سیستم ارتباطات نور مرئی مبتنی بر NOMA با گیرنده‌های تنوع زاویه‌ای: تحلیل و بینش‌ها

1. مقدمه

تقاضای بی‌امان برای نرخ‌های داده بالاتر، محرک اصلی در پژوهش‌های مخابراتی است. ارتباطات نور مرئی (VLC) به عنوان یک فناوری مکمل امیدبخش برای سیستم‌های فرکانس رادیویی (RF) مطرح است که از همه‌جایی روشنایی LED برای انتقال داده بهره می‌برد. با این حال، VLC با چالش‌های ذاتی مانند پهنای باند مدولاسیون محدود LEDها، تداخل بین نماد (ISI) و تداخل کانال مشترک (CCI) در سناریوهای چندکاربره مواجه است. این مقاله ادغام دسترسی چندگانه غیرمتعامد (NOMA) با گیرنده‌های تنوع زاویه‌ای (ADR) را برای غلبه بر این محدودیت‌ها و افزایش چشمگیر عملکرد سیستم در شبکه‌های VLC داخلی بررسی می‌کند.

2. مدل سیستم

سیستم پیشنهادی در یک محیط داخلی استاندارد مدل‌سازی شده است تا هم‌افزایی بین فناوری NOMA و ADR ارزیابی شود.

2.1 مدل‌سازی اتاق و کانال

یک اتاق مستطیلی با ابعاد ۸ متر (طول) × ۴ متر (عرض) × ۳ متر (ارتفاع) شبیه‌سازی شده است. دیوارها و سقف به عنوان بازتابنده‌های لامبرتی با ضریب بازتاب (ρ) ۰.۸ مدل شده‌اند. پاسخ ضربه کانال نوری با استفاده از یک الگوریتم ردیابی پرتو قطعی محاسبه می‌شود که هر دو مؤلفه دید مستقیم (LOS) و بازتاب‌های منتشر (تا مرتبه مشخصی) را در نظر می‌گیرد. بهره کانال برای یک پیوند را می‌توان به صورت زیر مدل کرد:

$H(0) = \frac{(m+1)A}{2\pi d^2} \cos^m(\phi) T_s(\psi) g(\psi) \cos(\psi)$ برای $0 \le \psi \le \Psi_c$

که در آن $m$ مرتبه لامبرتی، $A$ مساحت آشکارساز، $d$ فاصله، $\phi$ و $\psi$ زوایای تابش و برخورد، $T_s(\psi)$ بهره فیلتر، $g(\psi)$ بهره متمرکزکننده و $\Psi_c$ میدان دید (FOV) گیرنده است.

2.2 طراحی گیرنده تنوع زاویه‌ای (ADR)

نوآوری اصلی، استفاده از یک ADR چهارشاخه است. هر شاخه شامل یک آشکارساز نوری با FOV باریک است که در جهت متمایزی (مانند رو به بالا و در زوایای آزیموت خاص) قرار گرفته است. این طراحی به گیرنده اجازه می‌دهد تا سیگنال‌ها را از شاخه‌ای با بیشترین بهره کانال به صورت انتخابی ترکیب کند و به طور مؤثری تأثیر نویز نور محیط، پاشندگی چندمسیره و تداخل کانال مشترک از نقاط دسترسی (AP) دیگر را کاهش دهد.

2.3 اصل NOMA و تخصیص توان

NOMA در حوزه توان عمل می‌کند. در فرستنده، سیگنال‌های چندین کاربر با سطوح توان مختلف برهم‌نهی می‌شوند. اصل اساسی این است که توان بیشتری به کاربران با شرایط کانال ضعیف‌تر اختصاص داده شود. در گیرنده، حذف تداخل متوالی (SIC) به کار گرفته می‌شود: کاربر با بهترین کانال، ابتدا سیگنال‌های کاربران با کانال‌های ضعیف‌تر را کدگشایی و حذف می‌کند و سپس سیگنال خود را کدگشایی می‌کند. نرخ قابل دستیابی برای کاربر $i$ در یک جفت NOMA دو کاربره به صورت زیر داده می‌شود:

$R_i = B \log_2 \left(1 + \frac{\alpha_i P_t |h_i|^2}{\sum_{j>i} \alpha_j P_t |h_i|^2 + N_0 B}\right)$

که در آن $B$ پهنای باند، $P_t$ توان ارسالی کل، $h_i$ بهره کانال برای کاربر $i$، $\alpha_i$ ضریب تخصیص توان است ($\alpha_1 + \alpha_2 = 1$، و اگر $|h_1|^2 < |h_2|^2$ باشد، $\alpha_1 > \alpha_2$) و $N_0$ چگالی طیفی توان نویز است.

