1. 项目概述当NOMA遇上I/Q不平衡在5G和后5G时代非正交多址接入NOMA技术因其卓越的频谱效率和海量连接能力被视为一项关键使能技术。与传统的正交多址OMA不同NOMA允许在相同的时频资源上服务多个用户其核心在于功率域复用和接收端的连续干扰消除SIC。然而当我们从理想的理论模型走向实际的硬件实现时一个幽灵始终在射频前端徘徊——那就是I/Q不平衡。作为一名长期混迹于通信物理层算法与硬件实现交叉领域的工程师我深知任何忽略射频损伤的系统设计都如同在沙地上建造城堡。I/Q不平衡这个由混频器、滤波器、放大器等模拟器件非理想特性引入的损伤会直接破坏信号星座图的完整性对于极度依赖精确功率差和干扰消除的NOMA系统而言其影响是致命且复杂的。本文旨在深入拆解I/Q不平衡对NOMA系统性能的影响机理并基于经典的性能分析框架探讨可行的优化思路。简单来说I/Q不平衡破坏了发射机或接收机中同相I和正交Q两路信号之间的幅度匹配和相位正交性。在NOMA的上下文中这种破坏是双重的首先它直接劣化了每个用户自身的接收信噪比其次也是更关键的一点它污染了SIC过程所依赖的干扰信号估计导致干扰消除不彻底残留的干扰会在多用户间逐级放大。特别是对于多载波NOMA系统I/Q不平衡还会引入来自镜像子载波的干扰这可能彻底改变系统的分集阶数导致中断概率在高信噪比区域出现无法消除的“地板效应”。理解这些影响并在此基础上进行系统优化是推动NOMA从论文走向实际部署的必经之路。2. I/Q不平衡与NOMA系统交互影响的核心机理要理解I/Q不平衡如何“毒害”NOMA系统我们必须先抛开理想模型深入到信号层面的数学表达。2.1 I/Q不平衡的数学模型与信号畸变在理想的射频前端一个复基带信号 (x x_I jx_Q) 经过上变频后发射信号应为 (Re{x e^{j\omega_c t}} x_I \cos(\omega_c t) - x_Q \sin(\omega_c t))。然而实际的I、Q两路可能存在增益不匹配幅度不平衡和本地振荡器相位非正交相位不平衡。发射机I/Q不平衡模型可以统一表示为 [ x_{TX}^{imp} \mu_t x \nu_t x^* ] 其中(\mu_t \cos(\Delta \phi_t/2) j \epsilon_t \sin(\Delta \phi_t/2))(\nu_t \epsilon_t \cos(\Delta \phi_t/2) j \sin(\Delta \phi_t/2))。这里(\epsilon_t) 是幅度不平衡因子(\Delta \phi_t) 是相位不平衡角。(x^*) 是 (x) 的复共轭。这个公式揭示了一个关键问题I/Q不平衡不仅衰减和旋转了期望信号系数 (\mu_t)更产生了一个镜像信号分量系数 (\nu_t) 乘以共轭项。类似地接收机I/Q不平衡可以建模为对接收信号 (y) 的变换 [ y_{RX}^{imp} \mu_r y \nu_r y^* ] 参数 (\mu_r, \nu_r) 的定义与发射端类似。当系统同时存在发射和接收I/Q不平衡时其联合效应是相乘的最终基带接收信号会包含期望信号、其共轭、以及由共轭项再次产生的复杂交叉项。一个衡量I/Q不平衡严重程度的常用指标是镜像抑制比IRR定义为 (IRR |\mu|^2 / |\nu|^2)。IRR越高说明镜像分量越弱前端越理想。典型商用射频前端的IRR在20-40 dB之间。2.2 NOMA中的SIC过程为何对I/Q不平衡异常敏感NOMA的核心操作是SIC。以两用户为例基站发送叠加信号 (\sqrt{a_1 P} s_1 \sqrt{a_2 P} s_2)其中 (a_1 a_2 1)且 (a_1 a_2)。用户2弱用户先直接解调 (s_1)将其从接收信号中减去再解调自己的 (s_2)。用户1强用户则直接将 (s_2) 视为噪声解调 (s_1)。在理想情况下用户2需要完美地估计出 (s_1) 的信道和信号幅度才能进行消除。