智能反射表面在双Nakagami衰落信道下的误码率分析与高斯近似

1. 项目概述当智能反射表面遇上双Nakagami衰落在无线通信领域我们一直在和“信道”这个看不见摸不着的对手博弈。信号从发射端到接收端要经历反射、折射、衍射等一系列复杂过程最终到达接收天线的信号强度、相位都变得随机这就是信道衰落。对于系统设计者而言准确预测这种随机性对通信质量尤其是误码率的影响是优化系统性能、保障可靠传输的基石。传统的瑞利衰落模型虽然经典但在许多实际场景如存在部分视距分量的微蜂窝、室内环境或车联网中其拟合能力有限。这时参数更灵活的Nakagami-m分布就成为了一个更强大的工具它能通过调整形状参数m来精确刻画从单边高斯到莱斯等多种衰落特性。近年来大规模智能表面LIS或智能反射表面IRS作为一项变革性技术为6G及未来无线网络带来了新的想象空间。想象一下一面墙或一块面板不再是被动的障碍物而是由成千上万个可编程的反射单元构成能够智能地调控入射电磁波的相位从而主动塑造无线信道环境。这相当于在基站和用户之间部署了一个无需射频链路的、低功耗的“智能中继”。然而这个美好的愿景背后是极其复杂的信道建模问题信号从基站到LIS再从LIS反射到用户经历了两次独立的衰落我们称之为“双跳”信道。更棘手的是LIS对相位的调控并非完美无缺硬件量化误差、信道估计偏差都会引入随机的相位误差。因此一个核心问题摆在我们面前在双Nakagami衰落信道下且LIS存在非理想相位调整建模为Von Mises分布时整个系统的端到端合成信道究竟服从何种统计分布进而基于此分布我们如何精确计算或高效近似系统的误码率BER这正是本文要深入拆解的核心。我们将从最基础的数学模型出发一步步推导出n2和n3个反射单元时的精确信道分布并利用中心极限定理CLT给出大规模反射单元n很大下的高斯近似解。最终我们将得到适用于BPSK和M-QAM调制的、可直接用于系统评估的误码率闭式表达式和紧致上界。无论你是正在研究IRS性能的研究人员还是需要评估复杂信道下系统可靠性的工程师这篇文章都将为你提供一套从理论到仿真的完整工具箱。2. 系统模型与核心假设拆解要分析一个系统的性能第一步永远是清晰地定义它的数学模型。我们的场景是一个由单天线基站BS、一个包含n个被动反射单元的大规模智能表面LIS、以及一个单天线用户UE组成的通信链路。LIS的每个单元都能独立地对入射信号施加一个可控的相移。2.1 信号模型与信道建模基站发送一个零均值、单位功率的符号X。那么用户接收到的信号Y可以表示为Y √γ0 * Σ_{k1}^{n} [ e^{jφ_k} * H_{1k} * H_{2k} * X ] W这个公式是理解整个系统的钥匙我们来拆解每一个部分√γ0: 这是每个反射链路的平均信噪比SNR的平方根是一个功率归一化因子。Σ_{k1}^{n}: 求和符号表示来自n个反射单元的信号的相干叠加。这是LIS带来波束成形增益的数学体现。e^{jφ_k}: 这是第k个反射单元施加的可控相移。理想情况下我们希望这个相移能完全补偿信道引入的相位。H_{1k} 和 H_{2k}: 这是两个核心的随机变量。H_{1k}: 基站到第k个LIS单元的信道系数SIMO信道。它是一个复随机变量其幅度|H_{1k}|服从Nakagami-m分布。H_{2k}: 第k个LIS单元到用户的信道系数MISO信道。同样其幅度|H_{2k}|也服从Nakagami-m分布。我们假设所有H_{1k}和H_{2k}之间都是独立同分布i.i.d的且两个信道之间也相互独立。