STAR-RIS：即同时折射和反射可重构智能表面（simulta-neously transmitting and reflecting reconfigurable intelligent sur-face）

EC:为满足服务质量的要求所能维持的最大恒定可实现服务速率

1 摘要

本文研究了同时折射和反射的可重构智能表面(STAR-RIS)辅助非正交多址(NOMA)网络的性能，以支持超可靠的低延迟通信。采用有效容量(EC)作为度量来探索NOMA用户的延迟需求。具体而言，得到了分布于STAR-RIS的一对NOMA用户的网络的EC解析表达式。此外，在高性噪比斜率和高信噪比功率偏置下对EC进行渐进分析，数值结果表明：

（1）在高信噪比下，近用户(Un)的电子辐射系数呈线性增加，远用户(Um)的电子辐射系数趋于常数

（2）STAR-RIS 的使用提高了NOMA网络中Un和整个网络的EC。

（3）增加STAR-RIS元素的数量是改善Un和Um EC的有效策略。

2 系统模型

2.1 信道

本文为了刻画信道的统计特性，设定所有信道均为Nakagami-M衰落，并且假设所有用户均为单天线设备。

2.2信号

本文的模型中仅有对一单天线用户（近用户和远用户）

近用户接收到的信号：

远用户接收到的信号：

P为基站S的发射功率， , 分别为功率分配系数，并满足<,且+=1，和分别为star-ris的折射和反射系数矩阵，和为加性高斯白噪声

2.3用户位置

（1）近NOMA（Un）用户位于star-ris的正面，不仅可以接收基站S的信号，也可接受star-ris的反射信号

（2）远NOMA(Um)用户只能接受star-ris的折射信号

（3）hsr、hrn、hsn和hrm分别表示S−RIS、RIS−Un、S−Un和RIS−Um的信道系数（通信链路），所有信道均满足Nakagami-M分布，即hsn∼Nakagami(msn, 1)， hsr∼Nakagami(msr, 1)， hrn∼Nakagami(mrn, 1)和hrm∼Nakagami(mrm, 1)，其概率密度分布函数为

其中，为平均功率，为伽马函数，m为衰落参数。m=1时，上式退化为瑞利衰落；并且若一个随机变量是服从Nakagami-m分布的，那么它的模值的平方服从伽马分布，即：若是服从衰落参数为的Nakagami-m分布，则有，且的PDF（概率密度分布函数）为：

2.4信干噪比

（1）Un（近用户）首先解码Um的信号，然后采用SIC消除Um的信号解码自己的信号，过程如下

（2）Um（远用户）直接解码自己的信号

其中ρ为基站S发射信号的信噪比（SNR）

3 性能分析

3.1.Un的EC的表达式为：

，由于上式积分很难计算，故在本文作者提出了一种近似方法，具体过程不在此详细描述，可得:

其中A≜θTB/ln⁡2，T和B分别为块衰落信道的长度和带宽，，，

若在在高信噪比条件下，，我们可以用高信噪比功率和高信噪比功率偏移量来对Un的EC进行表征，并可得Un的EC的渐进表达式为：

其中为高信噪比斜率，为3dB高信噪比功率偏移量，为无穷小，为延迟中断概率，并由原文可知和的计算方式如下：

，

通过计算和分析可得：在star-ris辅助NOMA网络中，Un的高信噪比斜率和高信噪比功率偏移为：，

3.2.Um的EC表达式为：

，

由于上式积分也很难计算，故原文中采用的是通过给出的PDF（概率密度表达式），然后进行近似计算，最终可得Um的EC的解析表达式：

其中为star-ris中用于折射的元素数量，则代表的是伽马函数，

，，其中，，为各衰落信道的衰落参数。

和Un相同，在高信噪比条件下可以用高信噪比斜率和高信噪功率偏移量来对Um的EC进行表征，并可得Um的高信噪比斜率和高信噪功率偏移量分别为：，。

3.3.通过两者的EC表达式进行分析可得：

(1)EC与信道参数、QoS指数、功率分配系数和发射功率有关;

(2)在高信噪比下，Un的EC随发射功率线性增加，Um的EC保持不变;

4 仿真

上图证明了刚才在STAR-RIS N辅助OMA网络情况下为EC推导的表达式的准确性。第一点是在相同信噪比下，Un的EC性能优于Um。在ρ值高的地区，Un的这种优势更加突出。