当存在I/Q不平衡时问题出现了接收信号本身已失真用户2接收到的信号已不是干净的 (\sqrt{a_1 P} h_2 s_1 \sqrt{a_2 P} h_2 s_2 n)而是包含了 (s_1^, s_2^) 等镜像干扰项的复杂混合信号。信道估计误差基于失真信号进行的信道估计必然存在偏差这进一步影响了后续对 (s_1) 信号幅度的估计。不完美的干扰重构与消除用户2试图重构并消除的“干扰信号” (\hat{s}_1) 是基于失真信号和带误差的信道估计得出的与真实叠加在信号中的干扰分量不匹配。这导致消除后残留的干扰不仅包括未消除干净的 (s_1) 分量还包括由I/Q不平衡新引入的 (s_1^, s_2^) 等分量。更糟糕的是由于功率分配系数 (a_1 a_2)强用户信号 (s_1) 的功率本就最大其引入的I/Q镜像干扰也最强。这部分残留干扰会直接进入用户2对自身信号 (s_2) 的解调过程中严重劣化其信干噪比。对于用户数更多的场景这种残留干扰会在SIC链中逐级累积对排序靠后的用户造成毁灭性打击。注意在仿真或理论分析中我们常假设“理想信道状态信息CSI”这实际上给出了性能的下界最优情况。在实际系统中I/Q不平衡会使得信道估计本身变得不准确从而让SIC的性能进一步恶化实际系统的中断概率会比我们基于理想CSI分析的结果还要差。2.3 单载波与多载波NOMA的损伤差异原文的数值结果部分清晰地揭示了单载波SC-NOMA与多载波MC-NOMA通常指OFDM-NOMA系统在面对I/Q不平衡时的不同表现。对于SC-NOMAI/Q不平衡主要产生来自信号自身共轭的干扰。虽然这会劣化SINR但在瑞利衰落信道下系统通常还能保持一定的分集增益。从中断概率曲线看随着信噪比SNR增加曲线斜率不为零意味着性能仍能持续提升。而对于MC-NOMA情况要严峻得多。I/Q不平衡不仅产生共轭干扰还会破坏子载波间的正交性引入来自镜像子载波的干扰。关键在于这个镜像子载波经历的是独立于当前子载波的衰落。存在一种不幸的可能性当前子载波处于深衰落而它的镜像子载波却处于良好的信道条件下。这时镜像干扰的功率可能远大于衰弱的期望信号导致即使无限提高发射功率SNR→∞接收信干噪比也存在一个无法逾越的上限。这在中断概率曲线上表现为经典的“错误平层”Error Floor对应的渐近分集阶数为零。这意味着对于存在收发联合I/Q不平衡的MC-NOMA系统仅靠提升发射功率无法改善高信噪比区的性能必须依靠其他手段如补偿算法来打破这个平层。3. 系统性能的量化分析中断概率推导与解读理论分析的价值在于提供洞察和设计指导。原文附录给出了在瑞利衰落信道下存在I/Q不平衡时SC和MC-NOMA系统中断概率的闭式表达式。我们不必重复复杂的推导过程但需要理解其关键组成部分和物理意义。3.1 中断概率公式的核心要素以存在联合收发I/Q不平衡的MC-NOMA系统为例其第 (j) 个用户的中断概率 (P_{out,j}) 最终可表达为对应原文公式55 [ P_{out,j} \sum_{lj}^{M} \sum_{p0}^{l} \binom{M}{l} \binom{l}{p} (-1)^p \exp\left( -\frac{\phi_m 4 r_j (M-lp) \psi_m}{\gamma} \right) \left[ 1 \psi_m (M-lp) \left( \phi_m (|\xi_{22}^j|^2 (1-a_m) |\xi_{21}^j|^2) - |\xi_{22}^j|^2 a_m \right) \right]^{-1} ] 这个公式看起来很复杂但我们可以拆解其核心部分求和与组合数外层求和 (\sum_{lj}^{M}) 源于对用户信道增益的排序统计Order Statistics。在NOMA中用户的解码顺序通常基于信道条件这需要用到顺序统计量来分析第 (j) 个好用户的性能。指数衰减项(\exp(-\cdot/\gamma)) 项代表了瑞利衰落信道的基本特性其中 (\gamma) 是平均信噪比。