活动介绍

5G之后的能量收集设备到设备MIMO系统性能分析

立即解锁
发布时间: 2025-08-27 01:56:22 订阅数: 4
PDF

超越5G:无线通信新前沿

### 5G 之后的能量收集设备到设备 MIMO 系统性能分析 #### 1. 不完美 CSI 的影响 ##### 1.1 数学建模 考虑一个三终端设备,包含源节点(S)、中继节点(R)和目的节点(D),每个终端节点都配备了多个天线。在 R 节点,采用放大转发中继协议,利用收集的能量将信号广播到 D 节点。S 可视为基站,用户设备(UE)分别作为 R 和 D。从节点 P 到节点 Q 的信道矩阵记为 \(H_{PQ}\),维度为 \(N_Q \times N_P\),其中 \(N_P\) 和 \(N_Q\) 分别表示 P 和 Q 节点的天线数量。 由于使用多个有源天线需要有源射频链,这在成本、功率和尺寸方面效率较低,因此在 S 和 R 节点采用发射天线选择(TAS)来保留 MIMO 增益,同时降低硬件复杂度和成本。在 TAS 中,在节点 P 选择第 i 个发射天线,使得通过信道向量 \(h_{PQ}^{(i)}\) 向接收器广播信息时的接收信噪比(SNR)最大,公式为: \[ || \hat{h}_{Q\times1}|| = \max_{1\leq i\leq N_P} \{|| \hat{h}_{Q\times i}||\} \] 其中 \(P \in \{S, R\}\),\(Q \in \{R, D\}\),且 \(P \neq Q\)。信道矩阵 \(H_{PQ}\) 包含 \(N_P\) 个维度为 \(N_Q \times 1\) 的信道向量 \(h_{PQ}^{(i)}\)。接收器使用基于最小均方误差(MMSE)的估计器进行信道估计。所有信道假设由广义复 Nakagami - m 频率平坦衰落信道 \(Nak(M_L, \hat{\sigma}_H^2)\) 建模,所有噪声向量假设由均值为 0、方差为 \(\sigma_{PQ}^2 I_{N_Q}\) 的加性高斯白噪声(AWGN)向量建模。 信道估计中的信道估计误差(CEEs)是由于不恰当的导频模式引起的,不恰当的导频模式会导致信道估计中出现不可约的误差地板。为避免 CEEs,导频模式应根据相干时间和频率进行设置。实际信道 \(H\) 与估计信道 \(\hat{H}\) 在存在 CEE \(\delta H\) 时的关系为: \[ H = \hat{H} + \delta H \] 其中 \(\delta H\) 建模为 \(CN(0, \sigma_{\delta}^2 I)\),方差 \(\sigma_{\delta}^2\) 为: \[ \sigma_{\delta}^2 = (1 - \rho) \sigma_H^2 \] \[ \rho = \sigma_{\hat{H}}^2 / \sigma_H^2, \quad 0 < \rho < 1 \] 这里 \(\rho\) 是信道相关系数。估计信道的方差为 \(\sigma_{\hat{H}}^2 = \sigma_H^2 - \sigma_{\delta}^2 = \rho \sigma_H^2\)。在 R 节点采用时间切换(TS)协议进行能量收集,系统操作分为两个阶段:第一阶段在 R 节点收集能量,第二阶段进行信息传输(IP)。 - **时间切换协议**:由于其复杂度较低,采用 TS 协议在 R 节点收集能量。S 和 D 之间的整个通信在时间 \(T\) 内分两个阶段进行,总时间 \(T\) 被分为 \(\alpha T\) 用于能量收集,\((1 - \alpha)T\) 用于 IP,其中 \(0 < \alpha < 1\)。 - **第一阶段**:在该阶段,R 节点在 \(\alpha T\) 时间内收集能量。 - **第二阶段**:在第二阶段,剩余的 \((1 - \alpha)T\) 时间用于建立通信链路。\((1 - \alpha)T\) 时间进一步分为两个相等的 \(\frac{(1 - \alpha)T}{2}\) 时间段用于双跳通信。在第一个 \(\frac{(1 - \alpha)T}{2}\) 时间段,S 同时向 R 和 D 广播信息信号;在第二个 \(\frac{(1 - \alpha)T}{2}\) 时间段,R 利用在能量收集阶段收集的能量将 S 的信息信号广播到 D。 R 和 D 节点接收到的信号分别为: \[ y_{SR} = \sqrt{P_s}(h_{SR}^{(i)} + \delta h_{SR}^{(i)})x + n_{SR} \] \[ y_{SD} = \sqrt{P_s}(h_{SD}^{(i)} + \delta h_{SD}^{(i)})x + n_{SD} \] 其中 \(P_s\) 是 S 节点的发射功率,\(n_{SR}\) 和 \(n_{SD}\) 分别是 SR 和 SD 链路的 AWGN 向量,假设 \(E\{x^2\} = 1\)。