A Unified Framework for Mixed Fading Sums

Resumo Técnico: Uma Estrutura Unificada para Somas de Desvanecimento Misto

Definição do Problema
A caracterização da soma de variáveis aleatórias (VAs) positivas independentes é um desafio fundamental em comunicações sem fio, particularmente para modelagem de combinação de diversidade, relé cooperativo e detecção de sinal. Embora as estatísticas das somas para modelos de desvanecimento específicos (ex: Rayleigh, Nakagami-$m$) tenham sido estudadas, obter soluções exatas, unificadas e computacionalmente tratáveis para somas mistas (combinações heterogêneas de diferentes distribuições de desvanecimento) permanece uma lacuna analítica significativa. As soluções existentes frequentemente dependem de construtos matemáticos complexos, como funções Fox $H$ multivariadas, séries hipergeométricas de Lauricella ou integrais aninhadas. Essas abordagens sofrem de severas limitações computacionais: não são implementadas em softwares padrão, requerem integração numérica multidimensional e exibem crescimento de complexidade exponencial à medida que o número de variáveis somadas ($L$) aumenta. Além disso, a maior parte da literatura existente é restrita a somas homogêneas (i.i.d. ou i.n.i.d. do mesmo tipo de distribuição), deixando as estatísticas exatas de somas de desvanecimento de classe Gaussiana e de classe não Gaussiana amplamente desconhecidas.

Metodologia
Os autores propõem uma nova estrutura analítica baseada em uma representação de série canônica de funções de densidade de probabilidade (PDFs). O núcleo da metodologia envolve:

1. Representação de Série Canônica: A estrutura assume que a PDF de qualquer VA positiva independente $X_\ell$ pode ser expressa como uma série da forma $f_{X_\ell}(x) = \Psi_\ell \sum_{i=0}^\infty \eta_{i,\ell} x^{i\theta + \beta_\ell - 1} / \Gamma(i\theta + \beta_\ell)$.
2. Teorema Unificado: Um teorema principal é derivado para determinar a PDF e a Função de Distribuição Acumulada (CDF) da soma $X = \sum X_\ell$. As distribuições resultantes são expressas como uma série infinita única com coeficientes ($\delta_i$) determinados por uma relação recursiva envolvendo os coeficientes marginais das VAs individuais.
3. A Distribuição de Mistura $\alpha$-$\mu$: Para aplicar esta estrutura à vasta classe de modelos de desvanecimento Gaussiano, os autores introduzem a Mistura $\alpha$-$\mu$. Eles demonstram que todos os modelos de desvanecimento de classe Gaussiana (incluindo Rayleigh, Rice, Nakagami-$m$, $\bar{\alpha}$-$\bar{\mu}$, $\kappa$-$\bar{\mu}$, FTR, TWDP e suas variantes sombreadas/estendidas) podem ser representados como uma mistura ponderada de distribuições $\alpha$-$\mu$. Isso unifica o tratamento desses diversos modelos sob uma única estrutura analítica.
4. Extensão Não Gaussiana: A estrutura é estendida para o desvanecimento de classe não Gaussiana, especificamente a razão de variáveis $\bar{\alpha}$-$\bar{\mu}$ (denotada como $\bar{\alpha}$-$\bar{\mu}/\bar{\alpha}$-$\bar{\mu}$), que inclui modelos como o Fisher-Snedecor $F$ e $\bar{\alpha}$-$F$.
5. Análise de Desempenho: As estatísticas de soma derivadas são aplicadas para analisar receptores de Combinação de Ganho Igual (EGC) e Combinação de Razão Máxima (MRC). Os autores derivam expressões exatas para Probabilidade de Interrupção (OP) e realizam análise assintótica de alto SNR para determinar ordens de diversidade e ganhos de codificação.

