Non-orthogonal multiple access (NOMA) has a great potential to offer a higher spectral efficiency of multi-user wireless networks than orthogonal multiples access (OMA). Previous work has established the condition, referred to quasi-degradation (QD) probability, under which NOMA has no performance loss compared to the capacity-achieving dirty paper coding for the two-user case. Existing results assume Rayleigh fading channels without line-of-sight (LOS). In many practical scenarios, the channel LOS component is critical to the link quality where the channel gain follows a Rician distribution instead of a Rayleigh distribution. In this work, we analyze the QD probability over multi-input and single-output (MISO) channels subject to Rician fading. The QD probability heavily depends on the angle between two user channels, which involves a matrix quadratic form in random vectors and a stochastic matrix. With the deterministic LOS component, the distribution of the matrix quadratic form is non-central that dramatically complicates the derivation of the QD probability. To remedy this difficulty, a series of approximations is proposed that yields a closed-form expression for the QD probability over MISO Rician channels. Numerical results are presented to assess the analysis accuracy and get insights into the optimality of NOMA over Rician fading channels.


翻译:非垂直多重存取( NOMA) 具有巨大的潜力, 能够提供多用户无线网络的光谱效率高于正方数存取( OMA ) 。 先前的工作已经设定了条件, 提到了准降解( QD) 概率, 在这种概率下, NOMA 与双用户案例中达到的脏纸编码能力相比没有性能损失。 现有结果假设雷利脱色通道没有直观( LOS) 。 在许多实际情景中, 频道的LLOS 元件对于连接质量至关重要, 频道在通过里氏分布而不是雷利分布获得联系质量。 在这项工作中, 我们分析了多输入和单输出( IMO) 通道的QD概率。 QD 概率在很大程度上取决于两个用户频道之间的角度, 后者包括随机矢量矩阵和随机矩阵。 在确定性LOS 组件中, 矩阵二次形式分布并不集中, 使QD 映射到QD 直径通道的推断结果变得非常复杂 。 IMA 分析 的模型是用于 QD 最佳解析测 的概率 。 。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
61+阅读 · 2020年3月4日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
9+阅读 · 2018年5月22日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员