Infrared and Visible Image Fusion Based on Improved Dual Path Generation Adversarial Network
-
摘要: 为了使融合图像保留更多源图像的信息，该文提出一种端到端的双融合路径生成对抗网络(GAN)。首先，在生成器中采用结构相同、参数独立的双路径密集连接网络，构建红外差值路径和可见光差值路径以提高融合图像的对比度，引入通道注意力机制以使网络更聚焦于红外典型目标和可见光纹理细节；其次，将两幅源图像直接输入到网络的每一层，以提取更多的源图像特征信息；最后，考虑损失函数之间的互补，加入差值强度损失函数、差值梯度损失函数和结构相似性损失函数，以获得更具对比度的融合图像。实验表明，与多分类约束的生成对抗网络(GANMcC)、残差融合网络(RFnest)等相关融合算法相比，该方法得到的融合图像不仅在多个评价指标上均取得了最好的效果，而且具有更好的视觉效果，更符合人类视觉感知。Abstract: An end-to-end dual fusion path Generation Adversarial Network (GAN) is proposed to preserve more information from the source image. Firstly, in the generator, a double path dense connection network with the same structure and independent parameters is used to construct the infrared difference path and the visible difference path to improve the contrast of the fused image, and the channel attention mechanism is introduced to make the network focus more on the typical infrared targets and the visible texture details; Secondly, two source images are directly input into each layer of the network to extract more source image feature information; Finally, considering the complementarity between the loss functions, the difference intensity loss function, the difference gradient loss function and the structural similarity loss function are added to obtain a more contrast fused image. Experiments show that, compared with a Generative Adversarial Network with Multi-classification Constraints (GANMcC), Residual Fusion network for infrared and visible images (RFnest) and other related fusion algorithms, the fusion image obtained by this method not only achieves the best effect in multiple evaluation indicators, but also has better visual effect and is more in line with human visual perception.
-
Key words:
- Image fusion /
- Deep learning /
- Generate Adversarial Network(GAN) /
- Infrared image /
- Visible image
-
1. 引言
星地融合网络(Integrated Satellite-Terrestrial Networks, ISTNs)具有覆盖范围广、传输数据通量高、可连接用户数多和抗毁性强等特性，是在遇到地震、台风等极端自然灾害之后重建通信链路的最有效途径[1]。近年来，随着物联网(Internet-of-Things, IoT)、车联网(Internet-of-Vehicles, IoV)、远程医疗等其他技术的快速发展和急切需求，星地融合网络在学术界和工程领域都获得了巨大的关注[2]。
服务质量(Quality of Service, QoS)和频谱效率是未来星地融合网络发展的两个关键因素。因此，为了提高频谱效率并增强用户的服务体验，非正交多址接入(Non-Orthogonal Multiple Access, NOMA)技术被引入到星地融合网络中[3]。NOMA技术采用功率域多址方案，实现利用同一频率资源向多个传感器用户传输内容的目的，从而提高频谱效率，并通过功率分配因子提高传感器用户的服务质量，这有别于传统的正交多址接入( Orthogonal Multiple Access, OMA)技术[4]。由于NOMA技术的优越性，许多研究分析了将NOMA技术应用于卫星通信(Satellite Communication, SatCom)后对于系统性能的提升。文献[5]研究了 NOMA辅助的星地融合网络的中断性能，并推导得到了系统的中断概率(Outage Probability, OP)的闭式解析表达式和渐近表达式。文献[6]建立了基于NOMA的卫星通信系统的功率分配优化模型，提高了传感器用户的服务质量。文献[7]将NOMA方案应用于基于内容分发的星地融合网络，并推导得到了中断概率和命中概率的解析表达式。
多天线技术同样是增强系统传输质量的关键技术。相比基于单天线的NOMA系统，多天线技术的应用可以有效提高系统的容量[8]。文献[9]研究了多天线节点下的星地融合中继网络(Integrated Satellite-Terrestrial Relay Network, ISTRN)的性能，并验证了多天线技术对于系统性能提升的积极影响。文献[10]通过分析比较得出了多天线星地融合网络的中断概率更优。文献[11]讨论了多天线星地融合网络的可靠性和安全性，并通过数值结果验证了多天线技术的优越性。
在实际条件的影响下，基于NOMA的星地融合网络在传输和检测过程中会受到各种非完美因素的影响。在传输过程中，信道通常会经历严重的衰落，如雨、雾等天气的影响，因此，系统很难获得完美的信道状态信息(Channel State Information, CSI)[12]。同时由于信道估计技术的限制，信道估计误差(Channel Estimation Errors, CEEs)不可避免地会出现在信道状态信息估计过程中[13]。文献[14]在陆地移动卫星系统中考虑了不完美CSI，推导得到了系统的精确和渐近中断概率。文献[15]建立了非理想CSI下的卫星通信系统模型，并推导得到了系统的最优能量利用效率。此外，在卫星信号接收检测过程中，NOMA用户采用串行干扰消除(Successive Interference Cancellation, SIC)技术来获取叠加信号中每个传感器用户的目标信号[16]。然而，由于接收器性能的限制，实际条件下很难实现完美的串行干扰消除[17]。文献[18]分析了在非完美SIC下的基于NOMA的卫星通信系统性能，推导得出了每个传感器用户中断概率和渐近中断概率的解析表达式。然而，作者采用了一个独立的干扰因子来表示非完美SIC的影响，缺乏系统性的理论分析。此外，由于频谱资源的重复利用，同频干扰(Co-Channel Interference, CCI)同样会出现在信号传输过程中[19]。文献[20]分别从遍历容量(Ergodic Capacity, EC)、中断概率、平均符号错误率和能量效率等方面评估了同频干扰对星地融合网络的影响。
针对以上问题，本文在非完美条件下，即信道估计误差，非完美SIC和同频干扰的影响下，对基于NOMA的星地融合网络的遍历容量性能进行了研究。本文的主要贡献如下：(1)建立了非完美条件下的星地融合NOMA网络的系统模型。由于接收机性能的限制，串行干扰消除是非完美的。由于非完美的信道状态信息，考虑了信道估计误差。同时，频率的重复利用导致了同频干扰。(2)通过遍历容量性能的理论推导，刻画了不同非完美条件参数对于星地融合NOMA网络的影响。(3)采用蒙特卡罗仿真进一步验证了遍历容量性能理论推导的正确性。
2. 系统模型和问题建模
如图1所示，本文考虑一个基于NOMA的多天线星地融合网络，其中地球同步卫星(Geosynchronous Earth Orbit, GEO)信号源
