🔢 mathematics

Exact Outage Probability and Ergodic Capacity Analysis of NOMA in Rayleigh Fading Channels

本文针对瑞利衰落信道下的下行 NOMA 系统，通过考虑 SIC 后噪声与衰落及噪声实虚部之间的依赖关系，推导了精确的闭式中断概率和遍历容量公式，揭示了传统高斯模型及残留干扰因子在低中信噪比及非均衡功率分配场景下的局限性，并证明了依赖关系对系统性能评估的关键影响。

原作者： Arafat Al-Dweik, Alok Kumar Shukla, Sami Muhaidat

发布于 2026-04-14

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Arafat Al-Dweik, Alok Kumar Shukla, Sami Muhaidat

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

这篇文章主要讲的是在无线通信（比如 5G 或未来的 6G）中，如何让两个用户同时接收同一个信号，并且更准确地计算这种技术会不会“掉线”（中断）或者能传多快（容量）。

为了让你更容易理解，我们可以把这篇论文的核心内容想象成**“在一个拥挤的房间里，两个人同时听同一个广播”**的故事。

1. 背景：拥挤的广播室（NOMA 技术）

想象一个广播站（基站）要同时给两个人发信息：

远房用户（FU）：住得远，信号弱，需要广播站把大部分能量（音量）都给他，才能听清。
近处用户（NU）：住得近，信号强，只需要一点点音量就能听清。

为了节省时间，广播站把两个人的声音混合在一起发出去（这就是NOMA技术）。

远房用户：因为信号弱，直接听混合音，虽然有点杂，但能听懂。
近处用户：因为信号强，他听到的混合音里，远房用户的声音其实很大。他需要先把远房用户的声音“剔除”掉，剩下的才是他自己的声音。这个过程叫**“干扰消除”（SIC）**。

2. 问题：完美的假设 vs. 现实（旧模型的缺陷）

以前的科学家在计算这种系统好不好用时，通常假设：

假设 A：近处用户能完美地把远房用户的声音剔除掉，就像用橡皮擦把纸上的字擦得一干二净，一点痕迹都没有。
假设 B：如果剔除不干净，剩下的杂音（残留干扰）就像普通的背景噪音（比如白噪音），是随机且均匀的。

这篇论文指出：这些假设太理想化了，不符合现实！

现实情况是：

擦不干净（SIC 失败）：有时候近处用户听错了，把远房用户的声音当成了自己的，或者没完全擦掉。这时候剩下的“杂音”并不是普通的白噪音，它变得很奇怪、很偏科。
噪音和信号“勾肩搭背”（依赖关系）：以前大家认为“信号强弱”（衰落）和“背景噪音”是两码事，互不干扰。但这篇论文发现，一旦发生了“擦除错误”，信号强弱和噪音的大小就产生了联系。就像如果你在一个很吵的房间里（噪音大），你更容易听错广播（信号判断错误）；而如果你听错了，剩下的杂音模式又和房间的大小（信号强度）有关。它们不再是独立的，而是互相影响的。

3. 这篇论文做了什么？（核心贡献）

作者们没有再用那些“理想化”的公式，而是像法医一样，重新解剖了整个过程：

重新定义“噪音”：他们发现，当“擦除”成功时，剩下的噪音是一种分布；当“擦除”失败时，剩下的噪音是另一种完全不同的分布。而且，这两种分布都跟信号强弱紧紧绑在一起。
算出“精确概率”：他们推导出了全新的数学公式，不再依赖那个模糊的“不完美系数”（以前大家随便设个 0 到 1 之间的数来代表擦除不干净的程度）。现在的公式是**“无参数”**的，也就是说，不需要人为去猜那个系数是多少，公式自己会根据信号强度、功率分配自动算出最准确的结果。
揭露旧模型的错误：他们发现，以前那些简单的公式，在信号不好（低信噪比）或者功率分配不均匀的时候，会严重误判系统的性能。有时候你以为系统很稳，其实它随时会掉线；有时候你以为它很卡，其实它还能跑。

