为了进一步了解结果,下面对一些特殊情况进行分析,以反映诸如天线数量、DAC量化位数和发射功率等因素对可实现和速率的影响。接下来将从功率的角度进一步讨论理想CSI下可实现和速率的潜力,并提出广义功率缩放定律和功率分配方案以改善传输性能。......
2023-08-23
在实际的多用户中继辅助大规模MIMO通信系统场景中,由于配备了低精度DAC,通常很难获得理想的信道状态信息。因此在本节中,将系统可实现和速率的分析扩展到具有非理想CSI的信道环境中。
定理5.3:莱斯衰落信道条件下,对于具有低精度DAC的多用户中继辅助大规模MIMO下行链路,系统中可实现和速率可以近似表示为
其中的表达式为
证明:与理想CSI情况下类似,根据文献[173]中的引理5,矩阵任意两行的内积范数的期望为
定理5.3给出了非理想CSI下可实现和速率的闭式表达式。当莱斯因子接近零时,式(5.47)会降为非理想CSI下的瑞利衰落信道情况。然而,当莱斯因子接近无穷大时,,且
。这反映出在其他参数不变的情况下,当莱斯因子足够大时,非理想CSI下的可实现和速率将趋于固定值。该结论与理想CSI下的可实现和速率值一致,这表明在只有视距分量的信道中,无论CSI的质量如何,可实现和速率将趋于相同的固定值。
与推论5.3类似,随着传输功率的增加,非理想CSI下的可实现和速率将受到信号间干扰的限制。注意到信道估计误差主要受导频传输功率pp和中继DAC量化位数b2的影响。若中继采用高精度DAC量化,即b2→∞,于是,此时影响信道估计误差的主要因素是导频传输功率。当pp接近无穷大时,有
,于是可以得到如下推论:
推论5.5:当导频传输功率pp和中继处DAC量化位数b2趋近于无穷大时,式(5.48)可进一步近似为
推论5.5表明,增加导频传输功率和DAC量化位数可以有效提高信道估计的准确度。另外,推论5.5的结果是理想CSI情况下在b2→∞时的特例。
有关高速铁路车地间多跳协作通信技术的文章
为了进一步了解结果,下面对一些特殊情况进行分析,以反映诸如天线数量、DAC量化位数和发射功率等因素对可实现和速率的影响。接下来将从功率的角度进一步讨论理想CSI下可实现和速率的潜力,并提出广义功率缩放定律和功率分配方案以改善传输性能。......
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
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。......
2023-08-23
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
衡量协作通信系统性能的指标有很多,如中断概率、误码率、频谱效率、能量效率等。由于有无中继的分析方法类似,因此这里以图2.5所示的大规模MIMO下行链路为例,对几个常用的性能指标进行详细分析。图2.5所示系统中的基站天线数为M,用户数为K,基站与用户之间的信道响应为G∈CK×M。于是,用户接收到的信号为图2.5大规模MIMO系统模型其中,PS为基站的发射功率;nU∈CK×1为用户处均值为零、方差为N0的加性高斯白噪声。......
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
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