【信号干扰】中继辅助异构网络中的半双工和全双工干扰缓解Matlab复现

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知，求助可私信。

🔥 内容介绍

在下一代节点B (gNB) 针对不同回程子帧配置进行流量自适应的多小区环境中，半双工 (HD) 中继易受中继间干扰 (IRI) 的影响，而全双工 (FD) 中继则易受中继残余干扰 (RSI) 和中继到目的节点干扰 (RDI) 的影响。IRI 和 RDI 发生在下行链路中，当一个中继在其接入链路上进行传输时，会干扰另一个受害中继的回程链路的接收。而 FD 中继的同时收发则会产生 RSI。IRI、RDI 和 RSI 对系统性能具有有害影响，导致遍历容量降低和中断概率升高。以往的一些研究仅对单小区场景下的 IRI、RSI 和 RDI 进行了简要分析，有些研究假设相邻小区之间的回程和接入子帧对于不同的中继来说是完美对齐的，而没有考虑 IRI、RSI 和 RDI 的影响。然而，实际上子帧并非完美对齐。本文提出一种基于零空间投影的混合零强迫奇异值分解 (ZF-SVD) 波束成形技术，消除 IRI、RSI 和 RDI。此外，对中继和目的节点进行联合功率分配 (joint PA) 以优化容量。将所提方案与可比基线方案的遍历容量和中断概率进行比较，验证了所提方案的有效性。

本文深入探讨了在多小区环境下，gNB 的流量自适应机制如何加剧 HD 和 FD 中继的干扰问题。传统的研究往往简化了实际情况，忽略了子帧未完美对齐以及由此产生的 IRI、RDI 和 RSI 对系统性能的严重影响。 IRI 和 RDI 的发生源于不同中继的回程链路和接入链路在时间和频率资源上的冲突。当一个中继在接入链路上发送数据时，其信号可能会干扰到邻近中继正在接收回程链路数据的过程，导致 IRI。类似地，RDI 则发生在中继的发送信号干扰目的节点接收其他信号的情况。而对于 FD 中继，由于同时收发，自身发送信号的泄漏会干扰自身的接收，产生 RSI。这三种干扰都会显著降低系统性能，具体表现为遍历容量的下降和中断概率的上升。

针对上述问题，本文提出了一种创新的解决方案，该方案巧妙地结合了 ZF-SVD 波束成形技术和联合功率分配策略。ZF-SVD 波束成形技术通过零空间投影的方式有效地抑制了 IRI、RDI 和 RSI。ZF (零强迫) 算法利用干扰信号的特征向量构建零空间，从而在发送端将干扰信号完全消除。而 SVD (奇异值分解) 则用于对信道进行分解，选择最佳的信道子空间进行数据传输，进一步提高系统性能。将 ZF 和 SVD 结合，可以更有效地抑制干扰，并优化信号传输。

此外，本文还采用联合功率分配策略，对中继和目的节点的发送功率进行优化分配，进一步提高系统容量。联合功率分配算法通过对系统容量的优化，在保证系统可靠性的前提下，最大化系统的吞吐量。这种优化不仅能降低干扰的影响，还能提升整个系统的效率。

最后，本文通过仿真实验，将所提方案与几种基线方案进行了比较，结果表明，本文提出的基于 ZF-SVD 波束成形技术和联合功率分配的方案显著降低了 IRI、RDI 和 RSI 的影响，有效地提高了系统的遍历容量，并降低了中断概率。这充分证明了该方案在多小区环境下提升无线通信系统性能的有效性和优越性。

总之，本文针对多小区环境下 HD 和 FD 中继的干扰问题，提出了一种基于 ZF-SVD 波束成形和联合功率分配的解决方案，并通过理论分析和仿真实验验证了其有效性。这项研究对下一代无线通信系统的设计和优化具有重要的理论意义和实际应用价值。未来的研究可以进一步考虑更复杂的信道模型，例如考虑多径效应和信道衰落的影响，以及探索更先进的波束成形和功率分配算法，以进一步提高系统的性能。

📣 部分代码

%%%

%%% Figure number 3.

clearvars

close all

clc

% number of channel realization

It = 1000;

Ps=1; Pr=1;

% Number of transmit and receive antennas (2-4-6-6)or (2-6-2-4) or

% (2-2-4-6)- antt(2-4-6-4)

M=2;  % no. of antenas at source / destination 

Nr=4;  % receive antenna at relay

Mr=6;  % transmit antenna at the relay

Nd=4;  % transmit antenna at the relay

% SNR range in dB

% SNR = ratio between total transmit power and noise variance

SNRdBvalues =  [0:2:20]; %[-10:2:30];

Czf     = zeros(1,It);

Cmmse   = zeros(1,It);