这是为了分析的可行性在实际密集部署中如果单元间距足够大这个假设是合理的。W: 加性高斯白噪声AWGN服从均值为0、方差为σ_W^2的复高斯分布即 W ~ CN(0, σ_W^2)。Nakagami-m分布的概率密度函数PDF为f_{|H_{ik}|}(x) (2 * m^m) / (Γ(m) * Ω^m) * x^{2m-1} * exp(-(m/Ω) * x^2)其中m 0.5是形状参数控制衰落的严重程度m越大衰落越轻Ω E[|H_{ik}|^2]是尺度参数代表平均功率。当m1时Nakagami-m退化为瑞利分布当m1时它可以近似莱斯分布。2.2 相位误差模型为何是Von Mises分布理想很丰满现实很骨感。LIS无法实现完美的相位补偿。主要原因有量化误差实际硬件中相移器由数字控制的二极管实现相位调整是离散的例如用2比特控制4个相位状态。这导致目标连续相位被“量化”到最近的离散值上产生误差。信道估计误差获取精确的信道状态信息CSI本身就有误差基于有误差的CSI计算出的“理想”相移自然也不准确。同步误差基站、LIS和用户之间的时钟同步不可能完美。这些误差的综合效果使得第k个链路的总残余相位误差θ_k不再为零。那么用什么分布来刻画这个随机相位误差呢最粗糙的假设是θ_k在[-π, π]上均匀分布但这对应的是“完全无知”的最坏情况。实际上由于信道估计和量化总是围绕一个中心值进行误差更可能集中在小角度范围内。这时Von Mises分布就派上用场了。它是定义在圆环上的连续分布可以看作是高斯分布在圆周上的类比。其PDF为f_Θ(θ) exp(κ * cos(θ)) / (2π * I_0(κ)),θ ∈ [-π, π)其中I_0(κ)是零阶修正贝塞尔函数κ是集中度参数。κ越大相位误差越集中在0附近方差越小当κ0时Von Mises分布退化为均匀分布。因此用Von Mises分布建模相位误差既能涵盖最坏情况κ0又能更精确地描述实际系统中误差集中于小范围的情况κ0灵活性远优于均匀分布假设。2.3 合成信道系数H的定义将不完美的相位补偿关系φ_k - (θ_{H1k} θ_{H2k}) θ_k代入最初的接收信号公式经过化简具体过程见原文我们可以得到一个非常简洁的形式Y n * √γ0 * H * X W其中合成信道系数H被定义为H (1/n) * Σ_{k1}^{n} [ e^{jθ_k} * |H_{1k}| * |H_{2k}| ]注意这里有一个关键的简化。化简后原始信道H_{1k}和H_{2k}的相位θ_{H1k}和θ_{H2k}被抵消掉了最终起作用的只有它们的幅度乘积Z_k |H_{1k}| * |H_{2k}|以及LIS引入的残余相位误差θ_k。这意味着在分析最终的信道幅度分布时我们只需要关心双Nakagami幅度乘积Z_k的分布以及Von Mises相位θ_k的分布。这大大简化了问题的复杂度。因此我们的核心任务转化为求取n个独立同分布的随机变量R_k * e^{jθ_k}之和的幅度分布其中R_k Z_k / n。Z_k服从“双Nakagami”分布其PDF已知见原文公式(8)涉及贝塞尔K函数θ_k服从Von Mises分布。求这个和的分布就是求一个随机游走的步长分布问题每一步的步长R_k和方向θ_k都是随机的。3. 信道幅度|H|的概率分布推导知道了合成信道系数H我们最关心的是其幅度|H|的统计特性因为它直接决定了接收信号的瞬时功率进而影响误码率。推导分两种情况反射单元数n较小精确解和n很大近似解。3.1 小规模n的精确分布n2, 3当n很小时我们可以利用几何概率的方法精确求出|H|的分布。