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
基于列车位置的IRS相位调整：高速铁路车地间多跳协作通信技术
【摘要】：根据IRS相位调整之后的SNR，计算预选集对应的SNR之和。根据列车当前的相对位置，包括列车与基站的距离dLoS和基站到IRS再到列车的距离确定当前列车接收机的最大多普勒频移。由此，将复包络按相对位置分为三种，分别为列车在基站和IRS的左方，列车在基站和IRS之间，列车在基站和IRS的右方，到达角的取值范围为根据列车的相对位置，判断列车接收机到达角的范围，基于最大复包络，进一步调整IRS相位与最大多普勒频移和到达角的关系。
在高铁场景下，利用导频反馈信号得到当前的信道状态信息。基于最大化信干噪比SINR（Signal to Interference-Noise-Ratio）调整Δφi=θi从而使得IRS对列车接收端的信道容量和误码率性能进行提升，SINR的表达式为
其中，I0为未知干扰源所产生的干扰。从列车接收机的a根天线选取Nr（取值为2的整数次幂）根天线用于接收空间调制，产生组合数为
的预选值，形成预选集。根据IRS相位调整之后的SNR，计算预选集对应的SNR之和。基于最大化接收SNR之和，从预选集中选取最好的Nr根天线的组合构成空间调制接收端。
根据列车当前的相对位置，包括列车与基站的距离dLoS和基站到IRS再到列车的距离
确定当前列车接收机的最大多普勒频移。基于接收复包络调整相位φi从而减小多普勒频移对多径衰落的影响，接收复包络可以表示为
根据公式（7.9）不难看出，由于列车与基站和IRS的相对位置改变会带来不同的到达角，其会影响最大多普勒频移的相位优化。由此，将复包络按相对位置分为三种，分别为列车在基站和IRS的左方，列车在基站和IRS之间，列车在基站和IRS的右方，到达角的取值范围为
根据列车的相对位置，判断列车接收机到达角的范围，基于最大复包络，进一步调整IRS相位与最大多普勒频移和到达角的关系。然后，在选取空间调制接收天线的基础上，根据当前调制信息对应的接收天线索引，通过迭代法从IRS的N个天线单元中选取使得索引天线的接收信号达到最大接收复包络的Ns个反射天线单元。
有关高速铁路车地间多跳协作通信技术的文章
- 详细阅读
-
高速铁路车地间多跳协作通信技术详细阅读
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
- 详细阅读
-
高速铁路车地间多跳协作通信技术的性能分析详细阅读
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
-
高速铁路车地间多跳通信技术详细阅读
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
-
多跳协作通信技术在高速铁路车地间成功应用详细阅读
则BS和IRS之间的信道矩阵被建模为其中，是BS-IRS链路中第n条路径的复信道增益，an和bn是与传统毫米波信道相似的第n条传播路径的接收和发送阵列响应向量，分别表示为其中，λ是毫米波波长；表示与均匀天线阵列中相似的单元距离。对于IRS和用户之间的毫米波信道，由于IRS密集分布在传输路径中，因此视距传输较为集中，这使得散射路径可以忽略[81]。......
2023-08-23
-
高速铁路车地间多跳协作通信技术的仿真结果和分详细阅读
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
- 详细阅读
相关推荐