On the Performance of MIMO-NOMA-Based Visible Light Communication Systems

2023-12-23 14:48

本文主要是介绍On the Performance of MIMO-NOMA-Based Visible Light Communication Systems,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

读后感:

今天读了《On the Performance of MIMO-NOMA-Based Visible Light Communication Systems》有感如下:

摘要:在本文中,我们应用non-orthogonal multiple access(NOMA)技术去提高基于多输入多输出(MIMO)的多用户可见光通信(VLC)系统的可实现和速率。去确信在室内MIMO-NOMA-based VLC systems的有效性和低复杂功率分配,一种归一化增益差分功率分配方法(NGDPA)是利用用户信道条件首先提出的。我们通过数字化的仿真调差研究了室内2×2 MIMO-NOMAbased multi-user VLC system。获得的结果展示2×2 MIMO-VLC system的可实现和速率可以有效的通过与NGDPA method结合的NOMA来提高。验证了NOMA和NGDPA的结合实现速率提升到29.1%对比于有三个用户的在2 ×2 MIMO-VLC system里NOMA增益比分配方法。

NOMA(非正交的多路复用):是非常有希望的5G技术,其优点是可以提高频谱效率(rate/bandwigth)和接入量。NOMA的核心理念是在发送端使用叠加编码(superposition coding),而在接收端使用SIC(successive interference cancelation),借此,在相同的时频资源块上,通过不同的功率级在功率域实现多址接入。这个是主流的NOMA方案。

MIMO-NOMA-based multi-user VLC system的数学模型:

上图介绍了K个用户的2×2 MIMO-NOMA-VLC system。每个使用者对于两个PD端都是同等的,可以完全有效的对LED的带宽进行调制。此外,DC-biased optical OFDM (DCO-OFDM) modulation应用在the 2 × 2 MIMO-NOMA-VLC system。

上图展示了使用DC-biased optical OFDM (DCO-OFDM) modulation的the 2 × 2 MIMO-NOMA-VLC system,x表示输入信号,经过DCO-OFDM调制,功率叠加和DC偏置的添加,收获到的输入信号可以被表达成:

功率分配方法:

功率分配方法在NOMA systems中起到了重要的作用,它对于在cost-sensitive MIMO-VLC systems中应用NOMA技术是一个关键的挑战。在本文的工作中,两个低复杂度的功率分配方法介绍在MIMO-NOMA-VLC systems中,主要的工作重点是估计MIMO-NOMA-based VLC systems使用低复杂功率分配的sum rate。为保证使用者的公平,使用者配对和分组技术可以被使用,文中不详细说明。

Gain Ratio Power Allocation (GRPA):增益比功率分配方式

作为一个简单但有效的功率分配方式,GRPA对于single-LED NOMA-VLC systems所提出。在GRPA中,功率分配取决于每个使用者的光信道收益,GRPA方法可以普遍应用在MIMO-NOMA-based VLC systems中,光功率分配为:

Normalized Gain Difference Power Allocation (NGDPA):归一化增益差分分配方式

为了去进一步提高MIMO-NOMA-VLC systems中可实现的sum rate,本文提出一个有效的和低复杂度的NGDPA方式。通过利用光信道增益差分,光功率分配为:

结论:

在这篇文章中,一个利用用户信道条件的新型NGDPA方法,在计算复杂度较低的室内MIMO-NOMA-VLC系统中进行自适应高效的功率分配。仿真结果表明,一个室内2 × 2 MIMO-VLC system,NOMA with NGDPA比NOMA with GRPA实现更好的sum rate,总和率提高29.1%可以通过利用与NGDPA诺玛2×2 MIMO-VLC系统有三个用户。也同时证明了两或三个用户通过使用NOMA with NGDPA in the 2 × 2 MIMO-VLC system可以实现相同的带宽速率。此外,NGDPA的带宽速率增益在系统拥有更多用户时比GPRA更有效。因此,MIMO-NOMA结合提出的NGDPA方法对于未来的多用户高速的VLC系统是有希望的。

这篇关于On the Performance of MIMO-NOMA-Based Visible Light Communication Systems的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/528420

相关文章

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

POJ 1018 Communication System(枚举)

题目: http://poj.org/problem?id=1018 题解: 我们可以枚举每一种B可能的值,然后寻找每一行里大于等于B里最小的P。 代码: #include<cstdio>#include<stdlib.h>struct in{double B,P;}a[101][101];double b[10001];int t[101];int cmp(cons

MACS bdgdiff: Differential peak detection based on paired four bedGraph files.

参考原文地址:[http://manpages.ubuntu.com/manpages/xenial/man1/macs2_bdgdiff.1.html](http://manpages.ubuntu.com/manpages/xenial/man1/macs2_bdgdiff.1.html) 文章目录 一、MACS bdgdiff 简介DESCRIPTION 二、用法

Neighborhood Homophily-based Graph Convolutional Network

#paper/ccfB 推荐指数: #paper/⭐ #pp/图结构学习 流程 重定义同配性指标: N H i k = ∣ N ( i , k , c m a x ) ∣ ∣ N ( i , k ) ∣ with c m a x = arg ⁡ max ⁡ c ∈ [ 1 , C ] ∣ N ( i , k , c ) ∣ NH_i^k=\frac{|\mathcal{N}(i,k,c_{

Lenze伦茨EMF2102IBC−LECOM−A/B/LI L−force Communication手测

Lenze伦茨EMF2102IBC−LECOM−A/B/LI L−force Communication手测

Android Studio打开Modem模块出现:The project ‘***‘ is not a Gradle-based project

花了挺长时间处理该问题,特记录如下:1.背景: 在Android studio 下导入一个新增的modem模块,如MPSS.DE.3.1.1\modem_proc\AAA, 目的是看代码方便一些,可以自由搜索各种关键字。但导入该项目时出现了如下错误: The project '***' is not a Gradle-based project.造成的问题: (1) project 下没有代码,而

SIM(Search-based user interest modeling)

导读 我们对电商场景兴趣建模的理解愈发清晰:1. 通过预估目标item的信息对用户过去的行为做search提取和item相关的信息是一个很核心有效的技术。2. 更长的用户行为序列信息对CTR建模是非常有效且珍贵的。从用户的角度思考,我们也希望能关注用户长期的兴趣。但是当前的search方法无论是DIN和DIEN都不允许我们在线对一个超长的行为序列比如1000以上做有效搜索。所以我们的目标就比较明

关于No resource found that matches the given name 'Theme.AppCompat.Light' No resource found that ma

关于No resource found that matches the given name  'Theme.AppCompat.Light' No resource found that matches the given name   'android:Widget.Material.ActionButton.CloseMode'. 我的上一遍文章 http://blog.csdn.net

Segmentation简记-Multi-stream CNN based Video Semantic Segmentation for Automated Driving

创新点 1.RFCN & MSFCN 总结 网络结构如图所示。输入视频得到图像分割结果。 简单粗暴

Attribute Recognition简记1-Video-Based Pedestrian Attribute Recognition

创新点 1.行人属性库 2.行人属性识别的RNN框架及其池化策略 总结 先看看行人属性识别RNN结构: backbone是ResNet50,输出是每一帧的空间特征。这组特征被送到两个分支,分别是空间池化和时间建模。最后两种特征拼接。然后分类(FC)。 LSTM关注帧间变化。受cvpr《Recurrent Convolutional Network for Video-Based Person