S 采用NOMA技术通过直连链路与地面的传感器用户Ui,i∈(1,2,⋯,p,q,⋯,N) 进行通信。地面传感器用户通过分组策略分为多个簇，不失一般性，本文针对一个卫星波束下的两个NOMA用户Ui,i∈(p,q) 进行分析。两用户NOMA场景被3GPP(Third Generation Partnership Project)组织认可为可以增强传感器用户的频谱效率。因此，采用两用户NOMA方案，不仅可以简化系统模型并可以为未来研究多NOMA传感器用户场景提供基础[5]。此外，假设两个地面传感器用户位于卫星多个波束中的同一个波束内。地面传感器用户为了增强天线增益配置了M 根天线。同时，由于地面设备频率复用，每一个传感器用户都会受到Ic,c∈{1,2,⋯,N} 个干扰的影响。2.1 信道模型
在星地融合网络中，采取阵列馈电反射(Array Fed Reflector, AFR)技术固定每个天线的辐射模式来减少控制系统的处理消耗。相比较直接辐射阵列(Direct Radiating Array, DRA)技术，阵列馈电反射技术可以获得更高的天线增益和能量效率[6]。考虑到自由空间损耗、雨衰和天线增益，星地链路的信道分量表达式为
hSUi=√FiHiζi−12⋅f12igSUi (1) 其中，
Fi 代表自由空间损耗，并可以表示为Fi = (Vf)21d2G+d2i (2) 其中，
V = c/c4π 4π ，c 代表电磁波速度，f 代表载波频率，dG≈35786 km 代表GEO卫星高度，di 代表传感器用户Ui 到卫星波束覆盖范围中心的距离。Hi 代表地面传感器用户Ui 的天线增益，表达式为Hi≃{Hmax−2.5×10−3(daθλ)2,0∘<θ<θa2+15lgdaλ,θa<θ<θb32−25lgθ,θb<θ<48∘−10,48∘<θ<180∘ (3) 其中，
Hmax 代表用户天线的最大增益，da 代表天线直径，λ 代表信号波长，θ 代表离轴角度，其中θa=20λda√Hmax−(2+15lgdaλ) ,θb=15.85×(da/λ)−0.6 。此外，ζi = [ζi.1,ζi.2,⋯,ζi.M]T 代表雨衰分量，ζi.m∼CN(μ,δ2ζ) 服从对数随机分布，m∈{M} 。fi = [fi.1,fi.2,⋯,fi.M]T 代表卫星天线增益向量，其中fi.m 表达式为fi.m≃fmax(B1(ri,m)2ri,m+36B3(ri,m)r3i,m)2 (4) 其中，
fmax 代表卫星天线最大增益，B1(⋅) 和B3(⋅) 分别表示次序1和3的第1类贝塞尔函数。ri,m=τsinφi,m/τsinφi,msinφ3dBsinφ3dB ,τ=2.07123 ，其中φi,m 代表第m 个天线波束中心与用户Ui 和卫星直连线路中心的夹角，φ3dB 代表3 dB角度。最后，gSUi 代表星地链路随机信道分量。目前存在许多的数学模型表示星地链路信道信息，例如Lutz模型、Markov模型以及Karasaw模型。本文采用阴影莱斯(Shadowed-Rician, SR)模型来描绘星地信道。SR分布的模型与实测数据十分吻合，同时计算复杂度相对较低。因此很多文献采用SR分布作为星地融合网络信道模型[5]。根据SR分布，gSUi 的第m 个分量可以表示为gSUi,m=Xexp(jς)+Yexp(jϑ) (5) 其中，
X 和Y 均是独立平稳随机过程，并分别代表直连链路和多径分量的振幅。直连链路和多径分量分别服从Nakagami-m 分布和瑞利分布。ς 代表直连链路的确定性分量，ϑ 代表平稳随机分量，并服从[0,2π) 。通过数学转换，
gSUi,m 的平方振幅的概率密度函数(Probability Density Function, PDF)可以表示为f‖ (6) 其中，
{\alpha _{{\text{S}}{{\text{U}}_i},m}}{\text{ }} \triangleq {\text{ }}\dfrac{{{{\left( {\dfrac{{2{b_{{\text{S}}{{\text{U}}_i},m}}{m_{{\text{S}}{{\text{U}}_i},m}}}}{{2{b_{{\text{S}}{{\text{U}}_i},m}}{m_{{\text{S}}{{\text{U}}_i},m}} + {\varOmega _{{\text{S}}{{\text{U}}_i},m}}}}} \right)}^{{m_{{\text{S}}{{\text{U}}_i},m}}}}}}{{2{b_{{\text{S}}{{\text{U}}_i},m}}}} ,{\delta _{{\text{S}}{{\text{U}}_i},m}} \triangleq \dfrac{{{\varOmega _{{\text{S}}{{\text{U}}_i},m}}}}{{2{b_{{\text{S}}{{\text{U}}_i},m}}\left( {2{b_{{\text{S}}{{\text{U}}_i},m}}{m_{{\text{S}}{{\text{U}}_i},m}} + {\varOmega _{{\text{S}}{{\text{U}}_i},m}}} \right)}} ,{\beta _{{\text{S}}{{\text{U}}_i},m}} \triangleq \dfrac{1}{{2{b_{{\text{S}}{{\text{U}}_i},m}}}} ,{\varOmega _{{\text{S}}{{\text{U}}_i},m}},2{b_{{\text{S}}{{\text{U}}_i},m}} 和{m_{{\text{S}}{{\text{U}}_i},m}} \in (0,\infty ) 分别代表直连分量的平均功率，多径分量的平均功率和衰落程度。假设
{m_{{\text{S}}{{\text{U}}_i},m}} 为正整数，通过代数变换[21]，概率密度函数可以重新表示为\begin{split} {f_{{{\left\| {{g_{{\text{S}}{{\text{U}}_i},m}}} \right\|}^2}}}\left( x \right) =& {\alpha _{{\text{S}}{{\text{U}}_i},m}}\sum\limits_{k = 0}^{{m_{{\text{S}}{{\text{U}}_i},m}} - 1} {\zeta \left( k \right)} {x^k}\\ & \cdot{{\rm{e}}^{ - \left( {{\beta _{{\text{S}}{{\text{U}}_i},m}} - {\delta _{{\text{S}}{{\text{U}}_i},m}}} \right)x}} \end{split} (7) 其中，
\zeta \left( k \right) = {\left( { - 1} \right)^k}{\left( {1 - {m_{{\text{S}}{{\text{U}}_i},m}}} \right)_k}\delta _{{\text{S}}{{\text{U}}_i},m}^k/{\left( {k!} \right)^2} 。{\left( \cdot \right)_k} 代表Pochhammer符号。2.2 信号模型
S 采用叠加编码技术将叠加信号发送给两个地面传感器用户{U_i} ，信号表达式为x = \sqrt {{a_p}} {s_p} + \sqrt {{a_q}} {s_q} (8) 其中，
{s_i} 代表不同用户的目标信号，并满足{\rm{E}}[|{s_i}{|^2}] = 1 。{a_i} 是NOMA技术中的不同信号的功率分配系数，并满足{a_p} + {a_q} = 1 。本场景假设用户{U_p} 相比{U_q} 经历更严重的衰落，因此，更多的信号功率将分配给信道状态更差的用户，即{a_p} > {a_q} 。因此，用户接收到的信号可以表示为\begin{split} {y_i} =& {{\boldsymbol{h}}_{{\text{S}}{{\text{U}}_i}}}{\boldsymbol{w}}_1^{\rm{H}}\sqrt {{P_{\text{S}}}} (\sqrt {{a_p}} {s_p} + \sqrt {{a_q}} {s_q}) \\ & + \sum\limits_{I = 1}^N {{{\boldsymbol{g}}_{iI}}{\boldsymbol{w}}_1^{\rm{H}}\sqrt {{P_{\text{I}}}} {s_{iI}}} + {\boldsymbol{w}}_1^{\rm{H}}{{\boldsymbol{n}}_i} \end{split} (9) 其中，
{P_{\text{S}}} 代表卫星信号的传输功率，{P_{\text{S}}} = \sigma P ，P 代表卫星整体功率，\sigma \in \left( {0,1} \right) 代表功率系数。{{\boldsymbol{h}}_{{\text{S}}{{\text{U}}_i}}} 代表卫星和用户间的信道分量，满足SR分布。\left\| {{{\boldsymbol{w}}_1}} \right\| = 1 代表波束成形分量。{s_{iI}} 代表干扰信号，{P_{\text{I}}} 代表干扰信号功率。{{\boldsymbol{g}}_{iI}} 代表干扰和用户之间的信道分量，服从瑞利分布[9]。{{\boldsymbol{n}}_i} 代表卫星和用户之间的加性高斯白噪声并服从{n_{i,m}}{\text{～}}\rm{C}\rm{N}\left( {0,\delta _{i,m}^2} \right) 。\delta _{i,m}^2 = {{\rm{K}}_{\rm{B}}}{T_i} ,{{\rm{K}}_{\rm{B}}} = 1.380649 \times {10^{ - 23}}\;{\rm{J}}/{\rm{K}} 代表Boltzmann常数，{T_i} 代表用户噪声温度。2.3 问题建模
