⚡ electrical engineering

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

本文提出了一种针对瑞利衰落信道下下行非正交多址（NOMA）系统的端到端自动编码器框架，该框架不仅通过直接嵌入信道实现了干扰感知和自适应的超星座学习，还进一步结合均匀与 Lloyd-Max 量化机制分析了有限信道状态信息（CSI）的影响，仿真结果表明其在完美 CSI 下优于现有方案，且 Lloyd-Max 量化在误码率性能上表现更佳。

原作者： Selma Benouadah, Mojtaba Vaezi, Ruizhan Shen, Hamid Jafarkhani

发布于 2026-02-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Selma Benouadah, Mojtaba Vaezi, Ruizhan Shen, Hamid Jafarkhani

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

这篇文章介绍了一种利用人工智能（深度学习）来优化无线通信的新方法，特别是针对一种叫NOMA（非正交多址接入）的技术。

为了让你轻松理解，我们可以把这篇论文的研究内容想象成**“在嘈杂的暴风雨中，如何用最聪明的方式同时给两个人送快递”**。

1. 背景：传统的“送快递”方式（NOMA）

想象你有一个快递站（基站），需要同时给两个客户（用户）送包裹。

传统做法：通常我们会把两个包裹分开送，或者用不同的车道（正交多址）。
NOMA 的做法：为了省时间，我们把两个包裹叠在一起，用同一辆车、同一条路同时送出去。
- 给第一个客户的包裹（用户 1）比较轻，给第二个客户的包裹（用户 2）比较重。
- 到了目的地，第一个客户（信号弱的）需要先把那个“重包裹”（用户 2 的）像剥洋葱一样剥掉，才能拿到自己的；而第二个客户（信号强的）因为信号好，可以直接看穿“重包裹”拿到自己的。

问题出在哪？
现实世界不是平静的，而是充满了**“暴风雨”（也就是论文里说的瑞利衰落信道**）。风大时，包裹会被吹歪、变形，两个包裹叠在一起后，形状变得乱七八糟，客户很难分清哪个是自己的，导致送错货（误码率高）。

2. 核心创新：AI 自动编码器（AE）

以前的方法就像是一个死板的快递员：不管风怎么吹，他都用固定的方式打包和送件。
这篇论文提出了一种**“超级智能快递员”（基于自动编码器的 AI 系统）**。

它是怎么工作的？
这个 AI 系统就像一个**“变形金刚”。它不依赖固定的打包规则，而是通过自我学习**，根据当时的天气（信道状态）实时调整打包方式。
- 如果风很大：AI 会把包裹包得更紧，或者改变形状，让它们叠在一起时不容易混淆。
- 如果风很小：AI 会换一种更高效的打包方式。
- 关键点：它不是把两个包裹简单叠放，而是学习创造一种全新的、混合的“超级包裹”形状，让接收端能最轻松地分辨出来。

3. 现实挑战：快递员看不清天气（CSI 量化）

在现实中，快递站（基站）很难实时知道每一阵风的具体大小（完美的信道状态信息，Perfect CSI），因为反馈信息太慢或带宽不够。

比喻：就像快递员只能收到天气预报说“风很大”或“风有点大”，而不能知道具体的风速是 10.5 米/秒还是 10.6 米/秒。这就是量化信道信息（Quantized CSI）。

论文做了什么？
他们测试了两种“看天气”的方法：

均匀量化：像一把尺子，把风速分成均匀的几段（比如 0-5 级，5-10 级）。这比较粗糙。
Lloyd-Max 量化：像一把智能尺子。它发现“微风”的情况最多，所以把尺子的刻度在“微风”区域分得很细，在“狂风”区域分得粗一点。
- 结果：这种“智能尺子”（Lloyd-Max）让 AI 快递员看得更准，送错货的概率更低。

4. 遇到的困难与解决：高信噪比下的“地板效应”