详细描述:Un随ρ线性增加，Um随ρ增加收敛为常数，与分析结论一致。产生这些结果的原因是在NOMA情况下Un具有SIC的优势，与Um相比具有更大的SINR值。ρ→∞，γn→∞，γm→am/an。此外，为了比较OMA和NOMA情况下STAR-RIS的ECs，我们用红色曲线提供了OMA情况下所有用户和全网的EC曲线。从图中可以看出，Un和Um的ECs都随着单调增加，并与NOMA相比，Um的EC性能提高，Un的EC性能下降。并且很明显可以看出，对于STAR-RIS网络，NOMA情况下系统和EC较高，这意味着NOMA有利于提高STAR-RIS网络的EC。此外，与传统RIS网络的对比如图所示，蓝色曲线。传统的RIS网络是用两个RISs来说明的，每个RISs有20个元素，一个用于反射，另一个用于传输。可以注意到Un比传统RIS的EC较高，而Um与传统RIS网络相比差异不是很明显。其次，对于整个系统而言，STAR-RIS NOMA网络的EC显著大于常规RIS网络，即STAR-RIS NOMA网络可以根据实际情况调整反射和/或发射单元的数量，从而获得更高的性能。

除此之外作者还对QoS指数θ指数对有效容量EC的影响，star-ris 的元素数量对EC的影响进行了仿真，具体过程类似不在详细描述，最终的出结论为：

(1)θ越大意味着QoS延迟要求越严格，将导致EC越小,当θ增大时，Un和Um的ECs均有不同程度的下降，其中Un的下降更为明显。

(2)当STAR-RIS的元素数量较小时，ρ值对Um的EC影响较大。而当STAR-RIS的元素数增加到一定值时，Um的EC不再随着STAR-RIS的元素数增加，因为当Lm→∞，γm→am/an

阅读笔记-Effective Capacity Analysis of STAR-RIS-Assisted NOMA Networks相关推荐

论文阅读笔记 1.《Open Flow: Enabling Innovation in Campus Networks》（2022.12.22）
论文阅读笔记 1.<Open Flow: Enabling Innovation in Campus Networks>(2022.12.22) 一.论文主要内容二.对 OpenFlow ...
自监督论文阅读笔记 Urban feature analysis from aerial remote sensing imagery using self-supervised and semi-s
"Urban feature analysis from aerial remote sensing imagery using self-supervised and semi-super ...
[论文阅读笔记58]Learning from Noisy Labels with Deep Neural Networks：A Survey
1.题目 Learning from Noisy Labels with Deep Neural Networks: A Survey 作者团队:韩国科学技术院(KAIST) Song H , Kim ...
【论文阅读笔记】Ristretto： Hardware-Oriented Approximation of Convolutional Neural Networks
概念 MAC:multiplication-accumulation operations 2. Convolutional Neural Networks 2.2.1 Normalization l ...
论文阅读笔记《SuperGlue:Learning Feature Matching with Graph Neural Networks》
核心思想本文提出一种基于图神经网络的特征点匹配方法,把图像中的特征点看作图的节点,通过注意力机制聚合特征信息,得到用于匹配的特征向量.然后把匹配问题看作一个可微的最优运输问题(different ...
论文阅读笔记- Dremel
作者:刘旭晖 Raymond 转载请注明出处 Email:colorant at 163.com BLOG:http://blog.csdn.net/colorant/ 更多论文阅读笔记 http:/ ...
Gated Mechanism for Attention Based Multi Modal Sentiment Analysis 阅读笔记
GATED MECHANISM FOR ATTENTION BASED MULTIMODAL SENTIMENT ANALYSIS 阅读笔记最近在跟进多模态的情感分析发现多模态榜一又被刷下来了,这篇 ...
PrimeTime PX(Power Analysis) userguide阅读笔记
introduction 用PTPX的好处?作为前端设计人员来说,个人理解: averaged power analysis time-based power analysis power model ...
SIGCOMM论文Mobile access bandwidth in practice measurement, analysis, and implications阅读笔记
Mobile access bandwidth in practice: measurement, analysis, and implications阅读笔记这篇论文选自SIGCOMM2022 概 ...

阅读笔记-Effective Capacity Analysis of STAR-RIS-Assisted NOMA Networks

1 摘要

2 系统模型

3 性能分析

4 仿真

阅读笔记-Effective Capacity Analysis of STAR-RIS-Assisted NOMA Networks相关推荐

最新文章

热门文章