3. نتایج شبیه‌سازی و بحث

عملکرد سیستم NOMA-VLC با ADR در مقایسه با یک سیستم پایه که از یک گیرنده با FOV گسترده استفاده می‌کند، ارزیابی شده است.

3.1 معیارهای عملکرد و تنظیمات

معیار کلیدی عملکرد، نرخ داده تجمعی برای چندین کاربر درون اتاق است. کاربران به طور تصادفی قرار گرفته‌اند و تخصیص منابع (جفت‌سازی کاربران برای NOMA و تخصیص توان) بر اساس اطلاعات وضعیت کانال آن‌ها و مطابق با رویکرد قبلی نویسندگان [۳۶] بهینه شده است.

3.2 مقایسه نرخ داده: ADR در مقابل میدان دید گسترده

نتایج شبیه‌سازی برتری قاطع سیستم مبتنی بر ADR را نشان می‌دهد. استفاده از ADRها نرخ داده متوسط را تقریباً ۳۵٪ در مقایسه با سیستم استفاده‌کننده از گیرنده‌های با FOV گسترده بهبود می‌بخشد. این بهره‌وری ناشی از توانایی ADR در انتخاب یک مسیر سیگنال قوی‌تر و با اعوجاج کمتر است که در نتیجه نسبت سیگنال به تداخل به اضافه نویز (SINR) مؤثر برای کدگشایی NOMA را افزایش می‌دهد.

3.3 تأثیر تخصیص منابع

مقاله تأکید می‌کند که بهره عملکردی خودکار نیست، بلکه به تخصیص هوشمند منابع وابسته است. جفت‌سازی پویای کاربران با بهره‌های کانال به طور قابل توجهی متفاوت (یک نیاز کلیدی برای NOMA کارآمد) و تخصیص توان متناسب با آن، برای تحقق کامل پتانسیل ترکیب ADR-NOMA حیاتی است.

4. نتیجه‌گیری

این کار با موفقیت نشان می‌دهد که ادغام گیرنده‌های تنوع زاویه‌ای با دسترسی چندگانه غیرمتعامد، یک راهبرد قدرتمند برای افزایش ظرفیت و استحکام سیستم‌های ارتباطات نور مرئی داخلی است. توانایی ADR در ارائه یک ورودی کانال برتر برای فرآیند SIC در NOMA، مستقیماً به بهبودهای قابل توجه در نرخ داده منجر می‌شود و مورد قانع‌کننده‌ای برای این معماری ترکیبی در شبکه‌های بی‌سیم نوری پرتراکم آینده ایجاد می‌کند.

5. تحلیل اصیل و بینش کارشناسی

بینش اصلی: این مقاله صرفاً در مورد افزودن یک گیرنده بهتر نیست؛ بلکه یک راه‌حل مهندسی زیرکانه است که بودجه پیوند VLC را در ضعیف‌ترین نقطه آن—سطح نویز گیرنده—بازآرایی می‌کند تا پتانسیل نظری کامل NOMA را آزاد کند. نویسندگان به درستی شناسایی کرده‌اند که عملکرد NOMA به طور بحرانی توسط موفقیت SIC محدود می‌شود، که در کانال‌های VLC منتشر و چندمسیره به شدت با شکست مواجه می‌شود. ADR چهارشاخه به عنوان یک فیلتر فضایی عمل می‌کند و به طور مؤثری یک کانال «تمیزتر» برای کاربر اصلی در یک جفت NOMA ایجاد می‌کند و یک بهره نظری را به یک افزایش عملی ۳۵٪ی تبدیل می‌کند.

جریان منطقی: استدلال ظریف است: ۱) VLC به کارایی طیفی نیاز دارد (ورود NOMA). ۲) NOMA به اختلاف شدید بهره کانال نیاز دارد (مشکلی در نورپردازی یکنواخت). ۳) ADR با انتخاب قوی‌ترین مسیر ورودی، این اختلاف را به طور مصنوعی ایجاد می‌کند. ۴) نتیجه: SIC بهتر عمل می‌کند، نرخ مجموع افزایش می‌یابد. این رویکردی پیچیده‌تر از صرفاً افزایش توان ارسالی یا پهنای باند است و با روندهای پژوهشی 6G که بر محیط‌های رادیویی هوشمند متمرکز است، همسو است؛ همان‌طور که در اسناد سفید اتحادیه Next G مورد بحث قرار گرفته است.