R 节点在能量收集阶段收集的能量为: \[ E_h = \eta \alpha T P_S ||h_{SR}^{(i)}||^2 \] 其中 \(0 < \eta < 1\) 是能量转换效率。R 节点以增益 \(G\) 放大从 S 节点接收到的信号并通过第 k 个发射天线传输到 D 节点,增益 \(G\) 满足: \[ G \leq \sqrt{\frac{P_R}{P_S ||h_{SR}^{(i)}||^4 + \sigma_N^2}} \approx \sqrt{\frac{P_R}{P_S ||h_{SR}^{(i)}||^4}} \] 其中 \(P_R = \frac{2E_h}{(1 - \alpha)T} = \frac{2\eta \alpha P_S ||h_{SR}^{(i)}||^2}{(1 - \alpha)}\) 是 R 节点从能量收集阶段获得的发射功率。D 节点接收到的信号为: \[ y_{RD} = \sqrt{P_R}G (h_{RD}^{(j)} + \delta h_{RD}^{(j)}) (h_{SR}^{(i)})^H y_{SR} + n_{RD} \] 其中 \(n_{RD}\) 是 RD 链路的 AWGN 向量。D 节点使用基于最大比合并(MRC)的最优接收滤波器在 MMSE 意义下合并两跳接收到的信号,D 节点的端到端 SNR 为: \[ \gamma_{e2e}^{(i,j)} = \hat{\gamma}_{SD}^{(i)} + \hat{\gamma}_{SRD}^{(i,j)} \] \[ \hat{\gamma}_{SRD}^{(i,j)} = \frac{\gamma_{SR}^{(i)} \gamma_{RD}^{(j)}}{\frac{1}{P_s} \gamma_{SR}^{(i)} + \gamma_{RD}^{(j)} + \gamma_{SR}^{(i)} \hat{\sigma}_{\delta RD}^2 + \gamma_{RD}^{(j)} \hat{\sigma}_{\delta SR}^2 + \hat{\sigma}_{\delta RD}^2 + \hat{\sigma}_{\delta SR}^2 \hat{\sigma}_{\delta RD}^2} \] \(\hat{\gamma}_{SRD}^{(i,j)}\) 可近似为: \[ \hat{\gamma}_{SRD}^{(i,j)} \approx \frac{\frac{\gamma_{SR}^{(i)}}{\Gamma_{SR}} \frac{\gamma_{RD}^{(j)}}{\Gamma_{RD}}}{\frac{\gamma_{SR}^{(i)}}{\Gamma_{SR}} + \frac{\gamma_{RD}^{(j)}}{\Gamma_{RD}}} \] 其中 \(\Gamma_{SR} = (1 + \hat{\sigma}_{\delta SR}^2)\),\(\Gamma_{RD} = (\frac{1}{P_s} + \hat{\sigma}_{\delta RD}^2)\),\(\hat{\sigma}_{\delta SR}^2 = \gamma_0 \sigma_{\delta SR}^2\),\(\hat{\sigma}_{\delta RD}^2 = K_1 \frac{\sigma_{\delta RD}^2}{\sigma_N^2}\),\(\gamma_{PQ}^{(i)}\) 和 \(\gamma_{PQ}\) 分别是 PQ 链路的瞬时和平均 SNR,\(K_1 = \frac{2\eta \alpha}{(1 - \alpha)}\)。 ##### 1.2 系统性能指标 - **中断概率**:当期望的传输速率大于最大可能的无差错传输速率时,系统处于中断状态。对于速率 \(R_{th} = \frac{1 - \alpha}{2} \log_2(1 + \gamma_{e2e})\) 比特/秒/赫兹,中断概率的封闭形式上界表达式为: \[ P_{out}^{(UB)} (\gamma_{th}) = Pr \left[ \max_{1\leq j\leq N_s} \{ \hat{\gamma}_{SD}^{(i)} + \hat{\gamma}_{SRD}^{(i,j)} \} \leq \gamma_{th} \right] \leq Pr \left[ \max_{1\leq j\leq N_s} \hat{\gamma}_{SD}^{(i)} \leq \gamma_{th} \right] Pr \left[ \max_{1\leq j\leq N_s} \hat{\gamma}_{SRD}^{(i,j)} \leq \gamma_{th} \right] = F_{\hat{\gamma}_{SD}^{(i)}}(\gamm
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

