LDM技术在未来无线用户-IoT配对中的应用与性能分析

### LDM技术在未来无线用户 - IoT 配对中的应用与性能分析 #### 1. 农村网络配置与LDM应用背景 农村地区网络配置的一个重大变化是使用大覆盖区域的小区。这种大蜂窝覆盖区域使得用户 - IoT 配对更加可持续，即使两个接收设备都处于移动状态。不过，下层链路（LL）的设计对于广泛覆盖区域更为关键，也更容易受到信道条件的影响。但农村地区变化缓慢的特点有利于进行更好的信道预测，因此上层链路（UL）和 LL 可以在这种场景下为 IoT 和用户组合提供服务。 接下来介绍一种在标准正交频分复用（OFDM）模型中采用层分复用（LDM）的物理层收发器框架。该模型用于两层 LDM 传输，其中 UL 为 IoT 设备服务，LL 为用户服务。 #### 2. 采用LDM的收发器框架 - **发射机框架与LDM叠加**： 在发射机端，UL 和 LL 数据的处理是并行进行的。两层可以有不同的传输比特率和不同的正交幅度调制（QAM）调制尺度 M。UL 的比特率较低，因此 M 也较低，而 LL 则相反。但 M 的选择要使得 UL 和 LL 的 QAM 符号数量相等。 下一步进行 LDM 叠加，得到相同数量的 LDM 符号。在叠加过程中，LL 符号的功率会降低，以使其在总发射功率中占较小的功率部分，总发射功率与任何单核心传输相同。LDM 叠加由以下方程表示： \[X(k) = X_{UL}(k) + g X_{LL}(k)\] 其中，\(X(k)\) 表示第 k 个子载波的 LDM 符号，\(g\) 是层间功率比，\(X_{UL}(k)\) 和 \(X_{LL}(k)\) 分别表示第 k 个子载波的 UL 和 LL 符号。 - **信道模型**： 一个单业务信道为用户 - IoT 配对设备提供 LL 和 UL 层数据服务。在本分析中，考虑了加性高斯白噪声（AWGN）信道模型。IoT 设备和用户处于各种移动性模型下，因此两者的信道条件会有所不同。由于 IoT 设备的位置多样和功率限制，它们被认为处于较差的信道条件下，因此是 UL 数据的理想接收者。用户设备对信道条件更敏感，但由于 LL 的特性，它可以享受更高的数据速率。假设接收器能够进行完美的信道估计和完美接收控制信令，并且接收器拥有检测信号所需的所有必要信息。 - **用于LDM检测的接收机框架**： 接收机处的 LDM 信号可以表示为： \[Y(k) = X_{UL}(k) \cdot H(k) + g X_{LL}(k) \cdot H(k) + N(k)\] 其中，\(Y(k)\) 是第 k 个子信道的接收信号，\(H(k)\) 是信道矩阵，\(N(k)\) 是加性噪声。在仿真中，假设所有参数的维度与第 k 个子载波的 OFDM 符号数量相同，为 64。 UL 检测采用简单的 OFDM 检测过程，将 (9.2) 中的 LL 信号视为加性干扰。总噪声和干扰由以下方程表示： \[N_{UL}(k) = g X_{LL}(k) \cdot H(k) + N(k)\] UL 检测不需要复杂的计算，因此适用于低功耗的 IoT 设备。 LL 数据的检测在下一步进行，将检测到的 UL 数据按照发射机的处理方式进行处理，然后从原始接收信号中减去重建的 UL 数据，接着对剩余信号进行放大和检测。相关方程如下： \[Y_{LL}(k) = X_{UL}(k) \cdot H(k) + g X_{LL}(k) \cdot H(k) + N(k) - X_{UL re}(k)\] 假设 UL 检测完美且信道估计完美，可以得到： \[Y_{LL}(k) = g X_{LL}(k) \cdot H(k) + N(k)\] 在检测 LL 数据之前，将 (9.5) 中的信号放大 \(1/g\) 倍。由于在这一检测阶段无法分离噪声，噪声也会以相同比例放大，这使得 LL 数据检测更容易受到信道噪声功率水平的影响。成功的 UL 检测对于成功的 LL 检测至关重要，因此 UL 需要可靠且健壮。此外，LL 数据检测过程的计算量更大，因此用户设备需要更高的计算能力。 #### 3. 理论评估 - **LDM上层的误比特率**： 考虑在 AWGN 信道中未编码 OFDM 系统中 LDM 的性能。未编码 QAM OFDM 系统的符号错误率（SER）方程为： \[SER_{AWGN}^k = 4 \left(1 - \frac{1}{\sqrt{M}}\right) Q\left(\sqrt{\frac{8}{3} \frac{\rho_k}{M - 1}}\right) - 4 \left(1 - \frac{1}{\sqrt{M}}\right)^2 Q\left(\sqrt{\frac{8}{3} \frac{\rho_k}{M - 1}}\right)^2\] 其中， \[Q(x) = \frac{1}{\pi} \int_0^{\frac{\pi}{2}} \exp\left(-\frac{x^2}{2 \sin^2\theta}\right) d\theta\] \(\rho_k\) 是第 k 个符号的信噪比（SNR）。 通过假设 QAM 星座采用格雷编码（每个符号错误对应一个比特错误），可以得到误比特率（BER）和 SER 的关系为 \(BER = \frac{SER}{M}\)。基于上述方程，开发了用于计算 UL 的 BER 的分析模型。在评估时，假设没有符号间干扰。由于 LL 的功率低于 UL，因此 \(g\) 的值在 dB 中始终为负。在未编码 OFDM 系统中，UL 数据速率和 \(g\) 遵循以下关系： \[g = -4 M_c\] 其中，\(M_c\) 是 UL 的 QAM 阶数。现在，从信道 SNR 计算 UL SNR： \[\rho_{k}^{cl} = 2 \rho_k^{-g}\] 使用 (9.9) 中的 UL SNR 值代入 (9.6)，计算 UL 数据的 SER： \[SER_{AWGN}^k = 4 \left(1 - \frac{1}{\sqrt{M}}\right) Q\left(\sqrt{\frac{6 \rho_k}{g(1 - M)}}\right) - 4 \left(1 - \frac{1}{\sqrt{M}}\right)^2 Q\left(\sqrt{\frac{6 \rho_k}{g(1 - M)}}\right)^2\] - **信道容量分布**： AWGN 信道的信道容量可以表示为： \[C = \log_2\left(1 + \frac{P_s}{P_n}\right)\] 其中，\(P_s\) 是信号功率，\(P_n\) 是噪声功率。这表明了