这项决定了曲线在低中SNR区域的斜率即分集增益。关键分母项方括号内的项 (\left[ 1 \psi_m (M-lp) (\cdots) \right]^{-1}) 是理解“错误平层”的关键。当 (\gamma \to \infty) 时指数项趋近于1但分母项保持不变且大于1。因此中断概率收敛于一个非零常数 (P_{out,j}^{\infty})公式59这就是错误平层的高度。参数 (\xi_{11}^j, \xi_{12}^j, \xi_{21}^j, \xi_{22}^j) 是由发射和接收端的I/Q不平衡参数 ((\mu_t, \nu_t), (\mu_r, \nu_r)) 以及信道系数共同构成的复合参数它们量化了I/Q不平衡引入的干扰强度。(\phi_m 2^{R_m} - 1) 是满足目标速率 (R_m) 所需的最小信干噪比阈值。(a_m) 是功率分配系数。3.2 从公式到现象的映射这个复杂的公式完美解释了我们在数值结果中观察到的现象用户不公平性公式中与用户索引 (j) 和 (m) 相关的项表明中断概率强烈依赖于用户的顺序。排序靠后(j) 较大的用户需要经历更多次不完美的SIC其公式中累积的干扰项更多因此性能更差。图3和图4的结果显示U2或U3的性能恶化程度远高于U1。功率分配的影响功率分配系数 (a_m) 直接出现在干扰项中。不合理的功率分配会放大I/Q不平衡项 (|\xi_{22}^j|^2 a_m) 的影响。图5和图7表明I/Q不平衡的存在会改变理论上的最优功率分配点。这意味着在理想信道下推导出的最优功率分配方案在存在射频损伤的实际系统中可能不再是最优的。RX IQI vs TX IQI接收机I/Q不平衡通常比发射机I/Q不平衡危害更大。从信号流角度看TX IQI仅污染了发射信号本身而RX IQI同时污染了信号和信道中引入的加性噪声使得问题更加复杂。公式中RX IQI的影响通常体现在更多项的系数上导致其造成的SINR损失更大。4. 基于性能分析的优化策略与工程实现考量理论分析指出了问题而工程的价值在于解决问题。针对I/Q不平衡对NOMA系统的影响我们可以从系统设计和信号处理两个层面进行优化。4.1 系统设计层面的优化保守的功率分配策略既然I/Q不平衡会改变最优功率分配点并且对弱用户影响更大在实际系统设计中应采取更保守的功率分配。例如可以适当增大最强用户与最弱用户之间的功率差为SIC过程中的残留干扰留出更大的“缓冲空间”。但这需要与用户公平性进行折衷。一种动态策略是根据估计的I/Q不平衡参数IRR实时调整功率分配系数。用户分组与配对优化在基于NOMA的用户分组中除了考虑信道增益差异还应考虑用户设备的射频硬件能力。尽量避免将使用低质量、高I/Q不平衡射频前端的用户作为需要执行复杂SIC的“弱用户”。可以将这类用户分配为“强用户”仅需直接解码或将其与信道条件极佳的用户分在一组以弥补硬件缺陷。自适应调制与编码AMC传统的AMC根据信道条件调整MCS等级。在存在I/Q不平衡的系统中AMC的门限应引入IRR作为修正因子。当检测到系统或特定用户的I/Q不平衡较严重时应主动选择更稳健更低阶的调制和更低的码率以对抗增加的等效干扰。4.2 信号处理层面的补偿技术这是最直接也是研究最广泛的领域可分为数字域补偿和模拟域校准。数字预失真DPD与后失真补偿发射端补偿在基带对发射信号进行预失真其核心理念是构造一个与射频前端失真特性相反的逆模型。如果已知发射机I/Q不平衡参数 ((\mu_t, \nu_t))可以在数字域预先对信号 (x) 进行变换(x_{pre} \alpha x \beta x^*)通过选择合适的 (\alpha, \beta)使得信号经过非理想射频前端后输出尽可能接近理想的 (x)。这需要反馈路径来估计功放和混频器的特性。接收端补偿这是更常见的方案。在接收机ADC之后利用估计出的I/Q不平衡参数 ((\mu_r, \nu_r))对接收到的失真信号 (y_{imp}) 进行线性变换以恢复原始信号(\hat{y} k_1 y_{imp} k_2 y_{imp}^*)。