高速铁路车地间多跳协作通信仿真结果及分析

2023-08-23 理论教育版权反馈

【摘要】：在本节中，通过仿真的方式验证本章前面几节所提出的理论，并详细分析速度、位置、莱斯因子K和功率分配因子α对安全容量和BER性能的影响。图4.3DSSM与现存其他方法信道容量的比较在图4.4中，详细讨论了列车位置对图4.4的遍历性SC和图4.4的合作平均SC的影响。图4.6本文所提协作DSSM与集中式传统SM的信道容量比较图4.7显示了不同莱斯因子K和相关阴影衰落方差情况下，高铁的移动速度对DSSM系统误码率性能的影响。

在本节中，通过仿真的方式验证本章前面几节所提出的理论，并详细分析速度、位置、莱斯因子K和功率分配因子α对安全容量和BER性能的影响。此处设置RAU数目N=3，发射天线Nt=4，接收天线Nr=1，无线通信场景的一些其他参数设置为小区半径r=500m，规一化天线距离Δt=Δr=0.5，载波频率设置为fc=3.5GHz，阴影衰落相关系数为κ=0.82[99]。此外，将归一化为1。在比较单个变量时，设置其他变量固定如下：火车的速度v=350km/h，小区的覆盖半径r=250m和莱斯因子K=7dB。根据文献[99]中所述，莱斯因子这样的设置也意味着主要考虑的是高铁郊区的运营信道环境和高架桥场景下的无线信道环境。

pagenumber_ebook=73,pagenumber_book=66

图4.2　不同功率分配因子下的DSSM与传统SM信道容量的比较

不同功率分配因子在不同SNR下，本章所提出的协作分布式安全SM与常规SM的SC的比较如图4.2所示。首先，从图中可以看出，无论是在所提出的DSSM系统中还是传统的集中式SM系统中，SC都是一个关于功率分配因子α的凸函数。而且，在相同SNR下，较大的莱斯因子K可以获得较大的增益，并且由于强LoS的影响，最优功率分配因子的值也会发生变化。随着信噪比的增加，SC显著增加，而DSSM相比于传统集中式SM，其平均SC能够随着SNR的变化有更进一步的提升。另外，需要注意的是最佳功率分配因子会随着SNR的不同而变化，从图中可以看出，最优功率分配因子在低信噪比区域约为0.5，在高信噪比区域约为0.8，这是因为随着有效信号的增强，使得需要分配给有效信号的功率占比变大，人工噪声的作用不如直接提升有效信号直接。而随着信噪比的增加，最优功率分配因子α逐渐趋于稳定，并有趋于最大值1的趋势。

图4.3所示为所提出的JOSCA、文献[124]中提出的SLNR和MAX-PSAN以及文献[168]中常规SM的SC比较。由于没有了人工噪声的辅助，传统的SM在安全容量上的表现处于较低状态。而与文献[124]中集中式SM的MAX-P-SAN方法相比，可以看出本章所提基于JOSCA的算法具有更好的性能，这是因为在高铁场景下，DSSM受空间相关性的影响较小，而强时间相关性同时影响现存的集中式天线选择方案，所以相比之下，基于JOSCA的DSSM系统能够取得一个更好的SC性能。并且，通过比较发现当RAU的数量N=4时能够获得比3个RAU更好的SC性能，同样意味着DSSM适合高铁场景。此外，与典型α=0.5、0.7、0.9相比，由JOSCA计算的最优α值能使SC的性能进一步提高，而将所提出的JOSCA方法与N=3时的SLNR方法进行比较，可以看出所提出的JOSCA方法比现有的SLNR方法更适合于DSSM。

pagenumber_ebook=74,pagenumber_book=67

图4.3　DSSM与现存其他方法信道容量的比较

在图4.4中，详细讨论了列车位置对图4.4（a）的遍历性SC和图4.4（b）的合作平均SC的影响。假设两个CPU之间相互协作，通过确定发射功率的值，可以根据列车的位置和轨道与RAU的垂直距离得到接收机的信噪比。当SNR=10dB时，CPU1所控制的RAU1、RAU2和RAU3的自身SC随着列车的推进呈现不同的分布。显然，当列车与RAU的距离越近，对应的遍历SC值就越大，因为此时列车在发射机与接收机之间的无线传输过程中功率路径损耗最小，也就是说，随着RAU与列车距离的增大，由于路径损耗的影响，遍历SC会逐渐减小。因此，本章所提DSSM系统考虑将一个CPU控制的所有RAU进行协作传输，得到的平均SC将在所形成的虚拟小区中心达到峰值。同时，虚拟小区可以由任意三个RAU构成，例如CPU1的RAU2和RAU3可以与CPU2的RAU1协作组成下一个虚拟小区，随着列车位置的变化，在CPU1原本所构成的小区边缘处，最近的三个RAU协作传输使得系统平均SC的性能能够一直保持在较高水平。