Principais Contribuições

• Estrutura Analítica Unificada: O artigo fornece expressões exatas, compactas e de série única para a PDF e a CDF de somas de VAs positivas independentes mistas. Esta estrutura acomoda somas i.i.d., i.n.i.d. e heterogêneas (de tipos mistos).
• Modelo de Mistura $\alpha$-$\mu$: Uma nova distribuição é introduzida, que unifica todos os modelos de desvanecimento de classe Gaussiana. Isso permite que as estatísticas de soma exatas de qualquer combinação desses modelos (ex: somar um ramo Rayleigh com um ramo Rice) sejam derivadas usando os mesmos coeficientes recursivos.
• Estatísticas de Soma Mista Exatas: O artigo apresenta as primeiras soluções exatas para a soma de distribuições de desvanecimento de classe Gaussiana e de classe não Gaussiana. Isso cobre cenários anteriormente intratáveis, como somas envolvendo $\bar{\alpha}$-$\kappa$-$\bar{\mu}$ Shadowed, Extended $\bar{\alpha}$-$\bar{\eta}$-$\bar{\mu}$, e combinações mistas de variáveis FTR e $\bar{\alpha}$-$F$.
• Eficiência Computacional: Ao contrário dos métodos existentes que escalam exponencialmente (ex: $O(t_0^L)$) ou requerem integração multidimensional, a estrutura proposta escala quadraticamente com a ordem de truncamento ($O(t_0^2)$) e linearmente com o número de variáveis ($O(L)$) para o caso heterogêneo.
• Análise de Receptor de Diversidade: Expressões exatas e assintóticas de OP são derivadas para receptores EGC e MRC operando sobre canais de desvanecimento mistos, revelando explicitamente como a ordem de diversidade e o ganho de codificação são afetados pela heterogeneidade do canal.

Resultados

• Validação: Os resultados analíticos foram validados contra simulações de Monte Carlo e, onde disponível, contra benchmarks analíticos existentes (ex: função Fox $H$ multivariada para somas $\bar{\alpha}$-$F$ e funções hipergeométricas confluentes para somas de FTR ao quadrado). As curvas analíticas propostas mostraram alinhamento perfeito com as simulações.
• Escalabilidade: Resultados numéricos demonstram que a estrutura proposta permanece computacionalmente viável para $L=12$ (e provavelmente superior), enquanto métodos de referência (função Fox $H$, integral de Brennan) tornam-se computacionalmente proibitivos ou falham em convergir para $L > 6$ ou $L > 7$.
• Insights de Desempenho: A análise confirma que, para desvanecimento misto, a ordem de diversidade é determinada pela soma dos expoentes líderes das distribuições marginais, enquanto o ganho de codificação é influenciado pelos pesos de mistura e parâmetros específicos. Foi mostrado que EGC e MRC alcançam a mesma ordem de diversidade assintótica, embora com diferentes ganhos de codificação.

Significância
O artigo afirma fornecer uma base analítica unificada e tratável para modelagem de canal e avaliação de desempenho em sistemas sem fio modernos. Ao resolver o problema de longa data das somas de desvanecimento misto, a estrutura permite:

• Modelagem Precisa: Modelagem de canal realista onde diferentes caminhos de propagação seguem leis de desvanecimento distintas (ex: em sistemas assistidos por RIS, redes cooperativas e redes integradas satélite-aéreo).
• Design Eficiente: A capacidade de avaliar confiabilidade, comparar arquiteturas de diversidade e realizar design de orçamento de link sem recorrer a integrações numéricas custosas ou extensas simulações de Monte Carlo.
• Generalização: Uma única ferramenta matemática que substitui a necessidade de derivações caso a caso para a vasta gama de modelos de desvanecimento convencionais, generalizados e recentemente introduzidos, incluindo aqueles adaptados para bandas mmWave e THz.

Os autores enfatizam que esta estrutura vai além das limitações da análise de soma homogênea, oferecendo uma ferramenta prática para os ambientes de desvanecimento heterogêneo característicos dos sistemas 6G emergentes e avançados.