考虑到实际系统条件，星地链路的电磁环境和气候环境极其复杂，导致系统无法获得完美的CSI。因此在信道估计过程中会产生信道估计误差。采用均方误差算法，信道估计模型可以表示为
{h_{{\text{S}}{{\text{U}}_i},m}} = {\tilde h_{{\text{S}}{{\text{U}}_i},m}} + {e_{{\text{S}}{{\text{U}}_i},m}} (10) 其中，
{h_{{\text{S}}{{\text{U}}_i},m}} 代表星地链路的SR分布的实际振幅，{\tilde h_{{\text{S}}{{\text{U}}_i},m}} 代表星地链路的SR分布的检测振幅，{e_{{\text{S}}{{\text{U}}_i},m}} 代表星地链路的信道估计误差。{\tilde h_{{\text{S}}{{\text{U}}_i},m}} 和{e_{{\text{S}}{{\text{U}}_i},m}} 相互正交。{e_{{\text{S}}{{\text{U}}_i},m}} 服从复杂高斯分布，即{e_{{\text{S}}{{\text{U}}_i},m}}{\text{～}} {\rm{CN}} \left( {0,{{ \mathcal{\overline V} }_{{e_{{\text{S}}{{\text{U}}_i},m}}}}} \right) 。采用导频符号来估计星地链路的信道状态信息，则{e_{{\text{S}}{{\text{U}}_i},m}} 的方差可以表示为\begin{split} {{ \mathcal{\overline V} }_{{e_{{\text{S}}{{\text{U}}_i},m}}}} &= {\rm{E}}\left\{ {{{\left| {{h_{{\text{S}}{{\text{U}}_i},m}}} \right|}^2}} \right\} - {\rm{E}}\left\{ {{{\left| {{{\tilde h}_{{\text{S}}{{\text{U}}_i},m}}} \right|}^2}} \right\} \\ & = \frac{1}{{{\mathcal{L}_{{\text{S}}{{\text{U}}_i},m}}{{ \mathcal{\overline V} }_{{\text{S}}{{\text{U}}_i},m}} + 1}} \end{split} (11) 其中，
{\mathcal{L}_{{\text{S}}{{\text{U}}_i},m}} 代表导频符号长度，{ \mathcal{\overline V} _{{\text{S}}{{\text{U}}_i},m}} 代表导频符号在星地链路的平均信噪比。将{ \mathcal{\overline V} _{{\text{S}}{{\text{U}}_i},m}} 写作最小均方误差形式为{ \mathcal{\overline V} _{{\text{S}}{{\text{U}}_i},m}} = {\rm{E}}\left\{ {{\mathcal{V}_{{\text{S}}{{\text{U}}_i},m}}} \right\} = {P_{\text{e}}}E\left\{ {{{\left| {{h_{{\text{S}}{{\text{U}}_i},m}}} \right|}^2}} \right\}/\delta _{i,m}^2 (12) 其中，
{P_{\text{e}}} 代表导频符号功率，{P_{\text{e}}} = \left( {1 - \sigma } \right)P 。本文采用{ \mathcal{\overline V} _{{e_{{\text{S}}{{\text{U}}_i},m}}}} 来表示系统的信道估计误差。传感器用户通过最大比合并技术来增强星地融合网络的性能，其表达式为
{{\boldsymbol{w}}_1} = \frac{{{{\boldsymbol{h}}_{{\text{SU}}}}}}{{{{\left\| {{{\boldsymbol{h}}_{{\text{SU}}}}} \right\|}^2}}} (13) 根据上述分析，可以推导得到，在用户
{U_q} 处检测信号{s_p} 的信干噪比为{\gamma _{{\text{S}}{{\text{U}}_{q - p}}}} = \frac{{{a_p}\sigma {\lambda _{{\text{S}}{{\text{U}}_q}}}}}{{{a_q}\sigma {\lambda _{{\text{S}}{{\text{U}}_q}}} + \sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + {\lambda _{{l_q}}} + 1}} (14) 其中，
{\lambda _{{\text{S}}{{\text{U}}_q}}} = {\left| {{{\tilde {\boldsymbol{h}}}_{{\text{S}}{{\text{U}}_q}}}{\boldsymbol{w}}_1^{\rm{H}}} \right|^2}P/\delta _q^2 = {\bar \gamma _{{\text{S}}{{\text{U}}_q}}}{\left\| {{{\tilde {\boldsymbol{h}}}_{{\text{S}}{{\text{U}}_q}}}} \right\|^2} ,{\bar \gamma _j} ,j \in \left\{ {{\text{S}}{{\text{U}}_p},{\text{S}}{{\text{U}}_q}} \right\} 代表卫星到不同用户的平均信噪比。{\lambda _{{l_q}}} = \displaystyle\sum\nolimits_{c = 1}^N {{{\left| {{{\boldsymbol{g}}_{lq}}{\boldsymbol{w}}_1^{\rm{H}}} \right|}^2}{P_l}/\delta _q^2} = {\bar \gamma _q}\sum\nolimits_{c = 1}^N {{{\left\| {{{\boldsymbol{g}}_{lq}}} \right\|}^2}} ,{\bar \gamma _i} ,i \in \left\{ {p,q} \right\} 代表干扰到不同用户的平均信噪比。在NOMA方案中，采用SIC技术来检测和接收信号，用户
{U_q} 先检测信号{s_p} ，将其分离后再检测目标信号{s_q} 。但由于接收机性能的限制，假设非完美SIC在接收端产生，此时，{U_q} 处检测信号{s_q} 的信干噪比为{\gamma _{{\text{S}}{{\text{U}}_q}}} = \frac{{{a_q}\sigma {\lambda _{{\text{S}}{{\text{U}}_q}}}}}{{{a_p}\xi \sigma {\lambda _{{\text{S}}{{\text{U}}_q}}} + \sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + {\lambda _{{l_q}}} + 1}} (15) 其中，
\xi 代表非完美SIC系数，满足\xi \in \left( {0,1} \right) 。最后，本文在
{U_p} 处检测信号{s_p} ，将信号{s_q} 直接视作干扰，则信干噪比为{\gamma _{{\text{S}}{{\text{U}}_p}}} = \frac{{{a_p}\sigma {\lambda _{{\text{S}}{{\text{U}}_p}}}}}{{{a_q}\sigma {\lambda _{{\text{S}}{{\text{U}}_p}}} + \sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_p}}}}} + {\lambda _{{l_p}}} + 1}} (16) 其中，