نقاط قوت و ضعف: نقطه قوت در بهره عملکردی معتبر و قابل توجه با استفاده از یک ارتقای گیرنده نسبتاً کم‌پیچیدگی است. روش‌شناسی صحیح است و از مدل‌های ردیابی پرتو و NOMA تثبیت‌شده استفاده می‌کند. با این حال، تحلیل دارای کوربودگی‌های قابل توجهی است. اولاً، فرض بر اطلاعات کامل وضعیت کانال (CSI) و SIC کامل است—هر دو در سیستم‌های بلادرنگ با کاربران متحرک بسیار خوش‌بینانه هستند. ثانیاً، ADR چهارشاخه هزینه، اندازه و پیچیدگی پردازش گیرنده (منطق انتخاب شاخه) را افزایش می‌دهد. مقاله از این مبادله چشم‌پوشی می‌کند. در مقایسه با کارهای بنیادی در مورد اپتیک تطبیقی در ارتباطات نوری فضای آزاد (مانند کارهای آزمایشگاه رسانه MIT)، این رویکرد ADR ایستا است؛ انتخاب می‌کند اما به طور فعال پرتو را هدایت یا شکل نمی‌دهد و عملکرد بیشتری را روی میز باقی می‌گذارد.

بینش‌های عملی: برای مدیران محصول و سرپرستان تحقیق و توسعه، این پژوهش یک نقشه راه روشن ارائه می‌دهد: نوآوری در گیرنده را در اولویت قرار دهید. سرمایه‌گذاری در آشکارسازهای نوری چندعنصری هوشمند، کلید تمایز محصولات Li-Fi آینده است. گام بعدی فوری باید نمونه‌سازی اولیه یک الگوریتم انتخاب شاخه بلادرنگ و آزمایش آن تحت شرایط کانال پویا با CSI ناقص باشد. علاوه بر این، تکنیک‌های ترکیبی را بررسی کنید: این ADR را با دسترسی چندگانه کد تنک (SCMA) یا تکنیک‌های امضای چگالی پایین (LDS) که در 5G NR بررسی شده‌اند ترکیب کنید، که ممکن است مبادله پیچیدگی-عملکرد بهتری نسبت به NOMA خالص حوزه توان برای کانال‌های نوری ارائه دهند.

6. جزئیات فنی

عملکرد سیستم به مدل کانال و فرآیند کدگشایی NOMA وابسته است. توان نوری دریافتی توسط شاخه $k$ام ADR از LED $j$ام به صورت زیر است:

$P_{r,(j,k)} = H_{j,k}(0) * P_{t,j}$

گیرنده شاخه $k^*$ را با بیشترین SNR انتخاب می‌کند: $k^* = \arg\max_k (\sum_j P_{r,(j,k)}^2 / N_0)$. برای یک جفت NOMA Downlink با کاربران $U_1$ (کانال ضعیف) و $U_2$ (کانال قوی)، سیگنال ارسالی $x = \sqrt{\alpha P_t}s_1 + \sqrt{(1-\alpha)P_t}s_2$ است، که در آن $s_1, s_2$ سیگنال‌های کاربران هستند. $U_2$ ابتدا $s_1$ را کدگشایی می‌کند، آن را تفریق می‌کند، سپس $s_2$ را کدگشایی می‌کند. $U_1$ با $s_2$ به عنوان نویز برخورد می‌کند و مستقیماً $s_1$ را کدگشایی می‌کند. ADR مقدار $|h_i|^2$ را برای کاربر انتخاب‌شده بهبود می‌بخشد و مستقیماً آرگومان تابع $\log_2$ در معادله نرخ را افزایش می‌دهد.

7. نتایج آزمایشی و توصیف نمودار

در حالی که گزیده PDF ارائه‌شده حاوی شکل‌های صریح نیست، نتایج توصیف‌شده را می‌توان از طریق دو نمودار کلیدی تجسم کرد:

نمودار ۱: تابع توزیع تجمعی (CDF) نرخ داده کاربر. این نمودار دو منحنی را نشان می‌دهد: یکی برای سیستم گیرنده با FOV گسترده و یکی برای سیستم ADR. منحنی ADR به طور قابل توجهی به راست جابه‌جا می‌شود، که نشان می‌دهد برای هر احتمال معین (مثلاً ۵۰٪ از کاربران)، نرخ داده قابل دستیابی بالاتر است. فاصله بین منحنی‌ها به صورت بصری نشان‌دهنده بهره متوسط تقریباً ۳۵٪ است.

نمودار ۲: نرخ مجموع در مقابل تعداد کاربران. این نمودار ظرفیت کل سیستم را با افزایش تعداد کاربران ترسیم می‌کند. خط NOMA+ADR شیب تندتر و سطح بالاتری نسبت به خط NOMA+Wide-FOV نشان می‌دهد که مقیاس‌پذیری و کارایی چندکاربره بهتری را نشان می‌دهد. یک خط سوم برای دسترسی چندگانه متعامد (OMA) سنتی مانند TDMA به طور قابل توجهی پایین‌تر از هر دو قرار می‌گیرد و برتری کارایی طیفی NOMA را برجسته می‌کند.

