⚡ electrical engineering

End-to-End NOMA with Perfect and Quantized CSI Over Rayleigh Fading Channels

Dit artikel presenteert een end-to-end autoencoder-framework voor downlink NOMA over Rayleigh-kanaalverval dat, zelfs onder beperkte kanaalstate-informatie (CSI) via kwantisatie, superconstellaties leert die interferentie en kanaalvariaties effectief aanpakken en zo de bitfoutkans verbeteren ten opzichte van bestaande analytische methoden.

Oorspronkelijke auteurs: Selma Benouadah, Mojtaba Vaezi, Ruizhan Shen, Hamid Jafarkhani

Gepubliceerd 2026-02-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Selma Benouadah, Mojtaba Vaezi, Ruizhan Shen, Hamid Jafarkhani

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Radio-Orkestleider die Zelf de Muziek Schrijft

Stel je voor dat een radiozender (de Basisstation) twee luisteraars (Gebruiker 1 en Gebruiker 2) tegelijkertijd muziek wil sturen. In de oude wereld deden ze dit door te wachten: eerst voor de ene, dan voor de andere. Maar dat is traag.

In de moderne wereld (wat NOMA heet), probeert de zender beide luisteraars tegelijk te bedienen. Hij pakt twee nummers, zet ze op elkaar (superpositie) en stuurt ze als één groot signaal de lucht in.

Het probleem:
De lucht is niet altijd rustig. Soms waait het hard, soms is er mist, en soms is er een onweersbui. In de technische taal noemen we dit Rayleigh-verval: het signaal wordt willekeurig sterker of zwakker, en vervormt.

Luisteraar 1 zit misschien in een dal (zwak signaal).
Luisteraar 2 zit op een heuvel (sterk signaal).

Als de zender simpelweg twee nummers door elkaar gooit, is het voor Luisteraar 1 een onbegrijpelijk lawaai. De oude manier om dit op te lossen was: "Luisteraar 2, haal eerst mijn nummer uit het signaal, en geef dan jouw nummer door." Dit heet Successive Interference Cancellation (SIC). Maar dat is ingewikkeld en werkt niet altijd perfect, vooral als het weer (het kanaal) verandert.

De Oplossing: Een AI die "Luistert" naar de Lucht

De auteurs van dit paper hebben een slimme oplossing bedacht met behulp van Kunstmatige Intelligentie (AI), specifiek een Auto-Encoder.

Stel je voor dat de zender en de luisteraars geen vaste regels hebben, maar een intelligent orkest zijn dat samen leert spelen.

De Zender (De Encoder): Hij leert niet alleen wat hij stuurt, maar ook hoe hij het stuurt, afhankelijk van hoe het weer is. Als het signaal voor Luisteraar 1 zwak is, leert de AI het signaal zo te vervormen dat Luisteraar 1 het toch kan horen, zonder dat Luisteraar 2 verstoord wordt.
De Luisteraars (De Decoders): Zij leren ook mee. Ze weten precies hoe hun eigen "oor" (ontvanger) werkt en hoe het signaal eruitziet als het door de mist is gegaan.

In plaats van vooraf vastgestelde patronen (zoals standaard QAM-constellaties), leert deze AI een volledig nieuw soort "taal" of patroon. Ze vinden een manier om de twee nummers zo door elkaar te husselen dat ze voor elke luisteraar op de juiste plek landen, zelfs als de lucht er anders uitziet dan gisteren.

Het Grote Nieuw: De "Oren" van de Zender

In de echte wereld heeft de zender niet altijd perfect zicht op hoe het weer is. Soms krijgt hij een ruwe schatting, soms een heel gedetailleerd verslag.

Perfecte CSI (Channel State Information): De zender weet precies hoe sterk het signaal is. Dit is als een orkestleider die elke musici exact hoort.
Gekwantiseerde CSI: De zender krijgt alleen een samenvatting. Bijvoorbeeld: "Het is 'matig' of 'sterk'." Dit is als een orkestleider die alleen een handgebaar ziet van de musici.

De auteurs hebben getest met twee manieren om deze samenvatting te maken:

Uniforme kwantisatie: Een simpele liniaal met gelijke streepjes. (Niet altijd slim).
Lloyd-Max kwantisatie: Een slimme liniaal die meer streepjes zet waar het vaak voorkomt. (Net als een weerman die meer details geeft over regen dan over zonnig weer, omdat regen vaker voorkomt).