郑天昊

首席网络架构师
拥有超过15年的工作经验。曾就职于某大厂,主导AWS云服务的网络架构设计和优化工作,后在一家创业公司担任首席网络架构师,负责构建公司的整体网络架构和技术规划。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看

最新推荐

从近似程度推导近似秩下界

# 从近似程度推导近似秩下界 ## 1. 近似秩下界与通信应用 ### 1.1 近似秩下界推导 通过一系列公式推导得出近似秩的下界。相关公式如下: - (10.34) - (10.37) 进行了不等式推导,其中 (10.35) 成立是因为对于所有 \(x,y \in \{ -1,1\}^{3n}\),有 \(R_{xy} \cdot (M_{\psi})_{x,y} > 0\);(10.36) 成立是由于 \(\psi\) 的平滑性,即对于所有 \(x,y \in \{ -1,1\}^{3n}\),\(|\psi(x, y)| > 2^d \cdot 2^{-6n}\);(10.37) 由

量子物理相关资源与概念解析

# 量子物理相关资源与概念解析 ## 1. 参考书籍 在量子物理的学习与研究中,有许多经典的参考书籍,以下是部分书籍的介绍: |序号|作者|书名|出版信息|ISBN| | ---- | ---- | ---- | ---- | ---- | |[1]| M. Abramowitz 和 I.A. Stegun| Handbook of Mathematical Functions| Dover, New York, 1972年第10次印刷| 0 - 486 - 61272 - 4| |[2]| D. Bouwmeester, A.K. Ekert, 和 A. Zeilinger| The Ph

使用GameKit创建多人游戏

### 利用 GameKit 创建多人游戏 #### 1. 引言 在为游戏添加了 Game Center 的一些基本功能后,现在可以将游戏功能扩展到支持通过 Game Center 进行在线多人游戏。在线多人游戏可以让玩家与真实的人对战,增加游戏的受欢迎程度,同时也带来更多乐趣。Game Center 中有两种类型的多人游戏:实时游戏和回合制游戏,本文将重点介绍自动匹配的回合制游戏。 #### 2. 请求回合制匹配 在玩家开始或加入多人游戏之前,需要先发出请求。可以使用 `GKTurnBasedMatchmakerViewController` 类及其对应的 `GKTurnBasedMat

由于提供的内容仅为“以下”,没有具体的英文内容可供翻译和缩写创作博客,请你提供第38章的英文具体内容,以便我按照要求完成博客创作。

由于提供的内容仅为“以下”,没有具体的英文内容可供翻译和缩写创作博客,请你提供第38章的英文具体内容,以便我按照要求完成博客创作。 请你提供第38章的英文具体内容,同时给出上半部分的具体内容(目前仅为告知无具体英文内容需提供的提示),这样我才能按照要求输出下半部分。

区块链集成供应链与医疗数据管理系统的优化研究

# 区块链集成供应链与医疗数据管理系统的优化研究 ## 1. 区块链集成供应链的优化工作 在供应链管理领域,区块链技术的集成带来了诸多优化方案。以下是近期相关优化工作的总结: | 应用 | 技术 | | --- | --- | | 数据清理过程 | 基于新交叉点更新的鲸鱼算法(WNU) | | 食品供应链 | 深度学习网络(长短期记忆网络,LSTM) | | 食品供应链溯源系统 | 循环神经网络和遗传算法 | | 多级供应链生产分配(碳税政策下) | 混合整数非线性规划和分布式账本区块链方法 | | 区块链安全供应链网络的路线优化 | 遗传算法 | | 药品供应链 | 深度学习 | 这些技

