⚡ electrical engineering

Utilizing Improper Gaussian Signaling for Downlink Rate-Splitting Multiple Access with Imperfect Successive Interference Cancellation

本文提出在下行速率分割多址（RSMA）系统中利用非圆高斯信号（IGS）来缓解不完美连续干扰消除（SIC）带来的残留干扰，并通过理论推导与强化学习算法证明该方法在各类速率优化场景下均优于传统圆高斯信号，且随着 SIC 误差增大其性能增益越显著。

原作者： Wanting Shi, Hao Cheng, Zhe Li, Yili Xia, Wenjiang Pei

发布于 2026-04-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Wanting Shi, Hao Cheng, Zhe Li, Yili Xia, Wenjiang Pei

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

这篇论文讲的是如何在未来的无线网络（比如 6G）中，让手机上网更快、更稳，特别是当信号处理出现“小失误”时，如何利用一种聪明的“歪门邪道”来解决问题。

我们可以把这篇论文的核心思想想象成**“在一个拥挤的房间里，如何让大家都能听清别人说话”**。

1. 背景：拥挤的派对与“听不清”的烦恼

想象一个热闹的派对（这就是RSMA 技术，一种先进的无线通信方式）。

主人（基站） 要同时给两个客人（用户）送消息。
为了公平，主人把消息分成两部分：
- 公共消息：像背景音乐，所有人都能听到，用来协调大家。
- 私人消息：像悄悄话，只给特定的客人听。
理想情况：客人 A 听到自己的悄悄话时，能完美地把背景音乐（公共消息）和其他客人的悄悄话（干扰）完全过滤掉，只留下自己的声音。这叫做完美干扰消除（Perfect SIC）。

现实情况：
但在现实中，客人的耳朵（接收设备）并不完美。过滤干扰时，总会残留一点点杂音（不完美的干扰消除）。这就好比客人 A 想听自己的悄悄话，但背景音乐和其他人的声音还是有点漏进来，导致听不清。

2. 传统做法 vs. 新招数：从“正襟危坐”到“歪着身子”

传统做法（PGS，高斯信号）：
以前的信号就像**“正襟危坐”**的人。无论怎么说话，声音的波形都是标准的、对称的（就像完美的圆形）。这种信号很规矩，但在有杂音干扰时，它缺乏灵活性，很难避开那些漏进来的噪音。
新招数（IGS，非高斯信号）：
这篇论文提出了一种新策略：“歪着身子”（Improper Gaussian Signaling，IGS）。
想象一下，如果说话的人故意把声音波形变得不对称（像椭圆形而不是圆形），或者故意让声音的某些部分“歪”一点。
- 核心魔法：这种“歪”并不是乱来，而是一种精心设计的统计特性。它就像是一个**“信号变形术”**。
- 作用：当信号“歪”着穿过干扰时，它能巧妙地避开那些漏进来的杂音，或者让杂音在接收端互相抵消。这就好比在拥挤的房间里，你故意用一种特殊的语调说话，让周围的噪音自动“滑”过去，只留下你的声音。

3. 论文发现了什么？（三个关键发现）

作者在一个简单的两人场景下（就像只有两个客人），通过数学推导和电脑模拟，发现了三个有趣的规律：

发现一：想听清“悄悄话”？越“歪”越好！

场景：如果你只关心怎么把私人消息（悄悄话）传得最清楚。
结论：把公共消息（背景音乐）变得最“歪”（数学上叫 $\kappa=1$ ，即最大程度的非高斯性）。
比喻：就像为了让你听清悄悄话，背景音乐被调成了最奇怪的形状，反而让干扰你的杂音变得“透明”了。这时候，私人的通信速度达到了最快。

发现二：想听清“背景音乐”？要看情况“歪”

场景：如果你最关心公共消息（背景音乐）能不能被所有人都听清。
结论：这时候“歪”的程度不能随便定，需要根据干扰的大小（耳朵有多不灵光）和最低音量要求，算出一个最完美的“歪度”。
比喻：就像调节音响的均衡器，有时候稍微“歪”一点能提升音质，但歪太多反而会失真。作者算出了这个“黄金歪度”的公式。

发现三：总速度最快？让 AI 来帮你“歪”

场景：如果你想让两个人的总速度（悄悄话 + 背景音乐）都达到最快。
挑战：这个问题太复杂了，像是一个迷宫，数学公式很难直接算出答案。
解决方案：作者训练了一个AI 特工（SAC 算法）。
比喻：这个 AI 就像一个**“老练的调音师”**。它不断尝试不同的“歪度”和功率分配，试错、学习、调整。最后它发现，在干扰很大（耳朵很背）的时候，AI 会倾向于让信号变得非常“歪”，从而获得比传统方法快得多的总速度。

4. 为什么这很重要？（总结）

不用花钱：这种“歪”不需要额外的天线，不需要更贵的硬件，也不需要更多的频谱资源。它只是改变了信号说话的方式。
越乱越有效：最有趣的是，环境越嘈杂（干扰消除越不完美），这种“歪”招数效果越好。就像在嘈杂的酒吧里，用特殊的语调说话比正常说话更能让人听清。
未来应用：这意味着未来的 6G 网络，基站可以主动让信号变得“不正经”（非高斯），以此来对抗现实世界中不可避免的硬件缺陷和干扰，让网速更快、更稳。

一句话总结：
这篇论文告诉我们，在无线通信中，当完美的干扰消除做不到时，与其死磕“完美”，不如学会**“适度地歪”**（利用非高斯信号），这种看似不规矩的策略，反而能让我们在混乱的干扰中，把信息传得更快、更准。