参数 (k_1, k_2) 可以通过发送已知的训练序列导频来估计。盲补偿与联合估计技术为了节省频谱资源可以不依赖专用的训练序列。盲补偿算法利用接收信号本身的统计特性如恒模特性、循环平稳性来估计I/Q不平衡参数。对于NOMA系统更先进的做法是进行联合信道估计与I/Q不平衡补偿。由于接收信号模型是信道系数和I/Q参数的联合函数可以利用叠加导频或数据辅助的方法通过迭代算法同时估计出信道响应和I/Q不平衡参数这能获得比分离估计更优的性能。针对SIC的干扰重构补偿这是NOMA特有的优化点。既然SIC性能下降的主因是I/Q不平衡导致干扰信号重构不准确那么可以在SIC每一步中显式地考虑I/Q不平衡模型进行干扰重构。即用户 (j) 在尝试解码用户 (i) 的信号时不仅使用估计的信道 (\hat{h})还使用估计的I/Q参数 (\hat{\mu}, \hat{\nu})按照失真模型 (\hat{s}_{i, imp} \hat{\mu} (\sqrt{a_i P} \hat{h} s_i) \hat{\nu} (\sqrt{a_i P} \hat{h} s_i)^*) 来重构接收到的干扰信号然后再进行消除。这能显著减少残留干扰。实操心得在实际的FPGA或DSP实现中补偿算法的复杂度需要严格控制。对于资源受限的终端设备如物联网设备复杂的联合估计算法可能不现实。一个实用的折中方案是在基站侧进行高精度的I/Q不平衡估计与预失真因为基站资源丰富并对终端进行射频校准要求在终端侧仅实施低复杂度的接收机补偿或直接采用更稳健的调制编码方案来容忍一定的损伤。这种“基站为主终端为辅”的补偿思路更符合实际网络部署的经济性要求。5. 仿真复现与结果深度解读为了让大家对上述理论有更直观的认识我基于原文的模型和参数在MATLAB中复现了部分关键仿真。这里分享核心代码片段和结果分析。5.1 仿真环境搭建与参数设置我们模拟一个下行两用户SC-NOMA系统在瑞利衰落信道下考虑接收机I/Q不平衡的影响。% 仿真参数 num_users 2; num_sim 1e6; % 蒙特卡洛仿真次数 SNR_dB 0:5:30; % 信噪比范围 R 0.9; % 目标速率 (bits/s/Hz) phi 2^R - 1; % 信干噪比阈值 % 功率分配系数 a [0.8, 0.2]; % a1 a2 % I/Q不平衡参数设置 (接收机) IRR_rx_dB 20; % 镜像抑制比 epsilon_rx 10^(-IRR_rx_dB/20); % 幅度不平衡近似值 Delta_phi_rx 3*pi/180; % 相位不平衡 3度 mu_r cos(Delta_phi_rx/2) 1j*epsilon_rx*sin(Delta_phi_rx/2); nu_r epsilon_rx*cos(Delta_phi_rx/2) 1j*sin(Delta_phi_rx/2); % 初始化中断概率数组 Pout_U1 zeros(length(SNR_dB), 1); Pout_U2 zeros(length(SNR_dB), 1);5.2 核心信号生成与SIC处理循环仿真的核心在于模拟包含I/Q不平衡的接收信号以及不完美的SIC过程。for idx_snr 1:length(SNR_dB) SNR_linear 10^(SNR_dB(idx_snr)/10); outage_count_U1 0; outage_count_U2 0; for sim_idx 1:num_sim % 1. 信道生成 (瑞利衰落) h (randn(num_users,1) 1j*randn(num_users,1))/sqrt(2); % CN(0,1) % 按信道增益排序 (假设已知用于SIC顺序) [~, order] sort(abs(h).^2, descend); h_ordered h(order); % 2. 