💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥1 概述
摘要：
在本文中，我们提出了一种新的自适应解码机制（ADM），用于无人机（UAV）支持的上行链路（UL）非正交多址（NOMA）通信。具体而言，考虑到无人机环境恶劣，地到地链路经常不可用，所提出的ADM克服了传统UL-NOMA系统的挑战性问题，其性能对发射机的统计信道状态信息和接收机的解码顺序敏感。为了评估ADM的性能，我们推导出了系统中断概率（OP）和系统吞吐量的封闭形式表达式。在性能分析部分，我们提供了实用的空对地和地对空信道的新表达式，同时考虑了UL-NOMA中不完美连续干扰消除（SIC）的实际实现。此外，所获得的表达式可用于表征基于伽马混合（MG）分布的衰落信道下各种系统的OP。接下来，我们提出了一种次优的基于梯度下降的算法，以获得功率分配系数，这些系数相对于无人机轨迹上的每个位置都能产生最大的吞吐量。为了确定在非静止环境中提出的ADM的重要性，我们考虑地面用户和无人机分别根据随机航点移动性（RWM）和参考点组移动性（RPGM）模型进行移动。还提供了距离分布的精确公式。数值解表明，ADM增强的NOMA不仅优于正交多址（OMA），而且即使在移动环境中，也能提高无人机支持的UL-NOMA的性能。
摘要
本文深入探讨了无人机（UAV）支持的上行链路（UL）非正交多址（NOMA）通信中的自适应解码机制（ADM）。鉴于无人机通信环境的复杂性和地到地链路的不稳定性，传统UL-NOMA系统面临诸多挑战，尤其是其对发射机统计信道状态信息和接收机解码顺序的高度敏感性。为解决这些问题，我们提出了一种创新的自适应解码机制。
一、引言
随着无人机技术的飞速发展，无人机在通信领域的应用日益广泛。然而，无人机通信环境复杂多变，尤其是上行链路通信，受到多种因素的影响，如信道衰落、干扰等。非正交多址（NOMA）作为一种高效的频谱利用技术，在无人机通信中具有巨大潜力。然而，传统的UL-NOMA系统在面对无人机通信环境的特殊性时，其性能往往受到限制。因此，研究一种适用于无人机通信环境的自适应解码机制显得尤为重要。
二、自适应解码机制（ADM）设计
本文提出的自适应解码机制（ADM）旨在克服传统UL-NOMA系统在无人机通信环境中的局限性。该机制通过动态调整解码顺序和功率分配，以适应不断变化的信道状态和用户需求。具体而言，我们考虑了无人机与地面用户之间的空对地和地对空信道特性，并引入了不完美连续干扰消除（SIC）的实际实现，以更准确地反映NOMA系统的实际性能。
三、性能分析
为了评估ADM的性能，我们推导了系统中断概率（OP）和系统吞吐量的封闭形式表达式。这些表达式不仅考虑了信道衰落和干扰的影响，还考虑了不完美SIC的实现。此外，我们还提供了实用的空对地和地对空信道的新表达式，以更准确地描述无人机通信环境。
在性能分析部分，我们还提出了一种次优的基于梯度下降的算法，用于优化功率分配系数。该算法能够针对无人机轨迹上的每个位置，计算出能够产生最大吞吐量的功率分配系数。
四、移动性模型与数值解
为了确定在非静止环境中提出的ADM的重要性，我们考虑了地面用户和无人机分别根据随机航点移动性（RWM）和参考点组移动性（RPGM）模型进行移动的情况。我们提供了距离分布的精确公式，并进行了数值仿真。仿真结果表明，ADM增强的NOMA不仅优于正交多址（OMA），而且即使在移动环境中，也能显著提高无人机支持的UL-NOMA的性能。
五、结论
本文提出了一种新的自适应解码机制（ADM），用于无人机支持的上行链路非正交多址通信。通过性能分析和数值仿真，我们证明了ADM在提高系统吞吐量和降低中断概率方面的有效性。未来，我们将继续研究更高效的解码机制和功率分配策略，以进一步提升无人机通信系统的性能。
详细文章见第4部分。
📚2 运行结果
论文结果：
部分代码：
figure;
plot(1:N,Throughput_ADM,'-m','markersize',5,'LineWidth',1); hold on;
plot(1:N,Throughput_NADM_CC,'-g','markersize',4,'LineWidth',1); hold on;
plot(1:N,Throughput_NADM_EC,'-b','markersize',4,'LineWidth',1); hold on;
plot(1:N,Throughput_NADM_CE,'-r','markersize',4,'LineWidth',1); hold on;
plot(1:N,Throughput_NADM_EE,'-c','markersize',4,'LineWidth',1); hold on;
xlabel('Location Index');
ylabel('Throughput [bits/s/Hz]');
leg = legend('ADM','NADM, ${d}_{\rm CC}$','NADM, ${d}_{\rm EC}$',...
