⚡ electrical engineering

Outage Probability Analysis of MRC-Based Fluid Antenna Systems under Rician Fading

本文通过推导物理参考端口模型和虚拟参考端口模型的精确及渐近统计特性，分析了采用莱斯衰落下最大比合并技术的流体天线系统的中断概率，并揭示了虚拟模型具有更高的准确性，尤其是在系统规模和信号质量增加的情况下。

原作者： Tummi Ganesh, Soumya P. Dash, Italo Atzeni

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Tummi Ganesh, Soumya P. Dash, Italo Atzeni

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在繁忙的城市中捕捉一个无线电信号。信号在建筑物、汽车和树木之间来回反射，导致信号产生波动并时断时续。工程师们称这种现象为“衰落”（fading）。

为了解决这个问题，传统无线电使用多个天线（就像拥有好几只耳朵）来从不同角度倾听信号。但在未来（6G），我们希望在微小设备中集成更多天线，而使用固定的、刚性的金属棒来实现这一点非常困难。

解决方案：“液体”天线
这篇论文介绍了一个新概念，称为流体天线系统（Fluid Antenna System, FAS）。想象一个单一的、灵活的天线，它可以物理性地移动或“流动”到一个小区域内的不同位置。这就像是一个麦克风，可以瞬间滑动到桌上的 10 个不同位置，以寻找听清说话人声音最清晰的位置。

论文研究了一个特定的设置：

设置： 一个发射器向一个带有这种“流体”天线的接收器发送信号。
策略： 流体天线有 $M$ 个可能占据的位置（端口）。接收器会检查所有 $M$ 个位置的信号强度，挑选出其中最好的 $K$ 个，并将它们的信号组合在一起（就像将最好的音轨混合成一首更响亮、更清晰的歌曲）。这被称为最大比合并（Maximum Ratio Combining, MRC）。
目标： 计算“中断概率”（Outage Probability, OP）。简单来说，就是即使在挑选了最佳位置并进行组合后，信号仍然过弱以至于无法被理解的概率。

大问题：“参考端口”陷阱
当这些天线位置靠得非常近时，它们不会独立工作，而是会产生“相关性”。如果一个位置收到的信号很差，其相邻的位置也很可能收到很差的信号。

为了计算这种相关性是如何运作的，工程师通常使用数学模型。论文对比了两种模型：

模型 A（旧方法——物理参考端口）： 该模型假设天线上的第一个位置是“老板”或“参考点”。它计算所有其他位置如何与第一个位置相关联。论文认为，这就像是通过只观察每个人如何与长兄/长姐建立关系来描述整个家族族谱一样。这是一种简化，当位置很多时，会变得混乱且不准确。
模型 B（新方法——虚拟参考端口）： 该模型引入了一个“幽灵”或“虚拟”参考点，这个点在物理上并不存在，但能从数学上帮助描述所有位置之间平等的相互关系。论文声称，这才是更符合现实的准确描述方式。

论文的研究发现
作者进行了深入的数学研究，以观察这两种模型如何影响连接的可靠性。

数学是成立的： 他们推导出了复杂的公式，可以精确预测两种模型下信号发生中断（失效）的频率。他们还找到了一个“下界”（lower bound），这是一个安全、易于计算的估计值，且非常接近真实答案。
“多样性”红利： 他们证明了如果你有 $M$ 个位置并挑选最好的 $K$ 个，你对抗信号衰落的能力（分集增益/多样性阶数）等于 $M$ 。本质上，拥有的位置越多，你的安全网就越大。
旧模型存在缺陷： “旧方法”（模型 A）在信号较弱或仅选择少量位置时看起来还可以。然而，随着信号变强（高信噪比）以及使用的位置数量（ $M$ $M$ 和 $K$ $K$ ）增加，旧方法会变得极其不准确。
- 类比： 想象你在预测天气。在风平浪静的日子，一个简单的猜测可能奏效。但在伴随着复杂风向的巨大风暴中，这个简单的猜测会完全失效。论文表明，旧模型无法正确预测“风暴”（高性能场景）的情况。
“凹性”意外： 当他们测试信号在不同类型的干扰（莱斯衰落/Rician fading）下的表现时，“旧模型”预测了一个奇怪的、倒置的“U”形曲线（性能在变好之前先变差）。而“新模型”显示了预期的结果：随着信号变得更清晰，性能持续提升。这证明了在某些条件下，旧模型在根本上具有误导性。

总结
如果你正在设计这些下一代流体天线，你不能依赖那个将第一个天线视为“老板”的旧的、简化的数学模型。你必须使用更准确的“虚拟参考”模型，尤其是在你拥有许多天线位置并试图充分发挥其性能时。忽视这种差异，可能会导致你设计的系统在实际运行中明明正在失效，却误以为自己运行完美。