生成用户数据 (QPSK) data (2*randi([0,1], num_users,1)-1) 1j*(2*randi([0,1], num_users,1)-1); data data / sqrt(2); % 归一化功率 % 3. 构造NOMA发射信号 (基站端) tx_signal sqrt(a(1))*data(1) sqrt(a(2))*data(2); % 理想叠加 % 假设基站端理想无TX IQI % 4. 经过信道并添加噪声 rx_signal_ideal h_ordered .* tx_signal; noise (randn(num_users,1) 1j*randn(num_users,1))/sqrt(2) * sqrt(1/(2*SNR_linear)); rx_signal_with_noise rx_signal_ideal noise; % 5. 引入接收机I/Q不平衡 rx_signal_impaired mu_r * rx_signal_with_noise nu_r * conj(rx_signal_with_noise); % 6. 用户侧SIC处理 (假设已知完美信道排序信息但未考虑IQI补偿) % 用户1 (强用户信道最好): 直接解调自己的信号将用户2信号视为噪声 sinr_U1 (abs(h_ordered(1))^2 * a(1) * SNR_linear) / ... (abs(h_ordered(1))^2 * a(2) * SNR_linear 1); if log2(1sinr_U1) R outage_count_U1 outage_count_U1 1; end % 用户2 (弱用户信道次之): 先解调用户1信号 % 估计用户1信号 (使用受损信号和已知信道) est_data1 rx_signal_impaired(2) / h_ordered(2); % 简单零 forcing未考虑IQI % 重构用户1的接收信号分量 (不完美的重构未考虑IQI引入的共轭分量) rx_signal_after_sic rx_signal_impaired(2) - h_ordered(2) * sqrt(a(1)) * sign(real(est_data1)) * (11j)/sqrt(2); % 解调自己的信号 sinr_U2 (abs(h_ordered(2))^2 * a(2) * SNR_linear) / ... (1 ... % 噪声功率 abs( ... % 残留干扰功率 (由于不完美的SIC和IQI) rx_signal_after_sic - h_ordered(2)*sqrt(a(2))*data(2) )^2 * SNR_linear ); % 这是一个简化的近似计算 if log2(1sinr_U2) R outage_count_U2 outage_count_U2 1; end end Pout_U1(idx_snr) outage_count_U1 / num_sim; Pout_U2(idx_snr) outage_count_U2 / num_sim; end5.3 仿真结果分析与关键洞见运行上述仿真后我们可以绘制出中断概率随SNR变化的曲线并与理想无I/Q不平衡的情况进行对比。观察点理想系统 (无IQI)接收机IQI系统 (20dB IRR)关键解读U1性能随SNR提升快速下降曲线整体右移性能有损失但仍有分集增益强用户不执行SIC仅受IQI对自身信号解调的影响损伤相对可控。U2性能随SNR提升下降但斜率比U1平缓因需先解调U1曲线严重右移且在高中SNR区域下降明显变缓弱用户受双重打击1. IQI劣化自身SINR2. 不完美的SIC残留了来自U1的IQI干扰导致有效分集阶数下降。性能差距U1与U2性能存在合理差距U2的性能恶化程度远高于U1用户间公平性被严重破坏NOMA原本旨在通过功率域实现公平性但IQI会加剧用户间的不公平这与设计初衷相悖。