 2 d B R − α ∣ h j ∣ 2 P t a near  ( d far  2 + H 2 ) − α 2 d B R − α ∣ h j ∣ 2 + σ 2 , \begin{aligned} \gamma_{\text {near }}^{S I C} &=\frac{P_t a_{\text {far }}\left(d_{\text {near }}^2+H^2\right)^{-\frac{\alpha}{2}} d_{B R}^{-\alpha}\left|h_k\right|^2}{P_t a_{\text {near }}\left(d_{\text {near }}^2+H^2\right)^{-\frac{\alpha}{2}} d_{B R}^{-\alpha}\left|h_k\right|^2+\sigma^2}, \\ \gamma_{\text {near }} &=\frac{P_t a_{\text {near }}\left(d_{\text {near }}^2+H^2\right)^{-\frac{\alpha}{2}} d_{B R}^{-\alpha}\left|h_k\right|^2}{\sigma^2}, \\ \gamma_{\text {far }} &=\frac{P_t a_{\text {far }}\left(d_{\text {far }}^2+H^2\right)^{-\frac{\alpha}{2}} d_{B R}^{-\alpha}\left|h_j\right|^2}{P_t a_{\text {near }}\left(d_{\text {far }}^2+H^2\right)^{-\frac{\alpha}{2}} d_{B R}^{-\alpha}\left|h_j\right|^2+\sigma^2}, \end{aligned} γnear SICγnear γfar =Ptanear (dnear 2+H2)2αdBRαhk2+σ2Ptafar (dnear 2+H2)2αdBRαhk2,=σ2Ptanear (dnear 2+H2)2αdBRαhk2,=Ptanear (dfar 2+H2)2αdBRαhj2+σ2Ptafar (dfar 2+H2)2αdBRαhj2,
P t P_t Pt为用户的传输功率; σ 2 \sigma^2 σ2为AWGN信道噪声的方差; α \alpha α为路径损耗指数。当近场用户为反射用户时,k=rfl and j=rfr;当近场用户为折射用户时,k=rfr and j=rfl。

4 仿真

4.1 遍历率分析

遍历率表示平均可达速率。 R near  = E [ log ⁡ ( 1 + γ near  ) ] u ( γ near  S I C − γ th  S I C ) , R far  = E [ log ⁡ ( 1 + γ far  ) ] , \begin{aligned} R_{\text {near }} &=\mathbb{E}\left[\log \left(1+\gamma_{\text {near }}\right)\right] u\left(\gamma_{\text {near }}^{S I C}-\gamma_{\text {th }}^{S I C}\right), \\ R_{\text {far }} &=\mathbb{E}\left[\log \left(1+\gamma_{\text {far }}\right)\right], \end{aligned} Rnear Rfar =E[log(1+γnear )]u(γnear SICγth SIC),=E[log(1+γfar )],
E \mathbb{E} E为期望函数; u ( t ) u(t) u(t)为阶跃函数; γ th  S I C \gamma_{\text {th }}^{S I C} γth SIC为SIC阈值。

猜你喜欢

转载自blog.csdn.net/qq_40843903/article/details/127894327