将H看作复平面上的一个向量其直角坐标分量为C Σ_{k1}^{n} R_k cosθ_k同相分量S Σ_{k1}^{n} R_k sinθ_k正交分量 那么|H| sqrt(C^2 S^2)。对于n2的情况问题简化为求两个随机向量之和的模长分布。我们可以固定其中一个向量考虑另一个向量所有可能的方向和长度然后积分。最终得到的|H|的PDF是一个复杂的多重积分表达式原文公式(13)其中包含了双Nakagami分布的PDF公式(8)以及一个由两个向量几何关系决定的积分域由Heaviside阶跃函数U(·)定义。对于n3思路类似但更复杂需要先计算两个向量的合成向量再与第三个向量求和。对应的PDF是四重积分原文公式(14)。实操心得与局限数值计算挑战即使对于n2和3这些精确表达式也涉及无穷积分和特殊函数贝塞尔K函数计算量很大通常需要借助Mathematica、MATLAB等数学软件进行数值积分。“维度灾难”当n继续增大时这种基于几何的精确推导方法会变得极其复杂几乎无法得到闭式解计算上也难以实现。这就是为什么我们需要寻求在大n下的近似方法。验证价值尽管计算复杂这些小n的精确解具有不可替代的价值。它们可以作为“黄金标准”用来验证后续在大n下提出的近似方法的准确性。在仿真中我们通常用蒙特卡洛方法生成大量样本来近似这个分布。图2原文展示了n2时不同m值下精确PDF与蒙特卡洛仿真结果的对比两者完全重合验证了推导的正确性。可以看到m越大信道条件越好|H|分布的均值向右移动意味着合成信道增益的统计平均值更高。3.2 大规模n的近似分布中心极限定理的应用当反射单元数量n很大时例如n32, 64, 128...解决问题的钥匙出现了中心极限定理CLT。CLT告诉我们大量独立同分布随机变量的和其分布会趋近于高斯分布。在我们的模型中同相分量C和正交分量S分别是n个独立同分布随机变量R_k cosθ_k和R_k sinθ_k的和。因此当n足够大时C和S分别近似服从高斯分布C ~ N(μ_C, σ_C^2),S ~ N(μ_S, σ_S^2)接下来的关键步骤是计算这两个高斯分布的均值和方差。这需要计算R_k cosθ_k和R_k sinθ_k的矩。由于R_k和θ_k独立且R_k Z_k/n其中Z_k |H_{1k}| * |H_{2k}|计算中会涉及Z_k的矩与Nakagami-m分布的参数m, Ω有关以及cosθ_k和sinθ_k的矩与Von Mises分布的参数κ有关。经过一系列推导详见原文附录A和B我们可以得到均值:μ_C μ_1 * μ_2 * (I_1(κ) / I_0(κ))μ_S 0其中μ_1和μ_2分别是两个Nakagami信道的均值I_1(κ)是一阶修正贝塞尔函数。当κ0均匀相位误差时I_1(0)/I_0(0)0所以μ_C0。方差:σ_C^2和σ_S^2的表达式较为复杂原文公式(43)和(49)它们是n, m1, m2, Ω1, Ω2, κ的函数。其形式为(A B*(μ_1μ_2)^2) / n其中A和B是与分布参数相关的常数。这个1/n因子至关重要它意味着随着反射单元n的增加合成信道增益的波动方差会减小系统性能会更稳定。此外附录C证明了C和S是不相关的。对于联合高斯分布不相关即意味着独立。因此C和S的联合PDF可以写成两个边缘高斯PDF的乘积f_{C,S}(x, y) (1/(2πσ_Cσ_S)) * exp( - (x-μ_C)^2/(2σ_C^2) - y^2/(2σ_S^2) )最后我们关心的是幅度ρ |H| sqrt(C^2 S^2)的分布。