SNRidx = 0;

for SNRdB=SNRdBvalues

    SNRdB

    SNRidx = SNRidx + 1;

    SNR=10^(SNRdB/10);

    

    % compute maximal achievable rate 

    for kk=1:It

        

        % generate channel realization

        HS1R1 = (randn(Nr,M)+j*randn(Nr,M))/sqrt(2);

        HR1D1 = ( randn(Nd,Mr) + j*randn(Nd,Mr))/sqrt(2);

        HR1 = ( randn(Nr,Mr) + j*randn(Nr,Mr))/sqrt(2);

        HR1R2 = ( randn(Nr,Mr) + j*randn(Nr,Mr))/sqrt(2);

        HR1D2 = ( randn(Nd,Mr) + j*randn(Nd,Mr))/sqrt(2);

         

        HS2R2 = ( randn(Nr,M) + j*randn(Nr,M))/sqrt(2);        

        HR2D2 = ( randn(Nd,Mr) + j*randn(Nd,Mr))/sqrt(2);

        HR2 = ( randn(Nr,Mr) + j*randn(Nr,Mr))/sqrt(2);

        HR2R1 = ( randn(Nr,Mr) + j*randn(Nr,Mr))/sqrt(2);

        HR2D1 = ( randn(Nd,Mr) + j*randn(Nd,Mr))/sqrt(2);  

         [U S V] = svd(HS1R1);

        [U1 S1 V1] = svd(HR1D1);

 %% Null at the relay tx 

  Wtu2=null(HR1R2); 

  Wt2=Wtu2';

  

 PSHRR2 =pinv(HR1);  

Wtu1=(PSHRR2*HR1R2*Wt2');  

Wt1=Wtu1';

% Null at the destination Rx 

 Wrd1=null(HR2D1); 

 Wrd2=null(HR1D2); 

  

%% Prpoposed Scheme -(S1-R1)i

            UU=(SNR/M *HS1R1*HS1R1');

%               RR=SNR/Mr *(Wr1'*HR1'*HR1*Wr1);  %RSI ->becomes zero

%               YY=SNR/Mr *(Wr1'*HR2D1'*Wt2'*Wt2*HR2D1*Wr1');  %RDI  ->zeros          

           %  CS1R1(kk)=real(log2(det(eye(M)+(AA/RR+YY))));  %(1:2,1:2)

         CS1R1(kk)=real(log2(det(eye(Nr)+(UU))));  

%  Prpoposed Scheme of-(Ri-Di) 

         PP=SNR/Mr* Wrd1'*HR1D1'*HR1D1*Wrd1;

%          YY=SNR/Mr *(Wr1'*HR2D1*Wt2'*Wt2*HR2D1'*Wr1);  %RDI  ->zeros 

        CR1D1(kk)=real(log2(det(eye(M)+(PP))));

     

        %% Prpoposed Scheme -(S2-R2)j

            AA=(SNR/M *HS2R2*HS2R2');

            DR=SNR/Mr *(HR1*Wt2'*Wt2*HR1');  %RSI ->becomes zero

%               YY=SNR/Mr *(Wr1'*HR2D1'*Wt2'*Wt2*HR2D1*Wr1');  %RDI  ->zeros          

           %  CS1R1(kk)=real(log2(det(eye(M)+(AA/RR+YY))));  %(1:2,1:2)

         CS2R2(kk)=real(log2(det(eye(Nr)+(AA))));  

         

%  Prpoposed Scheme of-(R-D) 

         DP=SNR/Mr* Wrd2'*HR2D1'*HR2D1*Wrd2;

%          YY=SNR/Mr *(Wr1'*HR2D1*Wt2'*Wt2*HR2D1'*Wr1);  %RDI  ->zeros 

        CR2D2(kk)=real(log2(det(eye(M)+(DP))));

          end

            

     % min

        CAPS1RD1=min(CS1R1,CR1D1); %Proposed Scheme -eq.(15)

        CAPS2RD2=min(CS2R2,CR2D2); %Proposed Scheme -eq.(15)

        CAPSRD=min(CAPS1RD1,CAPS2RD2); 

    % average over all channel realizations for a given SNR value

    CAPS1R1D1(SNRidx)  = mean(CAPSRD);

        

end

% plot

figure(1)

 plot(SNRdBvalues, CAPS1R1D1,'k-+','linewidth',2.3, 'MarkerSize',10)

title('Capacity of SR-hop and RD-hops')

xlabel(' SNR (dB)') %\rho

ylabel('Capacity (bits/sec/Hz)')

 legend('Proposed Scheme-equal PA')

⛳️ 运行结果

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

👇 关注我领取海量matlab电子书和数学建模资料

🎁  私信完整代码和数据获取及论文数模仿真定制

擅长领域：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