{\lambda _{{\text{S}}{{\text{U}}_p}}} = {\left| {{{\tilde {\boldsymbol{h}}}_{{\text{S}}{{\text{U}}_p}}}{\boldsymbol{w}}_1^{\rm{H}}} \right|^2}P/\delta _p^2 = {\bar \gamma _{{\text{S}}{{\text{U}}_p}}}{\left\| {{{\tilde {\boldsymbol{h}}}_{{\text{S}}{{\text{U}}_p}}}} \right\|^2} ,{\lambda _{{l_p}}} = \displaystyle\sum\nolimits_{c = 1}^N {{{\left| {{{\boldsymbol{g}}_{lp}}{\boldsymbol{w}}_1^{\rm{H}}} \right|}^2}{P_l}/\delta _p^2} = {\bar \gamma _p}\sum\nolimits_{c = 1}^N {{{\left\| {{{\boldsymbol{g}}_{lp}}} \right\|}^2}} 。值得说明的是文献[14,15,18,20]都只是分析了非完美条件的特例。本文采用导频信号来估计信道估计误差，这有别于文献[14]。在此基础上，考虑了服从瑞利分布的同频干扰。此外，在文献[18]中，非完美的SIC干扰被看作一个独立的参数，本文将非完美SIC与实际信号处理过程相关联。由此可知，本文所研究的非完美条件与之前所研究的文章有很大区别。
3. 性能分析
本节首先将会给出阴影莱斯信道和瑞利信道的信道统计特征的概率密度函数和累积分布函数(Cumulative Distribution Function, CDF)，在此基础上，将推导得到系统遍历容量的闭式解。
3.1 信道统计特征
星地链路服从阴影莱斯分布，在最大比合并技术的基础上，
{\gamma _j} = {\bar \gamma _j}{\left| {{h_j}} \right|^2} 的概率密度函数为{f_{{\gamma _j}}}\left( x \right) = \frac{{\alpha _j^{{M}}}}{{\varGamma \left( {{M}} \right)}}\sum\limits_{k = 0}^{{{M}}\left( {{m_j} - 1} \right)} {\frac{{\zeta {{\left( k \right)}_{{M}}}}}{{{{\left( {{{\bar \gamma }_j}} \right)}^{k + {{M}}}}}}{x^{k + {{M}} - 1}}{{\rm{e}}^{ - {\varDelta _j}x}}} (17) 其中，
{\varDelta _j} = {{{\beta _j} - {\delta _j}} \mathord{\left/ {\vphantom {{{\beta _j} - {\delta _j}} {{{\bar \gamma }_j}}}} \right. } {{{\bar \gamma }_j}}} 。经过数学变换[21]，
{\gamma _j} 的累积分布函数为\begin{split} {F_{{\gamma _j}}}\left( x \right) =& 1 - \frac{{\alpha _j^{{M}}}}{{\varGamma \left( {{M}} \right)}}\\ & \cdot\sum\limits_{{k_j} = 0}^{{{M}}({m_j} - 1)} {\sum\limits_{t = 0}^{{k_j}} {\frac{{{{\left( {{{M}}\left( {1 - {m_j}} \right)} \right)}_{{k_1}}}{{\left( { - {\delta _j}} \right)}^{{k_j}}}}}{{{k_j}!{{\left( {{{\bar \gamma }_j}} \right)}^{{k_1} + {{M}}}}t!\varDelta _j^{{k_j} - t + {{M}}}}}{x^t}} {{\rm{e}}^{ - {\varDelta _j}x}}} \end{split} (18) 干扰到用户的地面链路服从瑞利分布，概率密度函数和累积分布函数可以分别表示为
{f_{{\gamma _i}}}\left( x \right) = \sum\limits_{s = 1}^{\varrho \left( \mathcal{A} \right)} {\sum\limits_{n = 1}^{{\tau _l}\left( \mathcal{A} \right)} {{\chi _{s,n}}\left( \mathcal{A} \right)\frac{{\mu _{\left\langle s \right\rangle }^{ - n}}}{{\left( {n - 1} \right)!}}} } {x^{n - 1}}{{\rm{e}}^{ - \frac{x}{{{\mu _{\left\langle s \right\rangle }}}}}} (19) {F_{{\gamma _i}}}\left( x \right) = 1 - \sum\limits_{s = 1}^{\varrho \left( \mathcal{A} \right)} {\sum\limits_{n = 1}^{{\tau _l}\left( \mathcal{A} \right)} {\sum\limits_{k = 0}^{n - 1} {\frac{{{\chi _{s,n}}\left( \mathcal{A} \right)}}{{k!}}{{\left( {\frac{x}{{{\mu _{\left\langle s \right\rangle }}}}} \right)}^k}{{\rm{e}}^{ - \frac{x}{{{\mu _{\left\langle s \right\rangle }}}}}}} } } (20) 其中，
\mathcal{A} = {\rm{diag}}\left( {{\mu _1},{\mu _2}, \cdots ,{\mu _{{L}}}} \right) ,L \in \left\{ {N,M} \right\} ,\left\{ {{\mu _s}} \right\}_{s = 1}^{{L}} 代表CCI链路的平均信噪比，\varrho \left( \mathcal{A} \right) 代表\mathcal{A} 中不同对角线元素的个数，{\mu _{\left\langle 1 \right\rangle }} > {\mu _{\left\langle 2 \right\rangle }} > \cdots > {\mu _{\left\langle {\varrho \left( \mathcal{A} \right)} \right\rangle }} 代表不同对角线元素的增加序列，{\tau _l}\left( \mathcal{A} \right) 代表{\mu _{\left\langle s \right\rangle }} 的多样性，{\chi _{s,n}}\left( \mathcal{A} \right) 代表\mathcal{A} 中第\left( {s,n} \right) 个统计分量。3.2 遍历容量分析
遍历容量是经常用来评估星地融合网络性能的重要指标，是指整个通信网络所有信道的容量上限。基于NOMA的多天线星地融合网络的EC定义为不同地面接收机的信干噪比的平均瞬时互信息之和，其表示为
\begin{split} {{\rm{EC}}_{{\text{SU}}}} = & \left\{ {{\rm{E}}\left[ {{{\log }_2}\left( {1 + {\gamma _{{\text{S}}{{\text{U}}_{q - p}}}}} \right)} \right] + {\rm{E}}\left[ {{{\log }_2}\left( {1 + {\gamma _{{\text{S}}{{\text{U}}_q}}}} \right)} \right]} \right.\\ & \left. { + {\rm{E}}\left[ {{{\log }_2}\left( {1 + {\gamma _{{\text{S}}{{\text{U}}_p}}}} \right)} \right]} \right\} \\[-10pt] \end{split} (21) 将不同用户处的信干噪比式(14)、式(15)和式(16)代入EC表达式中，经过数学变换后，EC可以表示为