通过从直角坐标(C, S)到极坐标(ρ, φ)的变量变换并积分掉角度φ可以得到ρ的PDF。这个PDF没有简单的闭式但我们可以利用f_{C,S}(x,y)的表达式进行数值积分来计算任何相关的统计量或性能指标如误码率。一个重要的特例均匀相位误差κ0当相位误差均匀分布时μ_C μ_S 0且可以证明σ_C^2 σ_S^2 σ^2。此时联合PDF退化为圆对称的形式f_{ρ, φ}(ρ, φ) (ρ/(2πσ^2)) * exp(-ρ^2/(2σ^2))对φ积分后得到ρ的PDF为f_ρ(ρ) (ρ/σ^2) * exp(-ρ^2/(2σ^2)), for ρ ≥ 0这正是瑞利分布这意味着即使原始的两个信道都是Nakagami衰落但在大规模LIS且相位误差均匀分布的最坏情况下最终的合成信道幅度近似服从瑞利分布。这是一个非常深刻且实用的结论。图3原文展示了n128时不同κ值下采用高斯近似得到的PDF与蒙特卡洛仿真结果的对比。可以看到即使对于κ0均匀分布理论上近似效果可能稍差的情况两者也匹配得非常好。表1进一步量化了这种近似误差当n≥32时均方误差MSE已小于5%n128时近似已非常精确。这证明了CLT近似在大规模LIS场景下的有效性和高效性。4. 误码率BER公式推导与应用得到了信道幅度|H|的分布f_{|H|}(r)后我们就可以计算平均误码率了。平均BER是在所有可能的信道实现上对瞬时BER进行统计平均。4.1 平均误码率的一般表达式对于M-QAM和BPSK调制在AWGN信道下的瞬时误码率公式是已知的BPSK:P_e^{BPSK}(γ) Q( sqrt(2γ) )其中γ是瞬时信噪比SNRQ(.)是Q函数。M-QAM:P_e^{QAM}(γ) ≈ 4*(1-1/√M)*Q( sqrt(3γ/(M-1)) )这是一个常用的紧致近似忽略高阶Q函数项。在衰落信道下瞬时SNRγ是一个随机变量γ (n^2 * γ0 * |H|^2) * (E_b/N_0)其中γ0与链路预算有关E_b/N_0是每比特信噪比。为简化我们常定义γ̄ (E_b/N_0)并将n^2γ0的增益吸收进信道增益中考虑或者假设γ01以便聚焦于衰落影响。那么平均误码率就是对瞬时误码率在|H|分布上的期望P̄_e^{BPSK}(γ̄) ∫_0^∞ Q( sqrt(2 * n^2 * γ̄ * r^2) ) * f_{|H|}(r) drP̄_e^{QAM}(γ̄) ≈ ∫_0^∞ 4*(1-1/√M)*Q( sqrt(3 * n^2 * γ̄ * r^2 / (M-1)) ) * f_{|H|}(r) dr对于n2或3我们可以将上一节得到的精确PDFf_{|H|}(r)公式(13),(14)代入上式进行数值积分得到精确的平均BER。图4原文展示了n2时精确BER公式与仿真结果的完美吻合。4.2 大规模n下的近似BER计算当n很大时我们使用基于CLT的高斯近似。此时平均BER的计算需要在联合高斯分布f_{C,S}(x,y)上对瞬时BER求二维积分P̄_e^{QAM}(γ̄) ≈ ∫_{-π}^{π} ∫_0^∞ P_e^{QAM}(n^2 γ̄ ρ^2) * f_{ρ, φ}(ρ, φ) dρ dφ其中f_{ρ, φ}(ρ, φ)由公式(16)给出。这个二重积分通常没有闭式解但可以通过数值积分高效计算。图5原文显示对于n32和128这种近似方法得到的BER曲线与蒙特卡洛仿真结果几乎重合。4.3 紧致上界与闭式近似为了获得更简洁、便于系统分析的表达式我们寻求BER的上界和闭式近似。