Both non-orthogonal multiple access (NOMA), which can serve multiple users simultaneously and on the same frequency, and cognitive radio (CR) can contribute to eliminating the spectrum scarcity problem. In this work, an uplink CR-based NOMA (CR-NOMA) system, which is equipped with multiple users and a base station with a multi-antenna, is proposed to improve spectral efficiency. By considering the users' quality of service (QoS), the system performance of successive interference cancellation (SIC) is investigated in this system. Two different antenna and secondary user selection algorithms are proposed to improve the outage performance and retard the effect of the error floor. The multi-antenna CR-NOMA with QoS-based SIC system outperforms conventional channel state information (CSI)-based SIC. In addition, it is shown that the outage performance of this system on both proposed algorithms is better than in the case of not using the algorithm. The closed-form outage probability expression of this system for the suboptimal joint antenna and user selection algorithm is derived. Furthermore, when the proposed algorithms are not used, the closed-form expression of the outage probability for this system with a single-antenna base station is derived. Extensive simulation results verify the accuracy of theoretical analyses.


翻译:在这项工作中,提议将基于CR-NOMA(CR-NOMA)系统与基于QOS的QOSSSIC系统连接起来,使其超过常规频道状态信息(CSI)SIC。此外,还表明,考虑到用户服务质量(Qos),这一系统连续取消干扰(SIC)的系统性能在这个系统中受到调查。提出了两种不同的天线和二级用户选择算法,以提高溢出性能并延缓错误底部的效果。多ANTENna CR-NOMA(基于QOS的SIC系统)系统优于基于多用户的常规频道状态信息(CSI)SIC。此外,还表明,这一系统在两种拟议算法上的退出性能比不使用算法(Qos)的情况要好。在次优化联合天线和用户选择算法方面,这一系统的闭式概率表达方式为闭式表达。此外,在不使用基于QOSISSIS的多式模型分析结果的情况下,该拟议算法的模拟系统将用来校验该模型的概率。</s>

0
下载
关闭预览

相关内容

【硬核书】树与网络上的概率,716页pdf
专知会员服务
72+阅读 · 2021年12月8日
强化学习最新教程,17页pdf
专知会员服务
176+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
11+阅读 · 2022年9月1日
Financial Time Series Representation Learning
Arxiv
10+阅读 · 2020年3月27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
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员