pagenumber_ebook=75,pagenumber_book=68

图4.4　本文所提DSSM与集中式传统SM的BER比较

在图4.5中，与文献[168]中的集中式SM相比，可以看出，由于阴影衰落和路径损耗的巨大差异所导致的空间增益，所提出的DSSM在任何地方都带来了更好的误码率性能，这与SC性能不同。然后，随着列车的推进，越近的多个RAU可以协同工作，构建虚拟小区1和虚拟小区2。因此，当基于最小误码率的切换点与基于最大SC的切换点非常接近时，协作DSSM的误码率性能也保持了很高的值，这意味着该DSSM不仅保持了SC性能，而且在铁路沿线也保持了较高的误码率性能。

pagenumber_ebook=76,pagenumber_book=69

图4.5　本文所提协作DSSM与集中式传统SM的信道容量比较

图4.6显示了所提出的LCEA、现有的分布式SSK（DSSK）算法、ANLNR算法和SNR=10dB时的共同均匀分配之间的比较。通过对误码率的累积分布函数分析，左侧位置越高的线路误码性能越好，达到较低误码率的概率越高。显然，DSSK凸性方法使得Bob具有最佳的BER性能，而本章所提出的LCEA、ANLNR凸优化算法和均匀分配算法的性能依次降低。然而，由于功率完全分配给了有效信号而没有考虑人工噪声的辅助，因此DSSK凸优化算法中的Eve也能够获得跟Bob端一样的性能。而比较其他考虑人工噪声的算法，与ANLNR凸优化算法和均匀分配算法相比，本文所提出的LCEA算法具有更高的Bob误码率增益，并保持了对Eve的限制。此外，LCEA算法是基于所提出的JOSCA的计算，这意味着这两种功率分配方案共同优化了SC和BER的性能。

pagenumber_ebook=77,pagenumber_book=70

图4.6　本文所提协作DSSM与集中式传统SM的信道容量比较

图4.7显示了不同莱斯因子K和相关阴影衰落方差 pagenumber_ebook=77,pagenumber_book=70 情况下，高铁的移动速度对DSSM系统误码率性能的影响。在DSSM系统中，来自不同RAU的信号在高速移动情况下会带来不同的路径损耗，增加了多普勒频移的影响，从而使得接收端所接收到信号的SNR损失增大，这与传统集中式SM的结果相差不大。可以看出，考虑到信噪比的损失，莱斯因子K的值越高，意味着LoS分量越多，信道与信道之间的差异性就会越小，而使得接收端检测准确率降低，从而导致BER的增加。而且，考虑莱斯因子K相同的情况下，相关阴影衰落系数的方差 pagenumber_ebook=77,pagenumber_book=70 越大，辨识度就越低，因为每个天线对应的通道随路径增加的变化就越大，而这些参数的变化，在SC变化中的影响是相反的。

pagenumber_ebook=78,pagenumber_book=71

图4.7　不同K和 pagenumber_ebook=78,pagenumber_book=71 条件下速度对DSSM误码率性能的影响

从理论上讲，在高铁混合信道中，速度越快，DFS越大，会对检测时的信噪比损失和时间相关产生影响。由图4.8可以看出，列车的高机动性降低了DSSM系统SC的性能，特别是考虑到DFS使得接收端处的SNR损耗较大。在检测端的SNR损失对系统SC性能的影响甚至超过了空时间相关性对其性能的影响。同时，阴影区域障碍物较多使得信号衰减较大，而方差 pagenumber_ebook=78,pagenumber_book=71 越小，多个障碍物之间的阴影衰落相关性就越大，而SC损失值也越大。然而，在较大的莱斯因子区域，SC的性能受SNR损失的影响往往更大，这与不同功率分配情况下的仿真结果一致。

如图4.9所示，设置莱斯因子K从-10dB到15dB，表示覆盖多个高铁场景，当信噪比分别为10dB和20dB时，研究SC和BER两个行性能之间的权衡。在高铁场景中，强LoS分量意味着障碍物少，散射分量少，前者增强了接收信号，后者降低了多径增益。因此，与SC相反，较大的莱斯因子K降低了误码率的性能。从图中可以看出，当莱斯因子K约为7dB以后，SC的性能没有提高，而BER的性能则随着莱斯因子K的增加而大幅度下降。所以，可以很轻易地找到使得BER性能和SC性能都维持在较高水平的平衡点。而根据实际研究，高铁场景下高架桥周边的莱斯因子值接近K=7dB，这意味着高架桥场景下的DSSM可以达到BER和SC两种性能更好的平衡。

pagenumber_ebook=79,pagenumber_book=72

图4.8　不同K和 pagenumber_ebook=79,pagenumber_book=72 条件下速度对DSSM安全容量性能的影响

pagenumber_ebook=79,pagenumber_book=72

图4.9　不同莱斯因子和SNR条件下DSSM与SM性能的均衡

高速铁路车地间多跳协作通信仿真结果及分析

相关推荐