英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
译文
具有不完全SIC和非线性EH特征的
大规模无线接入的蜂窝物联网
摘要 我们研究了在拥有大量不同接入设备的蜂窝物联网中同步的无线信息和能量传输问题，比如：信息解码设备、EH（energy harvesting）设备和混合设备。我们考虑到一个实际的蜂窝物联网场景，其中，IOT（Internet of Things）设备有一个非线性的EH接收器，并且因为有限的能力而呈现出不完全的SIC（successive interference cancellation）。我们利用多天线基站的优点来提高信息传输和功率传输的效率。除此之外，我们提议将优化空间波束、发射功率和功率分类比综合考虑起来，来缓解非线性EH和不完全的SIC的影响。为此，我们分别从加权和率最大化和总功耗最小化的角度设计了两种有效的算法，最后，仿真结果也验证了所提算法是有效的。
关键词 IOT、SIC、非线性EH模型、SWIPT
介绍
随着物联网的发展，大量的物联网设备接入无线网络来提供各种各样的应用，比如说智慧城市、工业物联网等等[1][2]。据估计到2020年物联网设备将会到达204亿。在此背景下，作为世界上最大的无线网络，即将到来的5G网络需要给大量的IOT设备提供无缝接入点[3]，因此3GPP将蜂窝物联网作为5G网络的关键组成部分[4]。
不同于传统的无线网络，5G蜂窝物联网有几个新的特征，比如说大量的接入设备、有限的无限资源、差异化的QoS(quality of service)、受能力约束的物联网设备[5]。表面上看，这些特征可能是相互作用甚至是相互冲突的，比如说，在有限的无线电频谱上实现大规模访问并非易事。传统的OMA（orthogonal multiple access）技术，比如说TDMA和频分多址技术，将一个时频资源块分配给一个唯一的设备，这导致产生了较低的频谱效率，而且OMA技术限制了接入设备的数量。近年来，非正交多址技术（nonorthogonal multiple access technology）作为一个有希望去改善SE现象的技术，在即将到来的5G网络中收到了极大的关注[6]-[9]。NOMA的主要原理是讲不通的发射功率分配给多个用户，因为是在功率域中进行区分，从而使这些用户可以共享相同的物理资源进行传输，例如时隙、频宽或者是传播码[10]。可以很直观的看出，NOMA不可避免的导致了用户间的干扰，从而导致严重的性能下降[11]，因此实现大规模的NOMA的关键是有效的减少用户间的干扰。一般来说，SIC是一种常用的消除设备干扰的方法。具体来说，具有强通道增益的器件首先对与该器件相关的弱通道增益的干扰信号进行解码并消除接收信号中的干扰，之后对所需要的信号进行解调[12]。 在具有大规模连接量的蜂窝物联网中，信号在经过SIC后的残余干扰仍然很高而且SIC过程包含较高的计算复杂度，这使得使得SIC很少被使用。更严重的是，由于物联网设备大多是能力受限的节点，在SIC过程中可能出现解码错误，从而导致额外的干扰[13]。需要注意的是在后续的干扰抵消过程中，残余干扰可能会导致大概率的解码错误，及造成错误的传播，因此，在实际的蜂窝物联网中，不完全SIC是一个不可避免的问题。为了缓解不完全SIC对蜂窝物联网大规模接入的影响，有必要对不完全SIC造成的剩余干扰进行建模。然而，由于不完全的SIC是由多种多种因素决定的，如器件性能、信号质量、通道条件等，所以说对其建模仍然是一个有待解决的问题。在[16]中，我们首次尝试建立一个线性模型来研究不完全SIC的影响，此外，这些设备通常被划分为几个集群，但SIC仅在一个集群中执行[17][18]。一方面，用户聚类可以减少SIC后的残余干扰；另一方面，用户聚类可以减少各个IOT设备执行SIC的负担，降低不完全SIC解码错误的概率[19]。
