由于精确的误比特率难以获得,本文通过推导成对差错概率来获得平均误比特率的上界。在瑞利道下,类似文献[158]相关的推导,得到Bob的接收误比特率为其中,为发射端与Bob的信道系数方差。对于Eve,可以将人工噪声表达为信道噪声的一部分,从而Eve接收误比特率为考虑到实际情况下,Eve端无法得到反馈的CSI。因此,对于Eve来说,最终的误比特率可以近似表示为[163]......
2023-08-23
在推导了高铁场景下系统安全容量的基础上,本文基于最大化安全容量对空间调制索引天线进行选择,提出了一种联合天线选择和功率分配算法JOSCA,以找出最优的功率分配因子和最优的索引天线组合。JOSCA算法如表4.1所示,设RAU的个数为3,则需要确定最优发射索引天线和最优发射人工噪声天线。首先固定功率分配因子α,然后遍历所有的天线组合,能够得到当前功率分配因子下的发射人工噪声最优天线组合,即第二个RAU的第k2根天线和第三个RAU的第k3根天线。然后基于原本选定的第一个RAU用来发射调制符号的索引天线与得到的最优天线组合计算当前天线下最优的功率分配因子,第i个RAU的遍历SC显然是功率分配因子α的函数,该函数定义为f(α),由第三章的内容可知,f(α)为凸函数。最后,通过求导的方式计算f(α)的极值,求解的公式与(3.42)一致。
表4.1 基于最大化安全容量的联合天线选择和功率分配算法
2.基于拉氏乘子法的功率分配方案
通过JOSCA算法能够选取出使得系统安全容量达到最优的发射天线和发射功率,根据安全容量的闭式表达式,可以发现,不管发射人工噪声的RAU的功率如何进行分配,都不会影响最终的发射天线的选择和发射有效信号功率分配因子的求解,所以可以对发射人工噪声的功率进一步分配以明确冗余的RAU分别使用多大的功率。同时,由于系统安全容量不受具体分配的影响,我们可以利用进一步的功率分配来进一步增大合法接受者和窃听者误码率性能的差距。由此,我们在JOSCA算法的基础上进一步提出了LCEA算法来优化系统的误码率性能。如表4.2所示,首先根据JOSCA算法得到的发射有效信号的功率分配因子α和RAU的个数N,设置拉格朗日乘子法的方程个数为N-1。然后,确立优化目标为协作分布式空间调制系统的欧式距离之和,设立约束条件φ=1-αn1-α2-α3和拉格朗日乘子λ,然后将约束条件和优化目标代入拉格朗日方程组进行求解,得到冗余RAU各自的发射人工噪声的功率分配因子α2,α3。
表4.2 基于拉格朗日乘子法的人工噪声功率分配因子求解算法
有关高速铁路车地间多跳协作通信技术的文章
由于精确的误比特率难以获得,本文通过推导成对差错概率来获得平均误比特率的上界。在瑞利道下,类似文献[158]相关的推导,得到Bob的接收误比特率为其中,为发射端与Bob的信道系数方差。对于Eve,可以将人工噪声表达为信道噪声的一部分,从而Eve接收误比特率为考虑到实际情况下,Eve端无法得到反馈的CSI。因此,对于Eve来说,最终的误比特率可以近似表示为[163]......
2023-08-23
系统的SC为合法信道容量与窃听信道的信道容量的差值其中,P表示传输功率;表示合法信道的噪声方差;表示窃听信道的噪声方差。反之,则系统的SC为0,不具备保密能力,无法实现信息的安全传输。当信道为复加性高斯白噪声信道时,系统的SC为2.误比特率性能分析SM信号经过MLD算法检测后,由于精确的误比特率难以获得,本文通过推导成对差错概率来获得平均误比特率的上界。......
2023-08-23
考虑高铁场景下,基于IRS辅助的空间调制下行传输系统。图7.1智能表面辅助的高铁空间调制系统图将调制载波信号从基站端发射至车载接收端有两条路径,分别为基站端直接传至高铁车载接收端,其信道服从空时相关的莱斯分布,与第4章中所用的衰落一致;另外一条路径为经过IRS反射之后到达车载接收端,可以分为两段,第一段为莱斯衰落,第二段需要将空时相关性、IRS反射相位等综合考虑。......
2023-08-23
则BS和IRS之间的信道矩阵被建模为其中,是BS-IRS链路中第n条路径的复信道增益,an和bn是与传统毫米波信道相似的第n条传播路径的接收和发送阵列响应向量,分别表示为其中,λ是毫米波波长;表示与均匀天线阵列中相似的单元距离。对于IRS和用户之间的毫米波信道,由于IRS密集分布在传输路径中,因此视距传输较为集中,这使得散射路径可以忽略[81]。......
2023-08-23
接下来,我们将关注问题的多预编码矩阵联合优化问题,其中等价目标函数通过以下过程重新制定,以适应基本ADMM解决方案框架。近似解可计算为为了确保优化结果满足功率约束,需要通过求解子优化问题来额外计算松弛的数字预编码矩阵,其拉格朗日函数由下式给出:其中,ε≥0为拉格朗日乘子。......
2023-08-23
本节将通过仿真来验证所提出抗干扰方案的优势和性能。如表7.1所示,部分DNN训练集的输入输出参数经过模型训练后能够得到预测结果,关于DNN模型的相关参数隐藏层的个数为6层,经过调试,将各层神经元的个数设置为500,1000,1500,2000,800和300。图7.8存在干扰机时,不同速度下的误码率比较图7.9分析了不同IRS到用户的距离下,误码率受莱斯因子和IRS天线个数以及SNR的影响比较。......
2023-08-23
相关推荐