基于角度分集接收器的NOMA可见光通信系统：分析与见解

1. 引言

对更高数据速率的持续需求是电信研究的主要驱动力。可见光通信（VLC）利用无处不在的LED照明进行数据传输，是一种前景广阔的射频（RF）系统补充技术。然而，VLC面临固有的挑战，例如LED有限的调制带宽、符号间干扰（ISI）以及多用户场景下的同信道干扰（CCI）。本文研究了将非正交多址接入（NOMA）与角度分集接收器（ADR）相结合，以克服这些限制，并显著提升室内VLC网络的系统性能。

2. 系统模型

所提出的系统在一个标准室内环境中建模，以评估NOMA与ADR技术之间的协同效应。

2.1 房间与信道建模

模拟了一个尺寸为8米（长）× 4米（宽）× 3米（高）的矩形房间。墙壁和天花板被建模为朗伯反射体，反射系数（ρ）为0.8。使用确定性光线追踪算法计算光信道冲激响应，同时考虑了视距（LOS）和漫反射（最高至指定阶数）。链路的信道增益可建模为：

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

其中，$m$ 是朗伯阶数，$A$ 是探测器面积，$d$ 是距离，$\phi$ 和 $\psi$ 分别是辐射角和入射角，$T_s(\psi)$ 是滤波器增益，$g(\psi)$ 是聚光器增益，$\Psi_c$ 是接收器视场角（FOV）。

2.2 角度分集接收器（ADR）设计

核心创新在于使用了一个4分支ADR。每个分支包含一个具有窄视场角的光电探测器，朝向不同的方向（例如，向上和特定的方位角）。这种设计使接收器能够选择性地合并来自信道增益最强分支的信号，从而有效抑制环境光噪声、多径色散以及其他接入点（AP）的同信道干扰。

2.3 NOMA原理与功率分配

NOMA在功率域工作。在发射端，多个用户的信号以不同的功率等级叠加。其基本原理是为信道条件较差的用户分配更多功率。在接收端，采用连续干扰消除（SIC）：信道条件最好的用户先解码并减去信道条件较弱用户的信号，然后再解码自己的信号。在2用户NOMA对中，用户 $i$ 的可达速率由下式给出：

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

其中，$B$ 是带宽，$P_t$ 是总发射功率，$h_i$ 是用户 $i$ 的信道增益，$\alpha_i$ 是功率分配系数（$\alpha_1 + \alpha_2 = 1$，且如果 $|h_1|^2 < |h_2|^2$，则 $\alpha_1 > \alpha_2$），$N_0$ 是噪声功率谱密度。

3. 仿真结果与讨论

将配备ADR的NOMA-VLC系统的性能与使用单个宽视场角接收器的基线系统进行了对比。

3.1 性能指标与仿真设置

关键性能指标是房间内多个用户的总数据速率。用户被随机放置，资源分配（NOMA的用户配对和功率分配）根据其信道状态信息进行优化，遵循作者先前的方法[36]。

3.2 数据速率对比：ADR vs. 宽视场角接收器

仿真结果表明，基于ADR的系统具有决定性优势。与使用宽视场角接收器的系统相比，使用ADR可将平均数据速率提升约35%。 这一增益归因于ADR能够选择更强、失真更小的信号路径，从而提高了NOMA解码的有效信干噪比（SINR）。

3.3 资源分配的影响

本文强调，性能增益并非自动获得，而是依赖于智能的资源分配。动态地将信道增益差异显著的用户配对（这是高效NOMA的关键要求）并相应分配功率，对于充分发挥ADR-NOMA组合的潜力至关重要。

4. 结论

本工作成功证明了将角度分集接收器与非正交多址接入相结合，是提升室内可见光通信系统容量和鲁棒性的有效策略。ADR能够为NOMA SIC过程提供更优的信道输入，直接转化为显著的数据速率提升，为这种混合架构在未来高密度光无线网络中的应用提供了有力论据。

5. 原创分析与专家见解

核心见解： 本文不仅仅是增加一个更好的接收器；它是一种精明的工程技巧，在VLC链路预算最薄弱的环节——接收器噪声基底——进行重构，以释放NOMA的全部理论潜力。作者正确地指出，NOMA的性能关键受限于SIC的成功与否，而在漫射、多径的VLC信道中，SIC效果会大打折扣。4分支ADR充当空间滤波器，有效地为NOMA对中的主用户创建了一个“更干净”的信道，将理论增益转化为实际的35%性能提升。

逻辑脉络： 论证过程非常精妙：1) VLC需要频谱效率（引入NOMA）。2) NOMA需要显著的信道增益差异（在均匀照明下这是个问题）。3) ADR通过选择最强的入射路径人为创造了这种差异。4) 结果：SIC效果更好，总速率增加。这是一种比单纯提高发射功率或带宽更复杂的方法，与6G研究中关注智能无线电环境的趋势相一致，正如Next G联盟白皮书中所讨论的。