这篇论文提出了一种利用**非高斯信号（Improper Gaussian Signaling, IGS）来增强速率分割多址接入（RSMA）下行链路性能的新方法，旨在解决不完美连续干扰消除（Imperfect SIC）**带来的残留干扰问题。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

RSMA 的局限性： 速率分割多址接入（RSMA）通过公共流和私有流的分割，在频谱效率和用户公平性方面表现出色。然而，现有的 RSMA 研究大多假设接收机具有完美的连续干扰消除（SIC）能力。
实际挑战： 在实际系统中，由于硬件限制、信道估计误差和有限块长度效应，SIC 往往是不完美的。这会导致残留干扰（Residual Interference），严重削弱 RSMA 的干扰管理优势。
现有方案的不足： 传统的抗干扰手段（如功率控制、RIS 部署）属于外部资源管理，未触及信号统计特性的根本。现有的高斯信号（PGS）假设信号是“正确”的（Pseudo-variance 为 0），丢弃了一半可用的二阶自由度。
核心问题： 如何在 SIC 不完美且未引入额外硬件（如 MIMO 或 I/Q 不平衡补偿）的情况下，利用信号本身的统计特性来抑制残留干扰？

2. 方法论 (Methodology)

论文构建了一个**单输入单输出（SISO）**的两用户下行 RSMA 系统模型，并引入 IGS 作为核心设计维度：

信号模型：
- 公共流（Common Stream）： 采用**非高斯信号（IGS）**传输，通过调节圆度系数（Circularity Coefficient, $\kappa$ ）来利用信号的伪方差（Pseudo-variance）。
- 私有流（Private Streams）： 采用传统的**正确高斯信号（PGS）**传输。
- 不完美 SIC 建模： 引入参数 $\lambda \in [0, 1]$ 表示 SIC 的不完美程度， $\lambda$ 越大，残留干扰越强。
理论分析框架：
- 推导了私有流速率（ $R_k$ ）和公共流速率（ $R_{c,k}$ ）的闭式表达式。
- 分析了圆度系数 $\kappa$ 对两类速率的单调性影响： $\kappa$ 的增加会提高私有流速率（通过抑制残留干扰），但会降低公共流速率。
优化策略：
1. 私有流速率最大化： 证明了在 SIC 不完美条件下，私有流速率随 $\kappa$ 单调递增，因此最优解为最大非高斯性（ $\kappa^* = 1$ ）。
2. 公共流速率最大化： 在满足最小私有速率约束下，推导了最优 $\kappa$ 的闭式解。通过数学推导证明了 $\kappa$ 的最优值取决于信道条件、SIC 不完美程度及功率分配，并给出了严格的单调性条件。
3. 和速率最大化（非凸问题）： 针对复杂的和速率最大化问题（涉及 $\kappa$ 、功率分配及约束耦合），提出了一种基于**软演员 - 评论家（Soft Actor-Critic, SAC）**的强化学习算法。SAC 通过平衡奖励最大化与熵奖励，有效避免了陷入局部最优。

3. 主要贡献 (Key Contributions)

首次探索 RSMA 中的 IGS 应用： 不同于以往利用 IGS 补偿硬件损伤（如 I/Q 不平衡）的研究，本文证明了 IGS 本身即可作为对抗 SIC 残留干扰的有效手段，无需额外硬件。
解析解的推导： 在 SISO 框架下，摒弃了复杂的数值迭代，推导出了私有流和公共流速率最大化问题的闭式最优解（Closed-form solutions），揭示了圆度系数 $\kappa$ 对系统性能的透明影响机制。
混合优化框架： 结合了理论解析解（针对特定子问题）和深度强化学习（SAC 算法，针对全局非凸问题），提供了一套完整的资源分配方案。
性能增益验证： 通过数值仿真，量化了 IGS 在不同 SIC 不完美程度下的性能提升。

4. 实验结果 (Results)

私有流性能： 仿真显示，随着 SIC 不完美系数 $\lambda$ 的增加，IGS 相比 PGS 的私有流速率增益显著扩大。最优策略始终倾向于使用最大非高斯性（ $\kappa=1$ ）。
公共流性能： 理论推导的 $\kappa$ 最优值与数值搜索结果高度吻合。结果表明，在特定约束下，适当调整 $\kappa$ 可以在保证私有流速率的同时，最大化公共流速率。
和速率性能：
- 在高信噪比（SNR）区域，IGS 方案显著优于 PGS 方案。
- 当最小速率约束（ $R_{min}$ ）较低时，IGS 带来的增益更为明显。
- SAC 算法成功解决了非凸优化问题，且随着 SIC 不完美程度增加，算法自动选择更大的 $\kappa$ 值以补偿干扰。

5. 意义与结论 (Significance)

设计维度的扩展： 论文证明了**信号的非高斯性（Impropriety）**应被视为未来 RSMA 收发机架构中的一个基本设计维度，与功率分配、波束成形等传统维度同等重要。
鲁棒性提升： 该方法提供了一种无需额外频谱或天线资源，仅通过信号波形设计即可增强系统对硬件缺陷（SIC 不完美）鲁棒性的途径。
实用价值： 提出的 SISO 解析框架为理解 IGS 在复杂网络中的行为提供了理论基石，而 SAC 算法则为实际系统中的实时资源调度提供了可行的解决方案。

总结： 该论文通过引入非高斯信号，巧妙地利用信号的二阶统计特性（伪方差）来“重塑”残留干扰的分布，从而在不完美 SIC 环境下显著提升了 RSMA 系统的频谱效率和可靠性。