该文研究智能反射表面(Intelligent Reflecting Surface,IRS)辅助的多用户下行系统中的物理层安全的优化问题。多个用户之间的信息需要相互保密,每个时隙,非信息传输的目标用户视为窃听者,因此这是一个多窃听者的安全传输系统。由于信道的时变性,基站拥有窃听信道的信道状态信息(Channel State Information,CSI)为与真实的CSI间存在误差的过时信息。在此条件下,以系统最坏情况下的保密速率最大化为目标,对基站发射信息信号和人工噪声波束成形矢量,以及IRS的相移矩阵进行联合优化。原始优化问题为非凸半正定规划问题,利用松弛变量、惩罚函数、Charnes-Cooper变换和交替迭代优化等方法将原问题转化为凸问题并求解。仿真结果显示,相较于基准方案,该文所提出的优化算法能有效提高系统的保密速率。
正交时频空（Orthogonal Time Frequency Space，OTFS）调制具有很强的抗多普勒干扰能力，因此其在高移动速度的通信场景下应用广泛。稀疏码多址（Sparse Code Multiple Access，SCMA）是一种码域的非正交多址（Non-Orthogonal Multiple...
详细信息
正交时频空（Orthogonal Time Frequency Space，OTFS）调制具有很强的抗多普勒干扰能力，因此其在高移动速度的通信场景下应用广泛。稀疏码多址（Sparse Code Multiple Access，SCMA）是一种码域的非正交多址（Non-Orthogonal Multiple Access，NOMA）技术，在使用少量资源的情况下可实现更多用户的连接。结合OTFS和SCMA技术可以满足5G高速移动环境下的海量连接。针对下行OTFS-SCMA系统中传统信号检测方法存在性能受限问题，提出了基于深度学习的信号检测方法，设计了适用于多用户信号检测的深度神经网络（Deep Neural Networks，DNN）结构和卷积神经网络（Convolutional Neural Network， CNN）结构。将经过扩展车辆信道模型仿真生成的数据通过DNN和CNN进行离线训练，得到最优的训练模型，并用于在线检测。通过理论分析和仿真实验，对不同方法的复杂度和误码率进行了研究，结果表明，不论是在完美和非完美信道估计情况下，或者是噪声服从t分布的场景，本文的检测方法具有更优的误码率性能，且具有较低复杂度。
暂无评论