Analysis of the Behavior of the Finite-SNR Diversity Gain in a Multipath Fluctuating Double-Rayleigh with Line-of-Sight Fading Channel

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Проведен анализ поведения величины коэффициента выигрыша от компенсации многолучевости (ВКМ) для беспроводной системы связи, функционирующей в условиях многопутевого распространения сигнала. В качестве модели канала была выбрана недавно предложенная модель с двойным рэлеевским рассеянием и флуктуирующей компонентой прямой видимости. Учитывая, что полученное в рамках исследования выражение для коэффициента ВКМ определяется типом модуляции, в статье рассматривается и проводится сравнительный анализ наиболее часто встречающихся на сегодняшний день модификаций квадратурной амплитудной модуляции с прямоугольной, гексагональной регулярной и нерегулярной формами сигнальных созвездий. Показано, что величина ВКМ при конечных отношениях сигнал-шум (ОСШ) может существенно превышать свое асимптотическое значение (определяемое при бесконечно возрастающем ОСШ). Обнаружена немонотонная зависимость ВКМ от размера сигнального созвездия (для любого типа созвездия): наибольшая величина коэффициента ВКМ для малых размерностей созвездий достигается при малом или умеренном значении ОСШ и чрезвычайно слабой или чрезвычайно сильной компоненте прямой видимости, для малых размерностей созвездий – при умеренном уровне компоненты прямой видимости.

References

  1. Launay F. NG-RAN and 5G-NR: 5G Radio Access Network and Radio Interface. Hoboken, NJ: ISTE/Wiley, 2021.
  2. Shankar P.M. Fading and Shadowing in Wireless Systems. Cham, Switzerland: Springer, 2017.
  3. Wang Z., Giannakis G.B. A Simple and General Parameterization Quantifying Performance in Fading Channels // IEEE Trans. Commun. 2003. V. 51. № 8. P. 1389–1398. https://doi.org/10.1109/TCOMM.2003.815053
  4. Narasimhan R. Finite-SNR Diversity–Multiplexing Tradeoff for Correlated Rayleigh and Rician MIMO Channels // IEEE Trans. Inform. Theory. 2006. V. 52. № 9. P. 3965–3979. https://doi.org/10.1109/TIT.2006.880057
  5. Gvozdarev A.S., Artemova T.K. A Closed Form Analytic Expression for Massive MIMO Finite-SNR Diversity Gain in Case of Correlated Rayleigh Channels // Proc. 2017 Ad- vances in Wireless and Optical Communications (RTUWO’17). Riga, Latvia. Nov. 2–3, 2017. P. 142–146. https://doi.org/10.1109/RTUWO.2017.8228522
  6. Gvozdarev A.S., Artemova T.K. Finite-SNR Diversity Gain Analysis of the Fluctuating Line-of-Sight Fading Channel Model // Proc. 2023 Int. Conf. on Engineering Management of Communication and Technology (EMCTECH 2023). Vienna, Austria. Oct. 16–18, 2023. P. 1–5. https://doi.org/10.1109/EMCTECH58502.2023.10296937
  7. Gvozdarev A., Artemova T., Morkovkin A. The Impact of Modulation Constellation Type on the Finite Signal-to-Noise Ratio Diversity Gain in the Presence of a Multipath Fading Channel // Probl. Inf. Transm. 2024. V. 60. № 2. P. 90–112. https://doi.org/10.1134/ S0032946024020029
  8. Ferna´ndez S., Bailo´n-Mart´ınez J.A., Galeote-Cazorla J.E., L´opez-Mart´ınez F.J. Analytical Characterization of the Operational Diversity Order in Fading Channels. https://arXiv. org/abs/2405.09336 [cs.IT], 2024.
  9. Durgin G.D., Rappaport T.S., de Wolf D.A. New Analytical Models and Probability Density Functions for Fading in Wireless Communications // IEEE Trans. Commun. 2002. V. 50. № 6. P. 1005–1015. https://doi.org/10.1109/TCOMM.2002.1010620
  10. L´opez-Ferna´ndez J., Espinosa P.R., Romero-Jerez J.M., Lo´pez-Mart´ınez F.J. A Fluctuating Line-of-Sight Fading Model With Double-Rayleigh Diffuse Scattering // IEEE Trans. Veh. Technol. 2022. V. 71. № 1. P. 1000–1003. https://doi.org/10.1109/TVT.2021.3131060
  11. Gvozdarev A.S. Closed-Form and Asymptotic BER Analysis of the Fluctuating Double- Rayleigh with Line-of-Sight Fading Channel // IEEE Wireless Commun. Lett. 2022. V. 11. № 7. P. 1548–1552. https://doi.org/10.1109/LWC.2022.3179900
  12. Gvozdarev A.S. Capacity Analysis of the Fluctuating Double-Rayleigh with Line-of-Sight Fading Channel // Phys. Commun. 2022. V. 55. Article 101939. https://doi.org/10.1016/ j.phycom.2022.101939
  13. Gvozdarev A.S., Artemova T.K., Alishchuk A.M., Kazakova M.A. Closed-Form Hyper- Rayleigh Mode Analysis of the Fluctuating Double-Rayleigh with Line-of-Sight Fading Channel // Inventions. 2023. V. 8. № 4. Article 87 (19 pp.). https://doi.org/10.3390/ inventions8040087
  14. Singya P.K., Shaik P., Kumar N., Bhatia V., Alouini M.-S. A Survey on Higher-Order QAM Constellations: Technical Challenges, Recent Advances, and Future Trends // IEEE Open J. Commun. Soc. 2021. V. 2. P. 617–655. https://doi.org/10.1109/OJCOMS.2021.3067384
  15. Abdelaziz M., Gulliver T.A. Triangular Constellations for Adaptive Modulation // IEEE Trans. Commun. 2017. V. 66. № 2. P. 756–766. https://doi.org/10.1109/TCOMM.2017. 2762671
  16. Matos D., Correia R., Silva H.T.P., Silva H.S., Oliveira A.S.R., Carvalho N.B. On the Performance of Square, Rectangular, Star, and Hexagonal QAM for Backscatter Systems // IEEE Microw. Wirel. Technol. Lett. 2023. V. 33. № 1. P. 102–105. https://doi.org/10. 1109/LMWC.2022.3196587
  17. Gvozdarev A.S., Artemova T.K., Ermakov I., Manahov R., Mozzhukhin S., Veselkov A. Achievable Error Rate Reduction with Hexagonal QAM Constellations Over the Shadowed Fading Channels // Proc. 2024 26th Int. Conf. on Digital Signal Processing and Its Appli- cations (DSPA’24). Moscow, Russia. Mar. 27–29, 2024. P. 1–6. https://doi.org/10.1109/ DSPA60853.2024.10510120
  18. Lu J., Letaief K.B., Chuang J.C.-I., Liou M.L. M-PSK and M-QAM BER Computation Using Signal-Space Concepts // IEEE Trans. Commun. 1999. V. 47. № 2. P. 181–184. https://doi.org/10.1109/26.752121
  19. Olver F.W. NIST Handbook of Mathematical Functions. Cambridge: Cambridge Univ. Press, 2010.
  20. Hai N.T., Yakubovich S.B. The Double Mellin–Barnes Type Integrals and Their Applica- tions to Convolution Theory. Singapore: World Sci., 1992. https://doi.org/10.1142/1425

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».