\begin{split} & {{{\rm{EC}}_{{\text{SU}}}} } \\ & = \frac{1}{{\ln 2}}\left\{ {\rm{E}}\left[ {\ln \left( {\frac{\sigma }{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}}{\lambda _{{\text{S}}{{\text{U}}_q}}} + \frac{{{\lambda _{{l_q}}}}}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}} + 1} \right)} \right] \right.\\ & \quad - {\rm{E}}\left[ {\ln \left( {\frac{{{a_q}\sigma }}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}}{\lambda _{{\text{S}}{{\text{U}}_q}}} + \frac{{{\lambda _{{l_q}}}}}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}} + 1} \right)} \right] \\ & \quad + {\rm{E}}\left[ {\ln \left( {\frac{{\left( {{a_q} + {a_p}\xi } \right)\sigma }}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}}{\lambda _{{\text{S}}{{\text{U}}_q}}} + \frac{{{\lambda _{{l_q}}}}}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}} + 1} \right)} \right] \\ & \quad - {\rm{E}}\left[ {\ln \left( {\frac{{{a_p}\xi \sigma }}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}}{\lambda _{{\text{S}}{{\text{U}}_q}}} + \frac{{{\lambda _{{l_q}}}}}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}} + 1} \right)} \right] \\ & \quad + {\rm{E}}\left[ {\ln \left( {\frac{\sigma }{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_p}}}}} + 1}}{\lambda _{{\text{S}}{{\text{U}}_p}}} + \frac{{{\lambda _{{l_p}}}}}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_p}}}}} + 1}} + 1} \right)} \right] \\ & \quad \left. - {\rm{E}} \left[ {\ln \left( {\frac{{{a_q}\sigma }}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_p}}}}} + 1}}{\lambda _{{\text{S}}{{\text{U}}_p}}} + \frac{{{\lambda _{{l_p}}}}}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_p}}}}} + 1}} + 1} \right)} \right] \right\} \end{split} (22) 为了简化分析，采用变量替换，
{A_1} = \dfrac{\sigma }{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}} ,{A_2} = \dfrac{{{a_q}\sigma }}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}} ,{A_3} = \dfrac{{\left( {{a_q} + \xi {a_p}} \right)\sigma }}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}} ,{A_4} = \dfrac{{\xi {a_p}\sigma }}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_q}}}}} + 1}} ,{A_5} = \dfrac{\sigma }{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_p}}}}} + 1}} ,{A_6} = \dfrac{{{a_q}\sigma }}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_p}}}}} + 1}} ,{B_1} = \dfrac{1}{{\sigma {{\overline V }_{{e_{{\text{SU}}q}}}} + 1}} ,{B_2} = \dfrac{1}{{\sigma {{\overline V }_{{e_{{\text{S}}{{\text{U}}_p}}}}} + 1}} 。此时，EC公式可以表示为\begin{split} {{\rm{EC}}_{{\text{SU}}}} = & \frac{1}{{\ln 2}}\left\{ {\rm{E}}\left[ {\ln \left( {{A_1}{\lambda _{{\text{S}}{{\text{U}}_q}}} + {B_1}{\lambda _{{l_q}}} + {\text{1}}} \right)} \right] \right.\\ & - {\rm{E}}\left[ {\ln \left( {{A_2}{\lambda _{{\text{S}}{{\text{U}}_q}}} + {B_1}{\lambda _{{l_q}}} + {\text{1}}} \right)} \right] \\ & + {\rm{E}}\left[ {\ln \left( {{A_3}{\lambda _{{\text{S}}{{\text{U}}_q}}} + {B_1}{\lambda _{{l_q}}} + {\text{1}}} \right)} \right] \\ & - {\rm{E}}\left[ {\ln \left( {{A_4}{\lambda _{{\text{S}}{{\text{U}}_q}}} + {B_1}{\lambda _{{l_q}}} + {\text{1}}} \right)} \right] \\ & + {\rm{E}}\left[ {\ln \left( {{A_5}{\lambda _{{\text{S}}{{\text{U}}_p}}} + {B_2}{\lambda _{{l_p}}} + {\text{1}}} \right)} \right] \\ & \left.- {\rm{E}}\left[ {\ln \left( {{A_6}{\lambda _{{\text{S}}{{\text{U}}_p}}} + {B_2}{\lambda _{{l_p}}} + {\text{1}}} \right)} \right] \right\} \end{split} (23) 令
{\lambda _{{{\rm{SU}}_q}}} = {x_1} ,{\lambda _{{l_2}}} = {y_1} ,{A_1}{\lambda _{{\text{S}}{{\text{U}}_q}}} + {B_1}{\lambda _{{l_2}}} = {z_1} ，采用数学变换可得{f_{{z_1}}}\left( z \right) = \int\limits_0^\infty {\frac{1}{{{A_1}{B_1}}}{f_Y}\left( {\frac{{z - u}}{{{B_1}}}} \right)} {f_X}\left( {\frac{u}{{{A_1}}}} \right){\rm{d}}u (24) 将SR分布和瑞利分布表达式(17)、式(19)代入，可得
\begin{split} {f_{{z_1}}}\left( z \right) =& {{\alpha _{{\text{S}}{{\text{U}}_q}}^{{M}}}/ {\varGamma \left( {{M}} \right)}}\\ & \cdot\sum\limits_{k = 0}^{{{M}}\left( {{m_{{{\rm{SU}}_q}}} - 1} \right)} \frac{{{{\left( {{{M}}\left( {1 - {m_{{\text{S}}{{\text{U}}_q}}}} \right)} \right)}_k}{{\left( { - {\delta _{{\text{S}}{{\text{U}}_q}}}} \right)}^k}}}{{{{\left( {k!} \right)}^2}{{\left( {{{\bar \gamma }_{{\text{S}}{{\text{U}}_q}}}} \right)}^{k + 1}}}}\\ & \cdot\sum\limits_{s = 1}^{\varrho \left( A \right)} {\sum\limits_{n = 1}^{{\tau _l}\left( A \right)} {\sum\limits_{t = 0}^{n - 1} {\frac{{{{\left( { - 1} \right)}^t}{\chi _{s,n}}\left( A \right)\mu _{\left\langle s \right\rangle }^{ - n}}}{{\left( {n - 1} \right)!}}} } } \\ & \cdot \left( {\begin{array}{*{20}{c}} {n - 1} \\ t \end{array}} \right)\left( {k + t + {{M}} - 1} \right)!\frac{1}{{A_1^{k + {{M}}}B_1^n}}\\ & \cdot{\left( {\frac{{{\varDelta _{{\text{S}}{{\text{U}}_q}}}}}{{{A_1}}} - \frac{1}{{{B_1}{\mu _{\left\langle s \right\rangle }}}}} \right)^{ - \left( {k + t + {{M}}} \right)}}{z^{n - 1 - t}}{{\rm{e}}^{ - \frac{z}{{{B_1}{\mu _{\left\langle s \right\rangle }}}}}} \end{split} (25) 同理可以得到其余部分对应的PDF。