优势与不足： 优势在于通过相对低复杂度的接收器升级，实现了经过验证的显著性能增益。方法论是可靠的，使用了成熟的光线追踪和NOMA模型。然而，分析存在明显的盲点。首先，它假设了完美的信道状态信息（CSI）和完美的SIC——在用户移动的实时系统中，这两者都过于乐观。其次，4分支ADR增加了接收器的成本、尺寸和处理复杂度（分支选择逻辑）。本文轻描淡写地略过了这种权衡。与自由空间光通信中自适应光学的开创性工作（如MIT媒体实验室的研究）相比，这种ADR方法是静态的；它选择但不主动引导或整形光束，因此仍有进一步的性能提升空间。

可操作的见解： 对于产品经理和研发负责人，本研究提供了一个清晰的路线图：优先考虑接收器创新。 投资于智能、多单元的光电探测器是区分未来Li-Fi产品的关键。下一步应立即着手开发实时分支选择算法的原型，并在不完美CSI的动态信道条件下进行测试。此外，探索混合技术：将这种ADR与稀疏码多址接入（SCMA）或5G NR中探索的低密度签名（LDS）技术相结合，对于光信道而言，可能比纯功率域NOMA提供更好的复杂度-性能权衡。

6. 技术细节

系统的性能取决于信道模型和NOMA解码过程。ADR第 $k$ 个分支从第 $j$ 个LED接收到的光功率为：

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

接收器选择信噪比最高的分支 $k^*$：$k^* = \arg\max_k (\sum_j P_{r,(j,k)}^2 / N_0)$。对于具有用户 $U_1$（弱信道）和 $U_2$（强信道）的下行NOMA对，发射信号为 $x = \sqrt{\alpha P_t}s_1 + \sqrt{(1-\alpha)P_t}s_2$，其中 $s_1, s_2$ 是用户信号。$U_2$ 先解码 $s_1$，将其减去，然后解码 $s_2$。$U_1$ 将 $s_2$ 视为噪声并直接解码 $s_1$。ADR提高了所选用户的 $|h_i|^2$，直接增加了速率方程中 $\log_2$ 函数的参数值。

7. 实验结果与图表说明

虽然提供的PDF摘录未包含明确的图表，但所描述的结果可以通过两个关键图表来可视化：

图表1：用户数据速率的累积分布函数（CDF）。 该图表将显示两条曲线：一条用于宽视场角接收器系统，另一条用于ADR系统。ADR曲线将显著右移，表明对于任何给定的概率（例如，50%的用户），可达到的数据速率更高。两条曲线之间的差距直观地代表了约35%的平均增益。

图表2：总速率 vs. 用户数量。 该图表将绘制随着用户数量增加时的系统总容量。NOMA+ADR线将显示出比NOMA+宽视场角线更陡的斜率和更高的平台，证明了更好的可扩展性和多用户效率。代表传统正交多址接入（OMA）（如TDMA）的第三条线将显著低于前两者，突显了NOMA的频谱效率优势。

8. 分析框架：案例示例

场景： 评估一个用于高密度室内工作空间（例如，拥有20个工作站的开放式办公室）的VLC系统。

框架应用：

1. 信道分析： 使用光线追踪软件对天花板装有LED灯具的房间进行建模。计算每个潜在用户位置到宽视场角和多分支ADR模型的信道增益矩阵 $H$。
2. NOMA用户配对： 对于每个调度间隔，根据用户从所选ADR分支获得的信道增益进行排序。通过将信道强的用户和信道弱的用户分组来形成NOMA对。
3. 功率分配优化： 求解使总速率最大化的功率系数 $\alpha_i$，需满足约束条件：$\sum \alpha_i = 1$，$\alpha_i > 0$，以及最低速率要求 $R_i \ge R_{min}$。这是一个可通过标准算法求解的凸优化问题。
4. 性能预测： 将优化后的参数输入速率方程 $R_i$，计算每个用户的预测数据速率和系统总速率。比较ADR模型与宽视场角基线的结果。

该框架直接反映了本文所隐含的方法论，并提供了一种系统化的方式来量化ADR在特定部署中的效益。

9. 未来应用与研究方向

ADR-NOMA-VLC范式具有广阔的应用前景：

• 工业物联网的超可靠低时延通信（URLLC）： 在智能工厂中，ADR可以通过抑制移动设备和反射表面的干扰，为机器控制提供稳健的链路。
• 水下光通信： 水下的散射环境类似于漫射室内VLC。ADR可以帮助在浑浊水域中分离出主导的视距路径，从而为多用户水下网络实现NOMA。
• 集成感知与通信（ISAC）： ADR的多个定向分支可用于基本的到达角估计，实现在通信的同时进行设备定位——这是未来智能建筑的关键特性。
• 研究方向： 未来的工作必须朝着使用液晶或微机电系统（MEMS）进行动态波束赋形的自适应ADR发展。此外，在移动场景中集成机器学习以实现实时、稳健的用户配对和功率分配，是从仿真走向部署的关键下一步。

10. 参考文献

1. Aljohani, M. K., et al. (2022). NOMA Visible Light Communication System with Angle Diversity Receivers. 来源期刊/会议.
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.