除了频谱限制之外，功率限制也是蜂窝物联网的一个关键问题[20]。一般来说，大多数的物联网设备的电池容量都很小，因此，电池应经常充电或更换。但是，频繁的电池充电或替换对于大量的物联网设备而言会消耗较高的成本。特别是在某些特定的环境下，比如说墙内或者水下设备，电池充电是非常困难的。为了解决这一问题，基于射频信号的无线功率传输即无线充电被应用到蜂窝网络中[21][23],射频信号的电磁能量被手机并转化为物联网设备的电能。由于射频信号的广播特性，可以同时向多个设备充电，因此，无线功率传输尤其适用于蜂窝物联网网络，更重要的是，信息和功率可以基于相同的射频载波进行传输[24]-[27]。值得指出的是，现有的研究大多采用现有的研究大多采用线性EH模型，即在忽略EH接收端的电路饱和限制和电路参数的影响下，采集的能量是接收射频信号输入功率的线性函数[28][29]。事实上，实际的EH电路往往表现出非线性的特征。因此，基于[30]中的逻辑函数，对实测数据进行拟合，建立非线性EH模型。与非线性的EH模型相比，线性的EH模型在实际应用中可能会导致显著的性能下降。此外，由于物联网设备具有不同的EH1参数，固定的无线功率传输会进一步降低效能，因此，需要根据信道条件和EH参数来设计无线充电方案。
为了解决不完全SIC和非线性EH这两个实际问题在蜂窝物联网中存在，本文提出了一种大规模的同时具有无线信息和功率传输的NOMA方案。具体来说，本文从优化空间波束、发射功率、PS（power splitting）比来缓解SIC不完善和非线性EH的影响。这篇文章的贡献有以下三方面：
（1）我们研究了蜂窝物联网中SIC不完善的实际问题，特别是在长期测量的基础上，我们将SIC建模为系数，便于定量分析，有效缓解了不完全SIC的影响。
（2）在蜂窝物联网中，我们使用了实际的非线性EH模型来代替线性的，特别是，我们考虑了一个一般的场合，即在同一个集群中有仅用于ID（information decoding）、仅用于EH和混合功能这三个接收模式的物联网UE（user equipment）。
（3）我们分别从最大加权率和最小总功耗的角度出发，通过结合优化空间波形形成、发射功率和PS比提出了两种优化算法。
本文的其余部分概述如下。第二部分简要介绍了蜂窝物联网网络。第三节主要介绍空间波束、发射功率和PS比的联合设计算法。第四部分给出了几个仿真结果来验证所提算法的有效性。第五部分是本文的结论。
符号:我们使用黑体的上(下)标字母来表示矩阵(列向量),()H表示共轭转置,E[]表示期望,var()表示方差,||||表示矢量的L2-norm, ||表示绝对值,tr()来表示的一个矩阵,和Rank()表示矩阵的秩。
系统模型
让我们考虑一个如图1所示的蜂窝物联网网络，其中有一个带有Nt天线的BS（base station）向K个单天线物联网用户广播消息。为了在有限的无线电频谱上实现有效的大规模访问，采用了用户聚类和空间波束形成相结合的天线NOMA技术。特别地，在空间域内，将UEs划分为多个集群去实现系统性能与实现复杂性之间的平衡。同一簇内的UEs共用一个空间波束来消除簇间干扰，而SIC在簇内进行从而减少簇内干扰。
图 1 蜂窝物联网网络模型
在不失一般性的前提下，我们假设有K个UEs被划分为M个簇，第M个簇内包含Nm个UEs，UEs可以再是那种不同模式下工作，即ID、EH、和混合模式。ID模式直接读接受到的信号，而EH模式只从接收到的信号中获取能量。此外，混合模式的UEs将接收到的信号分成两个组件，一个用于ID，另一个用于EH。如图 1 所示，PS接收机架构部署在混合模式UEs，从而混合模式UEs接受到的射频信号的被功率分配器按照的比例分为两个部分，其中0lt;rho;lt;1，是PS的比例。1-rho;比例的射频信号输入到EH接收机，其余rho;比例的发送到ID接收器，假设有ID模式下的UEs, EH模式下的UEs,还有混合模式下的UEs，即= 。由于id模式和混合模式都需要恢复信息，因此我们称它们为信息UEs。类似地，我们把EH模式的UEs和混合模式的UEs称为能量UEs。为了简化表达式，根据UEs的通道增益的适当顺序，我们定义作为混合模式下的下标集合；作为信息UEs下的下标集合；，其中表示信息UEs的数量，是能量UEs的个数。
在本文中，我们假设信道在一个时隙中保持不变，但是在时隙中独立地衰减。在每个时隙的开始，通过估计或反馈，BS能够获得完整的信道状态信息(CSI)。在现有CSI的基础上，BS首先进行叠加编码，实现K个 IoT UEs之间的海量频谱共享。一般来说，这样一个庞大的NOMA系统的叠加编码包含两轮，即、功率分配和发射波束形成。首先，BS为第m个集群构建传输信号xm：