同时，本文将EC公式改写为
\begin{split} {{\rm{EC}}_{{\text{SU}}}} =& \frac{1}{{\ln 2}}\left\{ \underbrace {\int\limits_0^\infty {\ln \left( {z + 1} \right){f_{{z_1}}}\left( z \right){\rm{d}}z} }_{{E_1}}\right. \\ & - \underbrace {\int\limits_0^\infty {\ln \left( {z + 1} \right){f_{{z_2}}}\left( z \right){\rm{d}}z} }_{{E_2}} \\ &+ \underbrace {\int\limits_0^\infty {\ln \left( {z + 1} \right){f_{{z_3}}}\left( z \right){\rm{d}}z} }_{{E_3}} \\ & - \underbrace {\int\limits_0^\infty {\ln \left( {z + 1} \right){f_{{z_4}}}\left( z \right){\rm{d}}z} }_{{E_4}} \\ &+ \underbrace {\int\limits_0^\infty {\ln \left( {z + 1} \right){f_{{z_5}}}\left( z \right){\rm{d}}z} }_{{E_5}} \\ & \left.- \underbrace {\int\limits_0^\infty {\ln \left( {z + 1} \right){f_{{z_6}}}\left( z \right){\rm{d}}z} }_{{E_6}} \right\} \end{split} (26) 采用文献[22]中的公式8.4.6.5，并利用Meijer-G函数[21]，可以得到
\ln \left( {1 + z} \right) = G_{22}^{12}\left( {z\left| {\begin{array}{*{20}{c}} {1}&1 \\ 1&0 \end{array}} \right.} \right) (27) 将式(27)和式(25)代入
{E_1} 中，利用文献[22]中的公式2.24.3.1和8.2.2.14，{E_1} 可以重新表示为\begin{split} {E_1} =& {{\alpha _{{\text{S}}{{\text{U}}_q}}^{{M}}}/ {\varGamma \left( {{M}} \right)}}\\ & \cdot\sum\limits_{k = 0}^{{{M}}\left( {{m_{{{\rm{SU}}_q}}} - 1} \right)} \frac{{{{\left( {{{M}}\left( {1 - {m_{{\text{S}}{{\text{U}}_q}}}} \right)} \right)}_k}{{\left( { - {\delta _{{\text{S}}{{\text{U}}_q}}}} \right)}^k}}}{{{{\left( {k!} \right)}^2}{{\left( {{{\bar \gamma }_{{\text{S}}{{\text{U}}_q}}}} \right)}^{k + 1}}}}\\ & \cdot\sum\limits_{s = 1}^{\varrho \left( A \right)} {\sum\limits_{n = 1}^{{\tau _l}\left( A \right)} {\frac{{{\chi _{s,n}}\left( A \right)\mu _{\left\langle s \right\rangle }^{ - t}}}{{\left( {n - 1} \right)!}}} } \sum\limits_{t = 0}^{n - 1} {\left( {\begin{array}{*{20}{c}} {n - 1} \\ t \end{array}} \right)} {\left( { - 1} \right)^t} \\ & \cdot \left( {k + t + {{M}} - 1} \right)!\frac{1}{{A_1^{k + {{M}}}B_1^t}}\\ & \cdot{\left( {\frac{{{\varDelta _{{\text{S}}{{\text{U}}_q}}}}}{{{A_1}}} - \frac{1}{{{B_1}{\mu _{\left\langle s \right\rangle }}}}} \right)^{ - \left( {k + t + {{M}}} \right)}}\\ & \cdot G_{32}^{13}\left( {{B_1}{\mu _{\left\langle s \right\rangle }}\left| {\begin{array}{*{20}{c}} {1 - n + t,1,1} \\ {1,0} \end{array}} \right.} \right) \\[-21pt] \end{split} (28) 同理可以得到其他分量的表达式。
在此基础上，经过简单的整理，最终EC的表达式可以推导为
\begin{split} {{\rm{EC}}_{{\text{SU}}}} =& \frac{1}{{\ln 2}}\frac{{\alpha _{{{\rm{SU}}_q}}^{{M}}}}{{\varGamma \left( {{M}} \right)}}\\ & \cdot\sum\limits_{k = 0}^{{{M}}\left( {{m_{{\text{S}}{{\text{U}}_q}}} - 1} \right)} \frac{{{{\left( {{{M}}\left( {1 - {m_{{\text{S}}{{\text{U}}_q}}}} \right)} \right)}_k}{{\left( { - {\delta _{{\text{S}}{{\text{U}}_q}}}} \right)}^k}}}{{{{\left( {k!} \right)}^2}{{\left( {{{\bar \gamma }_{{\text{S}}{{\text{U}}_q}}}} \right)}^{k + 1}}}}\\ & \cdot\sum\limits_{s = 1}^{\varrho \left( A \right)} {\sum\limits_{n = 1}^{{\tau _l}\left( A \right)} {\sum\limits_{t = 0}^{n - 1} {\frac{{{{\left( { - 1} \right)}^t}{\chi _{s,n}}\left( A \right)}}{{\left( {n - 1} \right)!\mu _{\left\langle s \right\rangle }^t}}} } } \\ & \cdot G_{32}^{13}\left( {{B_1}{\mu _{\left\langle s \right\rangle }}\left| {\begin{array}{*{20}{c}} {1 - n + t,1,1} \\ {1,0} \end{array}} \right.} \right) \\ & \cdot \left( {\begin{array}{*{20}{c}} {n - 1} \\ t \end{array}} \right)\left( {k + t + {{M}} - 1} \right)!\\ & \cdot\left\{ \frac{1}{{A_1^{k + {{M}}}B_1^t}}{{\left( {\frac{{{\varDelta _{{\text{S}}{{\text{U}}_q}}}}}{{{A_1}}} - \frac{1}{{{B_1}{\mu _{\left\langle s \right\rangle }}}}} \right)}^{ - \left( {k + t + {{M}}} \right)}} \right.