1. Chernoff界与上界 利用Q函数的Chernoff界Q(x) ≤ (1/2) * exp(-x^2/2)可以将平均BER的积分表达式转化为一个可积的形式。经过推导原文公式(28)和(29)可以得到M-QAM和BPSK调制的上界。BPSK上界P̄_e^{BPSK}(γ̄) ≤ (1/2) * exp( - (γ̄ n^2 (μ_C^2μ_S^2)) / (2γ̄ n^2 σ_min^2 1) ) / (2γ̄ n^2 σ_min^2 1)其中σ_min min(σ_C, σ_S)。这个上界在中等至高SNR区域非常紧致如图9原文所示可以作为快速评估系统性能的保守估计。2. 均匀相位误差下的闭式解 在κ0的最坏情况下|H|近似服从瑞利分布。此时BPSK的平均BER有经典的闭式解P̄_e^{BPSK}(γ̄) (1/2) * [ 1 - sqrt( γ̄ n^2 / (γ̄ n^2 1/σ_C^2) ) ]对于M-QAM虽然没有精确闭式解但通过忽略Q函数平方项等近似可以得到一个非常准确的闭式近似原文公式(33)P̄_e^{QAM}(γ̄) ≈ [2(√M -1)/√M] * (σ_C^2) * [ sqrt( (M-1)log(8) / (n^2 γ̄ σ_C^2 log M) 9 ) - 3 ] / sqrt( (M-1)log(8) / (n^2 γ̄ σ_C^2 log M) 9 )图10原文表明这个近似公式在高SNR时与数值积分结果几乎一致。4.4 关键参数对性能的影响分析基于得到的公式我们可以系统地分析各系统参数对误码率的影响反射单元数量 n这是LIS的核心增益来源。图6原文清晰地表明BER随着n的增加而单调下降。这是因为更多的反射单元提供了更多的分集增益和波束成形增益。CLT告诉我们合成信道增益的方差以1/n的速度减小使得信道更加稳定起伏更小。在实际设计中增加n是提升性能最直接有效的方法但需要权衡硬件成本和信道估计开销。相位误差集中度参数 κκ衡量了LIS相位补偿的精度。图7和图8原文显示BER随着κ的增大而显著降低。κ越大相位误差越集中在0附近意味着LIS的波束成形越精准信号相干叠加的效果越好。当κ→∞时相当于理想相位补偿性能达到最优。这个结论指导我们在LIS硬件设计中应尽可能提高相位控制的分辨率更多比特数和信道估计的准确性以增大等效的κ值。Nakagami形状参数 m1, m2m参数描述了每条链路的衰落严重程度。m1对应瑞利衰落m1对应更温和的衰落如存在部分视距分量。图11原文揭示了一个重要现象系统的等效衰落严重度大致由乘积m1 * m2决定。例如(m1, m2) (2,2)和(4,1)的系统性能非常接近。这意味着即使其中一条链路衰落很严重m小只要另一条链路条件足够好m大系统整体仍能保持较好的性能。这体现了双跳信道的一种“均衡”效应。调制阶数 M如图10所示高阶QAM如16-QAM的BER曲线比低阶调制如4-QAM更陡峭对SNR的要求更高。这与传统衰落信道下的结论一致。在LIS辅助系统中由于信道波动被平均效应抑制系统可以更安全地采用高阶调制来提升频谱效率。5. 仿真验证、应用场景与设计启示理论推导的终点是实践应用。我们通过大量的蒙特卡洛仿真验证了所有公式的正确性。仿真通常遵循以下步骤根据给定的m和Ω参数生成大量独立的Nakagami衰落信道样本H_{1k}和H_{2k}。根据给定的κ参数生成大量独立的Von Mises相位误差样本θ_k。根据公式(6)计算合成信道系数H。