Het resultaat? De slimme methode (Lloyd-Max) werkt veel beter. De AI leert zelfs met deze onvolmaakte informatie om een signaal te sturen dat bijna net zo goed is als met perfecte informatie.

Waarom is dit zo speciaal?

Het leert zelf: De AI heeft geen menselijke ingenieur nodig om te zeggen hoe het signaal eruit moet zien. Het experimenteert zelf duizenden keren in de computer (training) en ontdekt patronen die mensen misschien nooit zouden bedenken.
Het past zich aan: Als de lucht verandert, verandert het signaal direct mee.
Het is robuust: Zelfs als de informatie over het weer niet perfect is, blijft het systeem werken.

De "Vloer" en de Oplossing

In de tests zagen ze iets vreemds: bij heel sterke signalen (veel vermogen) stopte de verbetering plotseling. Dit noemen ze een "BER-vloer" (Bit Error Rate vloer). Het is alsof je auto niet sneller kan rijden, zelfs niet als je meer gas geeft.

De auteurs hebben een slimme truc bedacht om dit op te lossen. In plaats van de AI alleen te trainen met één instelling, trainden ze hem met verschillende weersomstandigheden tegelijk. Hierdoor leerde de AI om niet alleen bij één specifieke situatie goed te presteren, maar om overal goed te zijn. Hierdoor verdween die "vloer" en werd het systeem nog betrouwbaarder.

Conclusie in één zin

Dit paper laat zien dat we met een slimme AI die de luchtverhoudingen in de gaten houdt, twee mensen tegelijkertijd en veel betrouwbaarder kunnen laten communiceren dan met de oude, starre methoden, zelfs als we niet alles perfect weten over het weer. Het is een stap naar een toekomst waar onze telefoons en netwerken slimmer en aanpasbaarder zijn.

Titel

End-to-End NOMA met Perfecte en Gequantiseerde CSI over Rayleigh Vervagingskanalen

1. Probleemstelling

Non-Orthogonal Multiple Access (NOMA) is een veelbelovende techniek voor de volgende generatie mobiele netwerken die meerdere gebruikers gelijktijdig bedient via dezelfde tijd-frequentie bronnen door middel van machtsverdeling en Successieve Interferentie Cancellatie (SIC). Hoewel NOMA theoretisch voordelen biedt, zijn er aanzienlijke praktische uitdagingen:

Rayleigh Vervaging: De meeste bestaande studies focussen op Additive White Gaussian Noise (AWGN) kanalen. In Rayleigh-vervagende omgevingen (typisch voor draadloze communicatie) introduceert de stochastische aard van het kanaal variabele machtsordening en overlap van super-constellaties, wat leidt tot een sterke degradatie van de Bit Error Rate (BER).
Beperkte CSI: De meeste bestaande werken veronderstellen perfecte Channel State Information (CSI) aan de zender, wat in de praktijk onrealistisch is vanwege bandbreedtebeperkingen voor feedback.
Beperkte aanpak van Deep Learning: Bestaande deep learning-benaderingen (zoals Autoencoders of AE) voor NOMA zijn voornamelijk getest op AWGN-kanalen. Ze zijn niet ontworpen om de variabiliteit van Rayleigh-vervaging te hanteren of om te gaan met gequantiseerde CSI-feedback.

2. Methodologie

De auteurs stellen een End-to-End Autoencoder (AE) framework voor dat specifiek is ontworpen voor downlink NOMA over Rayleigh-vervagende kanalen.

Architectuur:
- Het systeem bestaat uit één encoder (zender) en twee decoders (ontvangers voor User 1 en User 2).
- De encoder ontvangt binaire inputbits en mapt deze naar complexe symbolen die voldoen aan een gemiddeld vermogensbeperking.
- Adaptiviteit: In tegenstelling tot traditionele systemen met vaste constellaties (zoals QPSK), leert de encoder een niet-lineaire mapping die afhankelijk is van de instantane kanaalcondities ( $h_1, h_2$ ). De decoder gebruikt alleen de bijbehorende kanaalversterking als input.
- Netwerk: De architectuur gebruikt diepe fully connected lagen (8 verborgen lagen) met tanh-activatiefuncties en residual connections om de complexiteit van de mapping onder vervaging te hanteren.
Verwerking van CSI:
- Het framework ondersteunt zowel perfecte CSI als gequantiseerde CSI.
- Voor praktische scenario's worden de kanaalversterkingen gequantiseerd voordat ze de encoder bereiken. Twee methoden worden vergeleken:
  1. Uniforme Quantisatie: Gelijke intervallen.
  2. Lloyd-Max Quantisatie: Optimaliseert de kwantisatiefout door de verdeling van de bron (Rayleigh) te benutten, wat resulteert in lagere vervorming.
Training en Loss Functie:
- De training is end-to-end, waarbij de encoder en decoders gezamenlijk worden geoptimaliseerd om de BER te minimaliseren.
- De loss functie is een gewogen som van de binary cross-entropy voor beide gebruikers: $L(\gamma) = w \max(L_1, L_2) + \min(L_1, L_2)$ . Door $w > 1$ te stellen, wordt eerlijkheid tussen gebruikers afgedwongen door de gebruiker met de hoogste fouten te prioriteren.
- Verbeterde Training: Om een "BER-floor" (een plateau in prestaties bij hoge SNR) te voorkomen, wordt een nieuwe trainingsstrategie voorgesteld waarbij batches worden getraind met een reeks representatieve SNR-waarden, gewogen op basis van de gebruikte SNR.