\\ & - \frac{1}{{A_2^{k + {{M}}}B_1^t}}{{\left( {\frac{{{\varDelta _{{\text{S}}{{\text{U}}_q}}}}}{{{A_2}}} - \frac{1}{{{B_1}{\mu _{\left\langle s \right\rangle }}}}} \right)}^{ - \left( {k + t + {{M}}} \right)}} \\ & + \frac{1}{{A_3^{k + {{M}}}B_1^t}}{{\left( {\frac{{{\varDelta _{{\text{S}}{{\text{U}}_q}}}}}{{{A_3}}} - \frac{1}{{{B_1}{\mu _{\left\langle s \right\rangle }}}}} \right)}^{ - \left( {k + t + {{M}}} \right)}} \\ & \left. - \frac{1}{{A_4^{k + {{M}}}B_1^t}}\left( \frac{{{\varDelta _{{\text{S}}{{\text{U}}_q}}}}}{{{A_4}}} - \frac{1}{{{B_1}{\mu _{\left\langle s \right\rangle }}}} \right)^{ - \left( {k + t + {{M}}} \right)} \right\} \\ &+ \frac{1}{{\ln 2}}\frac{{\alpha _{{\text{S}}{{\text{U}}_p}}^{{M}}}}{{\varGamma \left( {{M}} \right)}} \\ &\cdot \sum\limits_{k = 0}^{{{M}}\left( {{m_{{\text{S}}{{\text{U}}_p}}} - 1} \right)} {\frac{{{{\left( {{{M}}\left( {1 - {m_{{\text{S}}{{\text{U}}_p}}}} \right)} \right)}_k}{{\left( { - {\delta _{{\text{S}}{{\text{U}}_p}}}} \right)}^k}}}{{{{\left( {k!} \right)}^2}{{\left( {{{\bar \gamma }_{{\text{S}}{{\text{U}}_p}}}} \right)}^{k + 1}}}}}\\ & \cdot\sum\limits_{s = 1}^{\varrho \left( A \right)} {\sum\limits_{n = 1}^{{\tau _l}\left( A \right)} {\sum\limits_{t = 0}^{n - 1} {\frac{{{{\left( { - 1} \right)}^t}{\chi _{s,n}}\left( A \right)}}{{\left( {n - 1} \right)!\mu _{\left\langle s \right\rangle }^t}}} } } \\ & \cdot G_{32}^{13}\left( {{B_2}{\mu _{\left\langle s \right\rangle }}\left| {\begin{array}{*{20}{c}} {1 - n + t,1,1} \\ {1,0} \end{array}} \right.} \right) \\ & \cdot \left( {\begin{array}{*{20}{c}} {n - 1} \\ t \end{array}} \right)\left( {k + t} \right)!\\ & \cdot\left\{ \frac{1}{{A_5^{k + {{M}}}B_2^t}}{{\left( {\frac{{{\varDelta _{{\text{S}}{{\text{U}}_p}}}}}{{{A_5}}} - \frac{1}{{{B_2}{\mu _{\left\langle s \right\rangle }}}}} \right)}^{ - \left( {k + t + {{M}}} \right)}} \right.\\ & \left.- \frac{1}{{A_6^{k + {{M}}}B_2^t}}{{\left( {\frac{{{\varDelta _{{\text{S}}{{\text{U}}_p}}}}}{{{A_6}}} - \frac{1}{{{B_2}{\mu _{\left\langle s \right\rangle }}}}} \right)}^{ - \left( {k + t + {{M}}} \right)}} \right\} \end{split} (29) 4. 数据校验
采用蒙特卡罗仿真来验证非完美条件下多天线星地融合NOMA网络的性能。仿真中采用的系统参数如表1所示。卫星信道参数如表2所示。不失一般性，假设
\delta _p^2 = \delta _q^2 = {\delta ^2} ,{\bar \gamma _{{\text{S}}{{\text{U}}_p}}} = {\bar \gamma _{{\text{S}}{{\text{U}}_q}}} = \bar \gamma ,{\bar \gamma _1} = {\bar \gamma _2} = {\bar \gamma _I} ,{k_{{\text{S}}{{\text{U}}_p}}} = {k_{{\text{S}}{{\text{U}}_q}}} = k ,{\mathcal{L}_{{\text{S}}{{\text{U}}_p}}} = {\mathcal{L}_{{\text{S}}{{\text{U}}_q}}} = \mathcal{L} 。表 1 系统参数参数 数值 卫星轨道 GEO 载波频率 18 GHz 载波带宽 50 MHz 3 dB角度 0.4° 最大波束增益 48 dB 接收天线增益 4 dB 噪声温度 300 K 雨衰 \mu = - 3.125 , \delta _\zeta ^2 = 1.591 表 2 信道参数衰落程度 {m_j} {b_j} {\varOmega _j} 重度衰落(Frequent Heavy Shadowing, FHS) 1 0.063 0.0007 中度衰落(Average Shadowing, AS) 5 0.251 0.2790 轻度衰落(Infrequent Light Shadowing, ILS) 10 0.150 1.2900 图2给出了遍历容量随功率分配因子的变化趋势。首先，可以发现仿真值与理论值相一致，证明了理论推导的正确性。其次，仿真结果随着功率分配因子
{a_p} 的增大而升高。然而，从实际角度来看，当{a_p} 趋于1时，传感器用户{U_q} 的QoS和公平性要求无法满足。同时，由于功率分配的减少，用户{U_q} 的遍历容量也会损失。基于实际公平性考虑，{a_p} 的值通常选取在\left( {0.7,0.8} \right) 之间，其余仿真均采用{a_p} = 0.75 作为仿真参数。最后，仿真结果显示遍历容量随着衰落程度的减轻而增强，这与实际相一致。图3分析了遍历容量随非完美SIC系数的变化趋势，其中
\xi = 0 表示完美SIC。非完美SIC对于遍历容量的影响十分明显，随着\xi 的增大，系统的遍历容量明显变差。这是因为NOMA传感器用户在接收端采用SIC技术来接收信号，由于接收端的性能较差，即SIC技术非完美，这将对系统的传输能力造成很大的负面影响，从而减少系统的遍历容量。图4给出了遍历容量随信道估计误差的变化。由图4(a)可以看出，当系统分配更多的功率用于信号传输时，系统的遍历容量将会更高。由图4(b)可知，随着导频信号长度的增加，系统的信道估计误差将会减小，从而提升系统的遍历容量。此外，随着系统平均信噪比的增强，导频信号长度对于遍历容量的影响会减少。通过对不同信道估计误差参数的仿真可以得出，当系统具有较高的平均信噪比时，可以获得更好的CSI减轻估计误差对于系统性能的影响。
图5反映了不同CCI情况对于遍历容量的影响，其中
{\bar \gamma _I} = - \infty 代表不存在同频干扰。首先，存在同频干扰时，系统的遍历容量会有明显的减弱。此外，随着干扰功率的增大以及干扰数量的增多，系统的遍历容量会明显减小，这与现实情况相一致。5. 结论
本文结合现实条件，包括信道估计误差、非完美串行干扰消除和同频干扰，建立了一个基于NOMA的星地融合网络。这些非完美条件将会影响基于NOMA的多天线星地融合网络的遍历容量性能。为了揭示每个非完美条件参数对于系统遍历容量的影响，本文推导得到了非完美条件下的遍历容量解析表达式。最后，通过蒙特卡罗仿真对理论推导的正确性进行了验证。仿真结果揭示了每个非完美条件参数对于星地融合NOMA网络遍历容量性能的影响，从侧面反映了具备完美系统场景对于实际网络的重要性，对工程实践具有重要的指导作用。
-
表 1 TNO定量对比实验结果