（1）
sm,n是高斯分布信号的单位规范第n个UE在第m个集群中,alpha;m,n是集群内功率分配因子并有以下约束:
（2）
注意，集群内功率分配用于协调集群内干扰，从而提高了性能。然后，BS将总发射信号x构造为：
（3）
其中wm是为基于CSI的第m个簇设计的Nt个发射波束。最后，BS通过下行信道广播信号x。因此，第m个簇中第n个UE处接收到的信号可以表示为：
（4）
其中表示Nt个通道矢量从BS到第n个UE在第m个集群,是加性高斯白噪声(AWGN)和方差。在ID模式和EH模式下的UEs，接收信号ym,n直接用于ID和EH。对于混合模式下的UEs，对接收到的信号进行PS，因此, 信号用于ID和EH的部分分别为和 。
在包括id模式UEs和混合模式的UEs在内的信息UEs中，采用SIC来减少非正交传输引起的簇内干扰。在实践中，每个UE都知道自己的有效渠道增益用于相干检测的信道估计[14][15]。因此，UEs可以通过上行通道将有效信道增益传递给BS，而BS决定每个簇中有效信道增益的顺序，并通过下行通道通知UEs。假设第m个簇的有效信道增益顺序如下:
(5)
然后，根据SIC原理，第个信息UE首先对与第到第个信息UEs有关的干扰信号进行解码并消除。如果SIC处理得很好，则可以完全消除来自通道增益较弱的UEs的簇内干扰。但在实际系统中，由于物联网业务的硬件限制、信号质量低等因素，可能会出现弱干扰信号的解码错误。因此，即使在SIC之后，仍然存在弱UEs的残余干扰。一般情况下，SIC不完善引起的残余干扰是一个复杂的多因素函数，如编码/调制相关参数、信道相关问题(衰落和阴影)、设备/硬件/电池相关限制等。此外，由于不完全碳化硅的误差传播特性，很难对不完全碳化硅的影响进行建模。在[16]中，给出了不完全碳化硅影响的线性模型。在此不完全SIC模型下，ID的第m个簇中第n个信息UE处的后SIC信号可以有：
其中和被用来区分UEs的模式，他们可以而被定义为：
(7)
此外, 可以通过长期的测量到变量表示的系数不完善的SIC 在第n个信息UE的第 m簇。1 sim;(0,)表示造成的基带AWGN射频带基带信号转换,表示噪声功率。因此，在信息UEs的ID接收者处接收到的信噪比可以表示为：
（8）
其中只是一个辅助参数，有
（9）
注意,辅助参数代表不完全SIC的影响无线移动物联网供电网络的设计。首先,我们使用参数= 1,forall;j = m和igt;n代表不能执行SIC某些物联网设备情况。第二,我们在理想情况下完全SIC让= 0,forall;j = m,igt; n。最后,如果物联网设备执行SIC但原文如此不完美,参数在(0,1)范围。因此，所采用的模型适用于碳化硅的各种情况。然后，能量风场EH接收机接收到的射频信号，包括EH模态UEs和混合模态UEs，可以表示为
（10）
其中
（11）
因此，EH接收机在能量UEs处的输入射频功率为
（12）
若采用传统的线性EH模型，则UEs处的收获能量可表示为
（13）
图 2线性EH模型(13)和非线性EH模型(14)的收获功率比较
其中isin;(0,1)描述了能量转换效率。一般来说，对于传统的线性EH模型，能量转换效率与能量接收器(ER)的输入功率电平无关。然而，EH电路在实际应用中表现出非线性特性。换句话说，在ER处收获的总能量与接收到的射频功率不是线性正比的。具体来说，射频能量转换效率在低功率区域随着输入功率的增加而提高，但当功率足够大时，收获的能量将趋于饱和。从直观上可以看出，传统的线性EH模型并不准确，特别是当接收功率较大时，会造成严重的性能损失。因此，为了准确地分析和优化性能，我们根据之前的相关工作[30]，采用非线性EH模型获取实际EH电路的动态射频能量转换效率，该模型
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[423867]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