3. Belangrijkste Bijdragen

Eerste AE-NOMA voor Rayleigh: Dit is het eerste werk dat een end-to-end autoencoder toepast op NOMA onder Rayleigh-vervaging, inclusief de integratie van gequantiseerde CSI-feedback.
Adaptieve Super-constellaties: De encoder leert dynamisch de vorm van de super-constellatie aan te passen aan de huidige kanaalcondities om inter-user interferentie te mitigeren, zonder vooraf gedefinieerde constellaties (zoals QPSK) te gebruiken.
Praktische CSI-Implementatie: Het introduceren van een framework dat werkt met beperkte feedback via uniforme en Lloyd-Max quantisatie, wat de haalbaarheid voor real-world implementaties vergroot.
Nieuwe Loss-strategie: Een innovatieve trainingsmethode om het BER-floor-effect bij hoge SNR-waarden te elimineren zonder de prestaties bij lage SNR te verstoren.

4. Resultaten

De simulaties (gebaseerd op 40.000 trainingsstalen en 10.000 epochs) tonen de volgende resultaten:

Prestatie ten opzichte van theorie: Met perfecte CSI overtreft het voorgestelde AE-systeem aanzienlijk de theoretische BER van traditionele QPSK-QPSK NOMA-schemata en bestaande adaptieve benchmarks (zoals PAR en PANOMA). Bij een BER van $10^{-2}$ bespaart het AE-systeem ongeveer 5 dB ten opzichte van de theoretische NOMA-basislijn.
Kanaaladaptiviteit: De AE leert constellaties die dicht in de buurt komen van de theoretische ondergrens (vergelijkbaar met 16-QAM voor de sterke gebruiker), zelfs zonder vooraf ingestelde structuur.
Kwantisatie: Lloyd-Max quantisatie levert consequent betere BER-prestaties op dan uniforme quantisatie, vooral bij lagere resoluties. Bij hogere resoluties (≥4 bits) naderen beide methoden elkaar.
Scalabiliteit: Het systeem past zich succesvol aan aan verschillende bitlengtes per gebruiker (bijv. 2 bits vs 3 bits) zonder de architectuur fundamenteel te hoeven wijzigen.
BER-floor Mitigatie: De nieuwe trainingsstrategie met meerdere SNR-waarden elimineert het plateau bij hoge SNR, waardoor de curve verder daalt en dichter bij de ondergrens komt.

5. Betekenis en Conclusie

Dit paper markeert een belangrijke stap in de toepassing van deep learning voor draadloze communicatie. Het bewijst dat end-to-end autoencoders niet alleen effectief zijn in statische AWGN-omgevingen, maar ook robuuste, interferentiebewuste signaleringsstrategieën kunnen leren in dynamische Rayleigh-vervagende omgevingen.

De studie benadrukt dat:

Traditionele, starre constellaties (zoals QPSK) suboptimaal zijn in vervagende kanalen.
End-to-end learning de mogelijkheid biedt om de transmissie direct te optimaliseren voor de kanaalstatistieken.
Zelfs met beperkte (gequantiseerde) CSI-feedback, kunnen deze systemen uitstekende prestaties behalen, mits geavanceerde quantisatiemethoden (Lloyd-Max) worden gebruikt.

De auteurs concluderen dat dit framework de weg vrijmaakt voor de implementatie van NOMA in realistische vervagingsomgevingen met praktische beperkingen op kanaalfeedback. Toekomstig werk richt zich op het gezamenlijk optimaliseren van de quantizer en de autoencoder om de prestaties nog dichter bij het geval zonder quantisatie te brengen.