黎曼zeta函数与高斯乘性混沌

### 黎曼zeta函数与高斯乘性混沌 在数学领域中,黎曼zeta函数和高斯乘性混沌是两个重要的研究对象,它们之间存在着紧密的联系。下面我们将深入探讨相关内容。 #### 1. 对数相关高斯场 在研究中,我们发现协方差函数具有平移不变性,并且在对角线上存在对数奇异性。这种具有对数奇异性的随机广义函数在高斯过程的研究中被广泛关注,被称为高斯对数相关场。 有几个方面的证据表明临界线上$\log(\zeta)$的平移具有对数相关的统计性质: - 理论启发:从蒙哥马利 - 基廷 - 斯奈思的观点来看,在合适的尺度上,zeta函数可以建模为大型随机矩阵的特征多项式。 - 实际研究结果:布尔加德、布

探索人体与科技融合的前沿:从可穿戴设备到脑机接口

# 探索人体与科技融合的前沿:从可穿戴设备到脑机接口 ## 1. 耳部交互技术:EarPut的创新与潜力 在移动交互领域,减少界面的视觉需求,实现无视觉交互是一大挑战。EarPut便是应对这一挑战的创新成果,它支持单手和无视觉的移动交互。通过触摸耳部表面、拉扯耳垂、在耳部上下滑动手指或捂住耳朵等动作,就能实现不同的交互功能,例如通过拉扯耳垂实现开关命令,上下滑动耳朵调节音量,捂住耳朵实现静音。 EarPut的应用场景广泛,可作为移动设备的遥控器(特别是在播放音乐时)、控制家用电器(如电视或光源)以及用于移动游戏。不过,目前EarPut仍处于研究和原型阶段,尚未有商业化产品推出。 除了Ea

人工智能与混合现实技术在灾害预防中的应用与挑战

### 人工智能与混合现实在灾害预防中的应用 #### 1. 技术应用与可持续发展目标 在当今科技飞速发展的时代,人工智能(AI)和混合现实(如VR/AR)技术正逐渐展现出巨大的潜力。实施这些技术的应用,有望助力实现可持续发展目标11。该目标要求,依据2015 - 2030年仙台减少灾害风险框架(SFDRR),增加“采用并实施综合政策和计划,以实现包容、资源高效利用、缓解和适应气候变化、增强抗灾能力的城市和人类住区数量”,并在各级层面制定和实施全面的灾害风险管理。 这意味着,通过AI和VR/AR技术的应用,可以更好地规划城市和人类住区,提高资源利用效率,应对气候变化带来的挑战,增强对灾害的

利用GeoGebra增强现实技术学习抛物面知识

### GeoGebra AR在数学学习中的应用与效果分析 #### 1. 符号学视角下的学生学习情况 在初步任务结束后的集体讨论中,学生们面临着一项挑战:在不使用任何动态几何软件,仅依靠纸和笔的情况下,将一些等高线和方程与对应的抛物面联系起来。从学生S1的发言“在第一个练习的图形表示中,我们做得非常粗略,即使现在,我们仍然不确定我们给出的答案……”可以看出,不借助GeoGebra AR或GeoGebra 3D,识别抛物面的特征对学生来说更为复杂。 而当提及GeoGebra时,学生S1表示“使用GeoGebra,你可以旋转图像,这很有帮助”。学生S3也指出“从上方看,抛物面与平面的切割已经

元宇宙与AR/VR在特殊教育中的应用及安全隐私问题

### 元宇宙与AR/VR在特殊教育中的应用及安全隐私问题 #### 元宇宙在特殊教育中的应用与挑战 元宇宙平台在特殊教育发展中具有独特的特性,旨在为残疾学生提供可定制、沉浸式、易获取且个性化的学习和发展体验,从而改善他们的学习成果。然而,在实际应用中,元宇宙技术面临着诸多挑战。 一方面,要确保基于元宇宙的技术在设计和实施过程中能够促进所有学生的公平和包容,避免加剧现有的不平等现象和强化学习发展中的偏见。另一方面,大规模实施基于元宇宙的特殊教育虚拟体验解决方案成本高昂且安全性较差。学校和教育机构需要采购新的基础设施、软件及VR设备,还会产生培训、维护和支持等持续成本。 解决这些关键技术挑