8. چارچوب تحلیل: یک مثال موردی

سناریو: ارزیابی یک سیستم VLC برای یک فضای کاری داخلی پرتراکم (مثلاً یک دفتر کار باز با ۲۰ ایستگاه کاری).

کاربرد چارچوب:

1. پروفایل‌سازی کانال: از نرم‌افزار ردیابی پرتو برای مدل‌سازی اتاق با چراغ‌های LED روی سقف استفاده کنید. ماتریس بهره کانال $H$ را برای هر مکان کاربر بالقوه به هر دو مدل گیرنده با FOV گسترده و چندشاخه ADR محاسبه کنید.
2. جفت‌سازی کاربران برای NOMA: برای هر بازه زمان‌بندی، کاربران را بر اساس بهره کانال آن‌ها از شاخه ADR انتخاب‌شده رتبه‌بندی کنید. با گروه‌بندی یک کاربر با کانال قوی و یک کاربر با کانال ضعیف، جفت‌های NOMA را تشکیل دهید.
3. بهینه‌سازی تخصیص توان: ضرایب توان $\alpha_i$ را که نرخ مجموع را حداکثر می‌کنند، با در نظر گرفتن محدودیت‌ها حل کنید: $\sum \alpha_i = 1$، $\alpha_i > 0$، و حداقل نیازمندی‌های نرخ $R_i \ge R_{min}$. این یک مسئله بهینه‌سازی محدب است که با الگوریتم‌های استاندارد قابل حل است.
4. پیش‌بینی عملکرد: پارامترهای بهینه‌شده را در معادله نرخ $R_i$ وارد کنید تا نرخ داده پیش‌بینی‌شده برای هر کاربر و نرخ مجموع سیستم محاسبه شود. نتایج مدل ADR را در مقابل پایه FOV گسترده مقایسه کنید.

این چارچوب مستقیماً روش‌شناسی ضمنی در مقاله را منعکس می‌کند و راهی سیستماتیک برای کمّی‌سازی سود ADR در یک استقرار خاص ارائه می‌دهد.

9. کاربردها و جهت‌های آینده

پارادایم ADR-NOMA-VLC مسیرهای امیدوارکننده‌ای دارد:

• ارتباطات فوق‌قابل‌اطمینان با تأخیر کم (URLLC) برای اینترنت اشیاء صنعتی: در کارخانه‌های هوشمند، ADRها می‌توانند با کاهش تداخل از تجهیزات متحرک و سطوح بازتابنده، پیوندهای مستحکمی برای کنترل ماشین‌آلات فراهم کنند.
• ارتباطات نوری زیرآب: محیط پراکنده زیرآب مشابه کانال VLC داخلی منتشر است. ADRها می‌توانند به جداسازی مسیر غالب LOS در آب کدر کمک کنند و NOMA را برای شبکه‌های چندکاربره زیرآب ممکن سازند.
• سنجش و ارتباطات یکپارچه (ISAC): شاخه‌های جهت‌دار متعدد یک ADR را می‌توان برای تخمین زاویه ورود اولیه استفاده کرد و امکان مکانیابی دستگاه را در کنار ارتباطات فراهم می‌کند—ویژگی کلیدی برای ساختمان‌های هوشمند آینده.
• جهت‌های پژوهشی: کار آینده باید به سمت ADRهای تطبیقی با استفاده از کریستال مایع یا سیستم‌های میکروالکترومکانیکی (MEMS) برای هدایت پرتو پویا حرکت کند. علاوه بر این، ادغام یادگیری ماشین برای جفت‌سازی کاربران بلادرنگ و قوی و تخصیص توان در سناریوهای متحرک، گام ضروری بعدی برای انتقال از شبیه‌سازی به استقرار است.

10. مراجع

1. Aljohani, M. K., et al. (2022). NOMA Visible Light Communication System with Angle Diversity Receivers. Source Journal/Conference.
2. Zeng, L., et al. (2017). High Data Rate Multiple Input Multiple Output (MIMO) Optical Wireless Communications Using White LED Lighting. IEEE Journal on Selected Areas in Communications.
3. Ding, Z., et al. (2017). A Survey on Non-Orthogonal Multiple Access for 5G Networks: Research Challenges and Future Trends. IEEE Journal on Selected Areas in Communications.
4. Kahn, J. M., & Barry, J. R. (1997). Wireless Infrared Communications. Proceedings of the IEEE.
5. Next G Alliance. (2023). 6G Technology Report. ATIS.
6. IEEE Standard for Local and Metropolitan Area Networks–Part 15.7: Short-Range Wireless Optical Communication Using Visible Light. (2018). IEEE Std 802.15.7-2018.
7. Wang, Q., et al. (2020). Deep Learning for Optimal NOMA Power Allocation in Visible Light Communications. IEEE Wireless Communications Letters.