在实验中发现，当天气特别好（信号很强，信噪比高）时，AI 的表现反而卡在一个固定的错误率上，不再进步了。

比喻：就像学生考试，平时练习（训练）时只考 10 分难度的题。到了真正考 100 分难度的题时，虽然题目很简单，但他因为习惯了低难度，反而不会做，成绩卡住了。
解决方案：论文提出了一种**“混合难度训练法”**。在训练时，让 AI 同时练习简单、中等和困难的题目（不同信噪比），而不是只练一种。这样 AI 就能适应各种天气，不再“卡壳”。

5. 总结：这篇论文厉害在哪？

更聪明：它不再用死板的规则，而是让 AI 自己学会在“暴风雨”中如何把包裹叠得最稳。
更实用：它考虑了现实中“看不清天气”的情况，并证明了用“智能尺子”（Lloyd-Max 量化）效果最好。
更完美：解决了 AI 在极端好天气下表现不佳的问题，让它能应对各种情况。

一句话总结：
这篇论文教给通信系统一个**“见风使舵”的 AI 大脑**，让它能在信号混乱的无线环境中，通过智能调整信号形状，把多个用户的信号完美地叠在一起发送，即使接收端只能获得模糊的天气信息，也能保证极高的准确率。这为未来 6G 网络中同时连接海量设备奠定了重要基础。

这是一份关于论文《End-to-End NOMA with Perfect and Quantized CSI Over Rayleigh Fading Channels》（瑞利衰落信道下具有完美和量化信道状态信息的端到端 NOMA）的详细技术总结。

1. 研究背景与问题 (Problem)

非正交多址接入 (NOMA) 的挑战：NOMA 作为一种支持大规模连接的下一代多址技术，通过在发射端叠加不同功率因数的符号，并在接收端使用串行干扰消除 (SIC) 来服务多个用户。然而，在实际的有限字母表（如 QAM）和瑞利衰落 (Rayleigh Fading) 信道下，用户间干扰和信道随机性会导致叠加星座图重叠，严重恶化误码率 (BER)。
现有研究的局限性：
- 大多数现有研究假设加性高斯白噪声 (AWGN) 信道，忽略了瑞利衰落的随机性。
- 针对衰落信道的研究通常假设高斯输入，主要分析可达速率或中断概率，较少直接优化 BER。
- 现有的基于深度学习的自动编码器 (AE) 方案大多仅适用于 AWGN 信道，未扩展到瑞利衰落环境。
- 大多数设计假设发射端拥有完美的信道状态信息 (CSI)，忽略了实际系统中反馈带宽受限导致的量化 CSI 问题。
核心问题：如何在瑞利衰落信道下，利用端到端学习设计自适应的 NOMA 系统，使其能够根据瞬时信道条件调整叠加星座图，并处理量化 CSI 带来的性能损失？

2. 方法论 (Methodology)

本文提出了一种端到端 (End-to-End) 的自动编码器 (AE) 框架，专门用于瑞利衰落信道下的下行 NOMA 系统。

系统模型：
- 单基站 (BS) 服务两个用户 (UE1, UE2)。
- 发射端将二进制输入映射为复数符号，进行功率叠加： $x = \sqrt{\alpha P}x_1 + \sqrt{(1-\alpha)P}x_2$ 。
- 信道模型为瑞利衰落： $y_k = h_k x + n_k$ ，其中 $h_k$ 服从瑞利分布。
网络架构：
- 编码器 (Tx)：将两个用户的输入比特映射为叠加符号。关键创新在于，编码器将瞬时信道增益 ( $h_1, h_2$ ) 或其量化值 ( $\hat{h}_1, \hat{h}_2$ ) 作为输入。这使得发射端能够根据当前信道条件自适应地整形叠加星座图。
- 解码器 (Rx)：两个解码器分别对应两个用户，利用各自的接收信号和信道增益进行解码。
- 深度结构：采用包含 8 个隐藏层的全连接神经网络（比 AWGN 场景更深），以捕捉瑞利衰落带来的复杂映射关系。
训练策略：
- 损失函数：采用加权最小化二元交叉熵损失 $L(\gamma) = w \max(L_1, L_2) + \min(L_1, L_2)$ ，其中 $w>1$ 用于强制用户公平性，关注高损失用户。
- 量化 CSI 处理：为了模拟实际限制，在发射端对信道增益的实部和虚部进行量化。比较了均匀量化 (Uniform) 和 Lloyd-Max 量化 两种方案。
- 高信噪比 (High SNR) 误码底 (BER Floor) 优化：针对固定训练 SNR 导致的高 SNR 下性能饱和问题，提出了一种新的训练方法：在每次训练批次中使用一组代表性的 SNR 值，并根据当前 SNR 在集合中的归一化权重调整损失函数，从而消除误码底。