4. 一个生动的比喻：切蛋糕

想象你在切蛋糕（信号）：

旧模型：假设切蛋糕的人要么切得完美无缺（一点碎屑都没有），要么切得乱七八糟，但他切剩下的碎屑（干扰）总是均匀撒在蛋糕上的。
新模型（本文）：发现切蛋糕的人如果手抖了（SIC 失败），剩下的碎屑不仅不均匀，而且碎屑的大小和蛋糕原本的大小（信号强度）是有关联的。如果你切的时候手抖了，说明那块蛋糕可能太滑（信号弱）或者刀太钝（噪音大）。

5. 结论：这对我们意味着什么？

更准的预测：这篇论文提供的公式能让工程师更准确地预测网络会不会断连，或者网速能有多快。
不再盲目调参：以前工程师需要像“调收音机”一样，手动调整那个“不完美系数”来凑数据。现在不需要了，公式自带“智能”，直接给出真相。
设计更优的网络：通过理解这种“噪音和信号互相依赖”的真相，未来的通信网络设计会更合理，在信号不好的时候也能保证用户不掉线。

一句话总结：
这篇论文就像给无线通信领域做了一次“深度体检”，它揭穿了以前那些“太理想化”的假设，告诉我们：当信号处理出错时，噪音和信号是“狼狈为奸”的，只有看清这种关系，才能算出真正的网络性能。

这是一份关于论文《Exact Outage Probability and Ergodic Capacity Analysis of NOMA in Rayleigh Fading Channels》（瑞利衰落信道下 NOMA 的精确中断概率与遍历容量分析）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
非正交多址接入（NOMA）是下一代无线网络的关键技术，通过在相同的时间 - 频率资源上服务多个用户来提高频谱效率。在下行链路 NOMA 中，近端用户（NU）通常利用**连续干扰消除（SIC）**技术先解码并消除远端用户（FU）的信号，再检测自身信号。

核心问题：
现有的 NOMA 性能分析（如中断概率 OP 和遍历容量 EC）通常基于以下两种简化假设之一：

完美 SIC：假设干扰被完全消除。
不完美 SIC（传统模型）：假设 SIC 失败时，残留干扰被建模为一个高斯噪声项，并通过一个**不完美因子（ $\eta$ 或 $\zeta$ ）**来调节，该因子通常被设定为 $[0, 1]$ 范围内的独立变量。

现有研究的局限性：

统计特性被忽略：现有模型忽略了 SIC 过程对噪声和衰落统计特性的影响。实际上，SIC 的成功或失败会改变后处理噪声和信道增益的联合概率密度函数（PDF）。
独立性假设错误：传统模型假设 SIC 后的噪声和衰落仍然是独立的，且服从与 SIC 前相同的分布。
参数依赖性强：传统的不完美因子 $\zeta$ 被视为独立系统变量，但实际上它依赖于信噪比（SNR）、功率分配系数和目标速率。
评估偏差：在低到中等 SNR 以及功率分配不平衡的情况下，传统的高斯/残留因子模型会严重高估或低估系统的中断概率和容量。

2. 方法论 (Methodology)

本文提出了一种精确的解析框架，不再依赖经验性的不完美因子，而是从统计力学角度重新推导 SIC 后的噪声和衰落特性。

主要步骤：

系统建模：
- 考虑下行链路双用户 NOMA 系统，采用 BPSK 调制（后续扩展至 QPSK）。
- 基站发送叠加信号 $X = \sqrt{\alpha_1}s_1 + \sqrt{\alpha_2}s_2$ 。
- 近端用户接收信号后，先检测 $s_1$ ，若检测正确则执行 SIC 消除 $s_1$ ，否则残留干扰。
SIC 后统计特性推导：
- 关键洞察：SIC 的成功（S）或失败（F）是一个条件事件，这使得后处理的噪声（ $W$ 或 $Z$ ）和信道增益（ $\beta_S$ 或 $\beta_F$ ）变得相互依赖，且不再服从原始的高斯或瑞利分布。
- 联合 PDF 推导：利用贝叶斯规则，推导了 SIC 成功和失败情况下的噪声与信道的联合概率密度函数（Joint PDF）。
- 边缘 PDF 推导：从联合 PDF 中积分得到噪声和信道的边缘 PDF。发现：
  - 成功 SIC 时，噪声分布被截断，均值不再为零。
  - 失败 SIC 时，干扰项不再是简单的高斯噪声，而是与信道增益强相关。
  - 对于二维调制（如 QPSK），噪声的实部和虚部也变得相关。
性能指标计算：
- 中断概率 (OP)：基于推导出的精确 SINR 表达式和边缘 PDF，计算成功和失败 SIC 场景下的中断概率，并加权求和得到总 OP。
- 遍历容量 (EC)：基于精确的 SINR 分布，推导 EC 的精确表达式（包含单重积分）以及高精度的闭式近似公式。