技术摘要：基于最大比合并（MRC）的流体天线系统在莱斯衰落下的中断概率分析

问题陈述
流体天线系统（FAS）已成为 6G 及未来通信中一种极具前景的范式，它通过在多个端口之间动态切换单个辐射元件，实现了空间分集，而无需大规模 MIMO 那样的硬件复杂度。然而，由于相邻端口之间不可避免的空间相关性，准确分析 FAS 的性能变得十分复杂。以往的研究通常采用一种“简化信道模型”，即将第一个物理端口作为参考来定义相关性，这种方法对任意端口之间的相关性施加了结构性限制，可能导致结果失真。此外，现有的 FAS 文献主要集中在瑞利衰落下的单端口激活研究，在理解多端口选择（特别是从 $M$ 个端口中选择最优的 $K$ 个端口）在包含 LoS（视距）分量（这在实际 6G 场景中很常见）的莱斯衰落条件下的性能方面，仍存在研究空白。

研究方法
本文研究了一种 FAS，其中单天线发射机与配备有一维流体天线（包含 $M$ 个端口）的接收机进行通信。接收机选择具有最高瞬时信噪比（SNR）的最佳 $K$ 个端口，并使用最大比合并（MRC）技术对它们进行合并。信道模型基于莱斯衰落进行建模。

其核心方法论贡献在于对比分析了两种不同的信道相关模型：

物理参考端口模型：这是广泛使用的方法，其中第一个物理端口作为参考，并基于此派生出相关性（基于 Jakes 模型）。
虚拟参考端口模型：一种更准确的方法，通过引入一个虚拟参考端口来通过共同的相关系数连接所有物理端口，从而避免了物理参考模型的结构性约束。

作者利用特征函数（c.f.）方法推导了合并后 SNR 的统计特性。这使得能够推导出两种模型下中断概率（OP）的精确积分形式表达式。为了解决这些精确积分在数学上的难解性，论文推导了 OP 的闭式下界，并分析了其在高平均信噪比下的渐近行为。

主要贡献

双模型分析：本文针对 MRC 结合的 FAS，在莱斯衰落条件下，严谨地推导了物理参考端口模型和更准确的虚拟参考端口模型的 OP 表达式。
特征函数方法：建立了一个基于特征函数的框架，以处理由端口选择和相关性引入的统计依赖关系，从而得出精确的 OP 表达式。
闭式界限与渐近特性：研究推导了 OP 的闭式下界以及高 SNR 下的渐近表达式。结果表明，无论使用哪种相关模型，所讨论的 MRC 结合 FAS 的分集增益均为 $M$ 。
量化模型误差：通过数值评估了两个模型之间的差异，证明了当可用端口数（ $M$ ）、选择的端口数（ $K$ ）以及平均信噪比增加时，物理参考端口模型会变得越来越不准确。

结果
数值结果验证了该分析框架，表明推导出的表达式与蒙特卡洛模拟相吻合。关键发现包括：

分集增益：系统实现了 $M$ 的分集增益，证实了选择并合并多个端口的有效性。
模型差异：物理模型与虚拟模型之间的中断概率之比（ $P_{out}^{p.r.p.} / P_{out}^{v.r.p.}$ ）在中高信噪比下显著偏离 1。这种偏差随着较大的 $M$ 、 $K$ 以及较小的端口间距（较小的 $W$ ）而增大。
莱斯因子行为：一个关键发现是两个模型对莱斯因子（ $\kappa$ ）响应方式的不同。虚拟参考端口模型显示，随着 $\kappa$ 增加，OP 单调递减（表明随着 LoS 增强性能提升）。相比之下，物理参考端口模型呈现凹形趋势，即 OP 先增加后减少，这表明该模型在某些 LoS 强度下会对性能下降做出误导性的预测。
端口选择：选择最佳 $K$ 个端口的表现显著优于随机端口选择，且性能随 $K$ 和 $M$ 的增加而提升。

意义
本文指出，虽然物理参考端口模型简化了分析，但在预测多端口 FAS 的性能（特别是在高信噪比和使用大量端口时）方面存在显著误差。所提出的虚拟参考端口模型提供了一个既具备数学可处理性又更准确的替代方案，适用于系统设计和性能评估。这项工作强调了在分析 6G 网络中的 FAS 时，采用准确相关模型的必要性，特别是当系统向涉及密集端口阵列的连续孔径 MIMO 概念演进时。研究结果表明，在涉及 LoS 分量的实际部署中，依赖简化模型可能会导致次优的系统配置或错误的性能预期。

类似论文