'NADM, ${d}_{\rm CE}$','NADM, ${d}_{\rm EE}$',...
'NumColumns','Interpreter','LaTex');
% leg.ItemTokenSize = [15,18];
% grid on;
% set(gca,'Fontsize',10);
% set(gcf,'Position',[100 100 300 300]);
% set(gca,'LooseInset',get(gca,'TightInset'));
...
%% Large-Scale Fading
% ------------- The G2G channel from CU-C to FC -------------
dCF = sqrt( (XC-XF)^2+(YC-YF)^2+(ZC-ZF)^2 );
LCF = db2pow( GCdB+GFdB-22.7-26*log10(fc)-36.7*log10(dCF) );
% ------------- The G2A channels from CU-C to UAV -------------
dCU = sqrt( (XC-XU)^2+(YC-YU)^2+(ZC-ZU)^2 );
phiCU = 180/pi*asin( abs(ZC-ZU)/dCU );
pCU = 1/(1+12.08*exp(-0.11*(phiCU-12.08)));
LCULoS = (waveLen/(4*pi*dCU))^2/etaLoS;
LCUNLoS= (waveLen/(4*pi*dCU))^2/etaNLoS;
BCU = rand(1,trials) < pCU;
LCU = LCULoS .*pCU + LCUNLoS.*(1-pCU);
% ------------- The G2A channels from CU-E to UAV -------------
dEU = sqrt( (XE-XU)^2+(YE-YU)^2+(ZE-ZU)^2 );
phiEU = 180/pi*asin( abs(ZE-ZU)/dEU );
pEU = 1/(1+12.08*exp(-0.11*(phiEU-12.08)));
LEULoS = (waveLen/(4*pi*dEU))^2/etaLoS;
LEUNLoS= (waveLen/(4*pi*dEU))^2/etaNLoS;
BEU = rand(1,trials) < pEU;
LEU = LEULoS .*pEU + LEUNLoS.*(1-pEU);
% ------------- The G2A channels from UAV to FC -------------
dUF = sqrt( (XF-XU)^2+(YF-YU)^2+(ZF-ZU)^2 );
phiUF = 180/pi*asin( abs(ZF-ZU)/dUF );
pUF = 1/(1+12.08*exp(-0.11*(phiUF-12.08)));
LUFLoS = (waveLen/(4*pi*dUF))^2/etaLoS;
LUFNLoS= (waveLen/(4*pi*dUF))^2/etaNLoS;
BUF = rand(1,trials) < pUF;
LUF = LUFLoS .*pUF + LUFNLoS.*(1-pUF);
%% joint Microscopic and Macroscopic Effect
% ------------- The G2G channel from CU-C to FC -------------
mCF = 1; OmgCF = 0.279; bCF = 0.251;
Z = random('Nakagami',mCF,OmgCF,[1,trials]);
gCF = random('Rician',Z,sqrt(bCF),[1,trials]);
hCF2= gCF.^2 .* LCF;
% ------------- The G2A channels from CU-C to UAV -------------
mCU = 2;
gCULoS = sqrt(gamrnd(mCU,1/mCU,[1,trials]));
gCUNLoS= sqrt(exprnd(1,[1,trials]));
hCU2= gCULoS.^2 .* LCULoS .*(BCU)...
+ gCUNLoS.^2.* LCUNLoS.*(1-BCU);
% ------------- The G2A channels from CU-E to UAV -------------
mEU = 5;
gEULoS = sqrt(gamrnd(mEU,1/mEU,[1,trials]));
gEUNLoS= sqrt(exprnd(1,[1,trials]));
hEU2= gEULoS.^2 .* LEULoS .*(BEU)...
+ gEUNLoS.^2.* LEUNLoS.*(1-BEU);
% ------------- The G2A channels from UAV to FC -------------
mUF = 3;
gUFLoS = sqrt(gamrnd(mUF,1/mUF,[1,trials]));
gUFNLoS= sqrt(exprnd(1,[1,trials]));
hUF2= gUFLoS.^2 .* LUFLoS .*(BUF)...
+ gUFNLoS.^2.* LUFNLoS.*(1-BUF);
%% Residual Interference Normalized Power
% xi = db2pow(-10);
xi = db2pow(-30);
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
[1] Thanh Luan Nguyen, Georges Kaddoum, Tri Nhu Do, Daniel Benevides da Costa, Zygmunt J. Haas IEEE Transactions on Vehicular Technology March 2023 DOI: 10.1109/TVT.2023.3255001
🌈4 Matlab代码、数据、文章下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取