3. 主要贡献 (Key Contributions)

揭示了噪声与衰落的依赖性：首次证明了在 SIC 后，噪声和信道衰落不再是独立的，且其统计分布（PDF）随 SIC 结果（成功/失败）而改变。
精确的残留干扰建模：摒弃了传统的“高斯干扰 + 固定因子”模型，准确建模了 SIC 失败时的残留干扰，指出其功率可能远超传统模型假设。
推翻“不完美因子”独立性假设：证明了传统的不完美因子 $\zeta$ 并非独立变量，而是 SNR、功率分配系数 ( $\alpha$ ) 和中断阈值的函数。其有效范围可能超出 $[0, 1]$ ，甚至在 EC 分析中应设为 0。
推导精确闭式解：
- 推导了无参数（parameter-free）的精确中断概率（OP）闭式公式。
- 推导了遍历容量（EC）的精确单重积分表达式及高精度闭式近似公式。
扩展至 QPSK：将分析方法扩展至 QPSK 调制，推导了复数噪声实部与虚部相关的联合 PDF。

4. 实验结果与发现 (Results)

通过蒙特卡洛仿真与理论推导的对比，得出了以下关键结论：

模型验证：推导的精确公式与仿真结果完美吻合，验证了理论分析的正确性。
传统模型的偏差：
- 在低到中等 SNR 及功率分配不平衡（ $\alpha_1$ 较大）时，传统模型（Legacy Model）会显著低估中断概率（即过于乐观）。
- 传统模型在 EC 分析中，若 $\zeta > 0$ ，会导致容量被严重高估或低估；而设置 $\zeta=0$ 时，传统模型反而能给出较接近精确值的结果（但这掩盖了物理机制的错误）。
不完美因子的局限性：
- 传统模型中 $\zeta \in [0, 1]$ 的假设不足以捕捉 SIC 失败的真实影响。
- 对于中断概率分析， $\zeta$ 的最佳取值依赖于系统参数（SNR, $\alpha$ , $R$ ），无法统一设定。
- 对于容量分析，使用 $\zeta=0$ 通常能得到最接近精确值的结果，任何 $\zeta > 0$ 的引入都会降低精度。
功率分配的影响：随着近端用户功率分配系数 $\alpha_1$ 的增加，SIC 成功率提高，系统行为逐渐趋近于完美 SIC 模型，此时传统模型与精确模型的差距缩小。

5. 意义与影响 (Significance)

理论突破：填补了 NOMA 系统中 SIC 后噪声与衰落统计特性研究的空白，纠正了长期以来对 SIC 后干扰特性的错误认知。
工程指导：
- 为系统设计和性能评估提供了更准确的工具，避免了因模型误差导致的资源分配不当或链路预算错误。
- 指出在现有文献中随意使用不完美因子 $\zeta$ 进行性能评估是不可靠的。
未来方向：该精确分析框架可扩展至高阶调制、多天线（MIMO）及多用户 NOMA 系统，为下一代通信系统的优化提供了坚实的理论基础。

总结：
这篇论文通过严谨的数学推导，揭示了 NOMA 系统中 SIC 过程对噪声和信道统计特性的根本性改变，提出了一套无需经验参数的精确分析框架。它证明了传统简化模型在特定场景下的严重失真，为未来 NOMA 系统的性能评估和参数优化提供了更可靠、更物理真实的理论依据。