与TDMA对比在多数SNR下NOMA和谱效率优于TDMA在IQI影响下NOMA的性能优势可能被削弱甚至反转如图2所示在高SNR且存在联合TX/RX IQI时MC-NOMA的和速率可能低于MC-TDMA。这提示我们在硬件损伤严重的场景下简单的NOMA部署可能不如传统的OMA方案。仿真中的关键细节上述代码为了清晰对SIC后的SINR计算做了简化。在实际的严格分析中残留干扰的功率需要根据I/Q不平衡模型和信号估计误差精确推导这会导致更复杂的表达式但反映的趋势是一致的。此外仿真中假设了完美的信道排序信息这在实际中也需要通过估计获得而IQI同样会影响排序的准确性。6. 常见问题、挑战与未来研究方向在实际研究和工程化过程中我们会遇到一系列具体问题。6.1 典型问题与排查思路仿真与理论曲线不匹配可能原因1功率归一化处理。在存在IQI时发射或接收端的有效增益会变化(|\mu|^2 |\nu|^2 \neq 1)。为确保公平比较固定发射功率必须在仿真中对发射信号或噪声功率进行归一化如原文所述除以 (|\mu_t|^2 |\nu_t|^2) 等。忽略这一步会导致SNR定义不一致。可能原因2信道估计的影响。理论分析常假设理想CSI而仿真中若加入了基于导频的信道估计模块其性能会受IQI影响而下降导致实测性能比理论下界更差。排查方法先验证无IQI的理想情况是否匹配。然后逐步添加IQI模块并检查每个环节信号生成、信道、噪声添加、补偿模块的输入输出功率是否符合预期。补偿算法效果不理想或甚至恶化性能可能原因补偿参数估计误差。数字补偿的效果极度依赖于参数 ((\mu, \nu)) 的估计精度。在低信噪比或快衰落信道下估计误差可能很大。使用有误差的参数进行补偿相当于引入了一个新的、可能更糟糕的失真。排查方法绘制估计参数的均方误差随SNR变化的曲线。检查补偿后的信号星座图看是否只是旋转/缩放还是引入了额外的非线性失真。考虑采用更鲁棒的估计算法或利用IQI参数随时间变化慢的特性降低估计频率。动态场景下的跟踪问题挑战IQI参数并非完全恒定会随温度、器件老化和频率变化而漂移。在移动通信中如何实时跟踪并补偿这种变化是一个难题。思路可以采用数据辅助的盲跟踪算法或插入稀疏的专用导频进行定期重估计。也可以探索基于深度学习的补偿器它能学习非线性映射可能对参数变化有一定适应性。6.2 未来研究方向展望基于现有分析我认为以下几个方向值得深入探索智能反射面IRS辅助的NOMA系统射频损伤抑制IRS可以通过可编程的相移对无线环境进行重构。研究如何联合优化IRS的相移矩阵和基站的预编码以主动抵消特定用户位置的等效IQI影响这是一个新颖的硬件损伤“外部补偿”思路。基于机器学习的联合射频损伤补偿与信号检测将存在IQI、相位噪声、功放非线性的NOMA系统视为一个黑盒用深度学习网络如DNN或RNN直接学习从受损接收信号到用户数据的映射。这种方法可以绕过复杂的显式建模和参数估计尤其适合处理多种损伤并存的情况。面向6G太赫兹通信的NOMA损伤模型在太赫兹频段硬件非理想特性将更加突出且信道特性也不同。需要建立适用于太赫兹频段的新IQI模型并研究其对NOMA特别是基于波束空间的NOMA的影响。跨层优化将物理层的IQI损伤模型与媒体接入控制层的用户调度、资源分配相结合。例如在设计用户配对算法时不仅考虑信道状态还将用户设备的射频硬件指标如IRR作为输入从根源上避免将“硬件不匹配”的用户配对在一起。I/Q不平衡是横亘在先进通信理论如NOMA与低成本硬件实现之间的一道鸿沟。本文的分析表明忽视它会导致严重的性能损失甚至使NOMA的优势荡然无存。然而通过深入理解其影响机理破坏SIC、引入镜像干扰、导致错误平层并采用系统化的补偿与优化策略数字补偿、稳健资源分配、智能用户配对我们完全有可能将这道鸿沟变为通途。未来的工作必然是更紧密地结合信号处理、通信理论和硬件实现让频谱效率的提升承诺在真实的电波中得以兑现。
