[论文解读] Energy Efficient User Clustering, Hybrid Precoding and Power Optimization in Terahertz MIMO-NOMA Systems

Haijun Zhang, Haisen Zhang+4 more|arXiv (Cornell University)|May 3, 2020

Molecular Communication and Nanonetworks参考文献 32被引用 6

一句话总结

该论文提出了一种联合优化框架，用于太赫兹（THz）MIMO-NOMA系统中的能量效率（EE），通过集成增强型K-means用户聚类、子连接式混合预编码以及基于分布式ADMM的功率分配，实现了更快的收敛速度，并达到高达2.3×10¹¹ bps/J/Hz的EE，显著优于在回传链路和硬件约束下的OMA与传统预编码方法。

ABSTRACT

Terahertz (THz) band communication has been widely studied to meet the future demand for ultra-high capacity. In addition, multi-input multi-output (MIMO) technique and non-orthogonal multiple access (NOMA) technique with multi-antenna also enable the network to carry more users and provide multiplexing gain. In this paper, we study the maximization of energy efficiency (EE) problem in THz-NOMA-MIMO systems for the first time. And the original optimization problem is divided into user clustering, hybrid precoding and power optimization. Based on channel correlation characteristics, a fast convergence scheme for user clustering in THz-NOMA-MIMO system using enhanced K-means machine learning algorithm is proposed. Considering the power consumption and implementation complexity, the hybrid precoding scheme based on the sub-connection structure is adopted. Considering the fronthaul link capacity constraint, we design a distributed alternating direction method of multipliers (ADMM) algorithm for power allocation to maximize the EE of THz-NOMA cache-enabled system with imperfect successive interference cancellation (SIC). The simulation results show that the proposed user clustering scheme can achieve faster convergence and higher EE, the design of the hybrid precoding of the sub-connection structure can achieve lower power consumption and power optimization can achieve a higher EE for the THz cache-enabled network.

研究动机与目标

• 解决在大规模用户与频谱需求下，高容量太赫兹（THz）MIMO-NOMA网络中能量效率（EE）的关键挑战。
• 通过集成NOMA与MIMO，克服传统数字预编码与OMA的局限性，实现更高的频谱与能量效率。
• 设计一种基于子连接结构的低复杂度、低功耗混合预编码架构，以降低射频链路与移相器的功耗。
• 开发一种分布式ADMM算法用于功率分配，以应对回传容量与非完美逐次干扰 cancellation（SIC）约束，从而最大化EE。
• 评估在真实THz网络部署中缓存、移相器功耗与硬件量化对系统EE的影响。

提出的方法

• 提出一种利用信道相关性来分组用户的增强型K-means聚类算法，以提升收敛速度与EE。
• 采用子连接式混合预编码架构，以减少射频链路数量与功耗，同时保持波束成形增益。
• 建立EE最大化联合优化问题，并将其分解为用户聚类、混合预编码与功率分配子问题。
• 设计一种基于分布式ADMM的功率分配算法，以处理回传容量约束与非完美SIC，实现可扩展且低复杂度的优化。
• 集成缓存启用的基站操作，以卸载回传流量并降低能耗，从而提升长期EE收益。
• 采用有限分辨率的量化移相器以建模真实硬件约束，并评估其对EE的影响。

实验结果

研究问题

• RQ1 如何在THz MIMO-NOMA系统中优化用户聚类，以提升收敛速度与能量效率？
• RQ2 在太赫兹频段中，何种混合预编码架构可实现最低功耗，同时保持频谱效率？
• RQ3 非完美逐次干扰取消（SIC）在具有回传约束的THz-NOMA系统中，如何影响功率分配与EE？
• RQ4 在THz-NOMA网络中，基站缓存能在多大程度上提升系统能量效率？
• RQ5 移相器功耗与量化分辨率在多大程度上影响混合预编码系统的整体能量效率？

主要发现

• 所提出的增强型K-means聚类算法相比传统聚类方法，实现了更快的收敛速度与更高的EE，系统EE在10次迭代后稳定在2.3×10¹¹ bps/J/Hz。
• 子连接式混合预编码结构降低了功耗，并在低量化移相器条件下，其EE优于数字ZF预编码。
• 系统EE随缓存效率提升而增加，表明本地文件检索显著降低了回传负载，提升了长期能量效率。
• 更低的移相器功耗（20 mW vs. 30 mW）带来更高的系统EE，证实了硬件能耗对整体性能的影响。
• 所提出的基于ADMM的功率分配算法优于随机与等功率分配，在不同天线与用户数量下均实现了更高的EE。
• NOMA-MIMO系统相比OMA（FDMA）系统实现了显著更高的EE，尤其在用户数量增加时，得益于复 multiplexing gain 与频谱效率。