对于给定的SNR计算瞬时BER然后对所有信道实现求平均得到仿真BER。 图4、5、7、9、10、11均展示了理论曲线精确解、近似解或上界与仿真点的高度重合充分验证了本文所提方法的准确性。5.1 典型应用场景与参数选择本文的模型和结论适用于多种LIS/IRS辅助通信的场景毫米波/太赫兹通信高频段信号穿透力差易受阻挡。LIS可以部署在建筑物表面为被阻挡的用户创建非视距NLoS链路。此时基站-LIS和LIS-用户链路可能均存在一定的视距分量适合用m1的Nakagami模型。物联网IoT与边缘覆盖增强在蜂窝网络边缘或室内死角部署低成本、被动的LIS来增强覆盖。此时信道条件可能较差m值可能接近1瑞利衰落。物理层安全通过调整LIS相位在增强目标用户信号的同时在窃听者方向形成零陷。分析中需要考虑窃听信道的分布。参数取值参考n大规模意味着n从几十到几百甚至上千。仿真表明n32时高斯近似已相当好。m典型取值在0.5到10之间。室内视距场景可能为3-5恶劣的城市NLoS场景可能为1-1.5。κ取决于相位量化比特数和信道估计精度。2比特量化4个相位状态对应的等效κ值较小4比特或更高量化下κ值会显著增大。精确的信道估计算法也能有效提升κ。Ω通常归一化为1代表平均信道功率增益。5.2 对系统设计的启示“越多越好”但存在边际效应增加反射单元n总能降低BER但性能提升遵循1/n的规律。当n已经很大时继续增加n带来的性能增益会逐渐变小。设计时需要在性能、成本和复杂度之间取得平衡。相位精度是关键相比于单纯增加反射单元数量提高相位控制精度增大κ在很多时候是更经济高效的性能提升手段。这激励着对高精度低功耗相移器硬件和高效信道估计算法的研究。信道衰落的“短板效应”系统性能受制于两条链路中衰落更严重的那一条。在部署LIS时应尽量将其放置在能与基站和用户都形成较好信道即较大m值的位置。简化分析的威力对于大规模LIS基于CLT的高斯近似及其推导出的BER上界/近似公式为快速系统级仿真和性能预估提供了强有力的工具避免了耗时的蒙特卡洛仿真或多重数值积分。5.3 常见问题与扩展思考Q如果LIS单元之间的信道不是独立同分布i.i.d.怎么办A这是更实际的场景。相关性会降低分集增益导致CLT的收敛速度变慢近似精度下降。此时需要引入信道相关矩阵来建模。分析将变得更加复杂可能需要借助随机矩阵理论或新的近似方法。Q本文模型适用于主动式LIS吗A本文主要针对被动式LIS仅调整相位。主动式LIS还能放大信号幅度其模型会引入额外的放大噪声和功率分配优化问题需要修改信号模型和性能分析框架。Q如何将理论BER用于实际的链路预算A可以将本文推导的平均BERP̄_e作为目标函数。给定目标BER如1e-5、调制方式、估计的m、κ和n可以反向求解所需的平均接收SNRγ̄。再结合路径损耗模型可以计算出所需的发射功率或最大传输距离。Q对于超大规模n如n1000近似是否依然有效ACLT在n→∞时是精确的。对于有限但很大的n只要单元间的相关性不强近似效果会非常好。图3和表1已经证明了在n128时近似已近乎完美。最后我想分享一点个人在复现和运用这类分析时的体会通信系统的性能分析常常在“精确”和“可处理”之间权衡。本文的精彩之处在于它针对一个非常复杂的双跳随机系统通过巧妙的建模双Nakagami Von Mises和数学工具CLT既给出了小规模下的精确解作为基准又提供了大规模下极其简洁实用的近似工具。在实际科研或工程中我们通常可以放心地使用高斯近似来快速评估大规模智能表面系统的潜在性能这为6G中超大规模表面阵列的早期设计和可行性研究提供了极大的便利。