3. 主要贡献 (Key Contributions)

首次将 AE-NOMA 扩展至瑞利衰落信道：设计了能够适应随机信道增益的编码器，学习干扰感知的叠加星座图，确保在所有信道增益下均具有良好的 BER 性能。
引入量化 CSI 反馈机制：提出了首个结合量化 CSI（均匀和 Lloyd-Max）的 AE-NOMA 框架，使设计更贴近实际系统约束。
提出新型训练与损失函数：
- 设计了加权损失函数以平衡用户公平性。
- 提出了一种多 SNR 混合训练策略，有效解决了高 SNR 下的误码底问题，使性能更接近理论下界。
性能超越传统方案：通过数值仿真证明，该方法在 BER 性能上显著优于传统的自适应功率分配和星座旋转方案（如 PAR 和 PANOMA）。

4. 实验结果 (Results)

星座图自适应：AE 能够根据信道增益动态改变叠加星座图结构。弱用户观察到 4 个簇，强用户可分辨多达 16 个簇，且星座结构随信道变化而调整。
BER 性能对比：
- 在瑞利衰落信道下，提出的 AE-NOMA 方案显著优于基于 QPSK 的理论分析基准（Lemma 1）。
- 与文献 [9] (PAR) 和 [11] (PANOMA) 中的自适应方案相比，AE 在全 SNR 范围内均表现出更低的 BER。
- 在 BER 为 $10^{-2}$ 时，AE 方案仅需约 12.5 dB 的 SNR，而传统 NOMA 基准需要约 17.5 dB。
量化 CSI 的影响：
- 量化位数增加，BER 性能提升。
- Lloyd-Max 量化在所有量化层级下均优于均匀量化，因为它最小化了均方量化误差 (MSQE)。
- 当量化位数 $\ge 4$ 时，两种量化方案的差距变小。
不同比特长度适应性：在用户比特数不同（如 2 比特 vs 3 比特）的情况下，AE 无需改变网络结构（仅需调整输出层大小），性能仍显著优于传统 NOMA。
误码底消除：通过多 SNR 训练策略，成功消除了高 SNR 下的误码底，同时保持了低 SNR 下的优异性能。

5. 意义与展望 (Significance)

理论意义：证明了端到端深度学习可以直接在瑞利衰落信道中训练，无需依赖预设的星座图或固定的功率分配策略，能够自动学习出抗干扰、信道自适应的最优信号映射。
实际价值：
- 该框架考虑了量化 CSI，解决了实际系统中反馈带宽受限的关键问题，为 NOMA 在真实衰落环境中的部署铺平了道路。
- 提出的训练策略解决了深度学习通信系统中常见的高 SNR 性能饱和问题，提高了系统的鲁棒性。
未来工作：建议未来研究将量化器与自动编码器进行联合优化 (Joint Optimization)，以进一步缩小量化 CSI 与完美 CSI 之间的性能差距，并减少所需的量化层级。

总结：本文通过引入端到端自动编码器，成功解决了瑞利衰落信道下 NOMA 系统的信号设计难题，并有效处理了量化 CSI 带来的挑战，为下一代无线通信系统的智能化信号设计提供了重要的理论依据和技术方案。