SF AG EI EN VIF Var DWT 6.8154 2.6473 26.0032 6.3753 0.2901 24.9950 DBN 6.1192 2.4574 24.8012 6.3375 0.2814 24.3822 DIDF 7.5609 2.9884 29.5566 6.5825 0.3417 30.0428 FusionGAN 6.2395 2.4168 24.1424 6.5761 0.2575 31.1204 GANMcC 6.1391 2.5457 25.8946 6.7474 0.4217 33.6386 MFEIF 7.2104 2.9034 29.3522 6.6568 0.3587 33.0184 RFnest 5.8727 2.6821 28.6441 6.9907 0.5133 37.2477 本文 9.0860 3.5805 35.1696 7.0731 0.4112 33.6727 
下载: 导出CSV
表 2 FLIR定量对比实验结果
SF AG EI EN VIF Var DWT 9.0511 3.5425 37.0015 6.8426 0.3336 31.4294 DBN 8.3459 3.3623 35.3199 6.7845 0.3306 31.0446 DIDF 9.3434 3.6905 38.6017 6.7863 0.2943 31.5181 FusionGAN 8.1142 3.2045 34.4298 7.0167 0.2892 37.4859 GANMcC 8.6665 3.6744 39.4219 7.2089 0.4269 42.4833 MFEIF 9.4752 3.7719 39.8841 7.0171 0.3807 37.8447 RFnest 7.6279 3.3103 36.2151 7.2968 0.4503 44.1210 本文 9.7488 4.1359 44.1298 7.4163 0.4394 47.7148
下载: 导出CSV
表 3 不同融合方法计算效率对比结果(s)
DWT DBN DIDF FusionGAN GANMcC MFEIF RFnest 本文 40.0470 7.6031 10.0652 18.4680 31.8253 15.4883 19.8578 6.0944
下载: 导出CSV
表 4 4组融合模型定量对比结果
SF AG EI EN VIF Var No_both 4.3894 1.5310 15.7062 6.5230 0.1749 34.9732 No_dir 5.6119 2.2964 23.0950 6.7165 0.3504 41.0505 No_resource 4.9631 1.7396 18.6436 6.6073 0.2943 39.2500 本文 6.9145 2.8615 29.0777 7.1594 0.4093 48.0217
下载: 导出CSV
-
[1] GOSHTASBY A A and NIKOLOV S. Image fusion: Advances in the state of the art[J]. Information Fusion, 2007, 8(2): 114–118. doi: 10.1016/j.inffus.2006.04.001 [2] TOET A, HOGERVORST M A, NIKOLOV S G, et al. Towards cognitive image fusion[J]. Information Fusion, 2010, 11(2): 95–113. doi: 10.1016/j.inffus.2009.06.008 [3] 朱浩然, 刘云清, 张文颖. 基于对比度增强与多尺度边缘保持分解的红外与可见光图像融合[J]. 电子与信息学报, 2018, 40(6): 1294–1300. doi: 10.11999/JEIT170956ZHU Haoran, LIU Yunqing, and ZHANG Wenying. Infrared and visible image fusion based on contrast enhancement and multi-scale edge-preserving decomposition[J]. Journal of Electronics &Information Technology, 2018, 40(6): 1294–1300. doi: 10.11999/JEIT170956 [4] GAO Yuan, MA Jiayi, and YUILLE A L. Semi-supervised sparse representation based classification for face recognition with insufficient labeled samples[J]. IEEE Transactions on Image Processing, 2017, 26(5): 2545–2560. doi: 10.1109/TIP.2017.2675341 [5] LIU C H, QI Y, and DING W R. Infrared and visible image fusion method based on saliency detection in sparse domain[J]. Infrared Physics & Technology, 2017, 83: 94–102. doi: 10.1016/j.infrared.2017.04.018 [6] HE Changtao, LIU Quanxi, LI Hongliang, et al. Multimodal medical image fusion based on IHS and PCA[J]. Procedia Engineering, 2010, 7: 280–285. doi: 10.1016/j.proeng.2010.11.045 [7] 张介嵩, 黄影平, 张瑞. 基于CNN的点云图像融合目标检测[J]. 光电工程, 2021, 48(5): 200418. doi: 10.12086/oee.2021.200418ZHANG Jiesong, HUANG Yingping, and ZHANG Rui. Fusing point cloud with image for object detection using convolutional neural networks[J]. Opto-electronic Engineering, 2021, 48(5): 200418. doi: 10.12086/oee.2021.200418 [8] 陈永, 张娇娇, 王镇. 多尺度密集连接注意力的红外与可见光图像融合[J]. 光学 精密工程, 2022, 30(18): 2253–2266. doi: 10.37188/OPE.20223018.2253CHEN Yong, ZHANG Jiaojiao, and WANG Zhen. Infrared and visible image fusion based on multi-scale dense attention connection network[J]. Optics and Precision Engineering, 2022, 30(18): 2253–2266. doi: 10.37188/OPE.20223018.2253 [9] AN Wenbo and WANG Hongmei. Infrared and visible image fusion with supervised convolutional neural network[J]. Optik, 2020, 219: 165120. doi: 10.1016/j.ijleo.2020.165120 [10] LI Jing, HUO Hongtao, LIU Kejian, et al. Infrared and visible image fusion using dual discriminators generative adversarial networks with Wasserstein distance[J]. Information Sciences, 2020, 529: 28–41. doi: 10.1016/j.ins.2020.04.035 [11] MA Jiayi, YU Wei, LIANG Pengwei, et al. FusionGAN: A generative adversarial network for infrared and visible image fusion[J]. Information Fusion, 2019, 48: 11–26. doi: 10.1016/j.inffus.2018.09.004 [12] MA Jiayi, ZHANG Hao, SHAO Zhenfeng, et al. GANMcC: A generative adversarial network with multiclassification constraints for infrared and visible image fusion[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 5005014. doi: 10.1109/TIM.2020.3038013 [13] QU Guihong, ZHANG Dali, and YAN Pingfan. Information measure for performance of image fusion[J]. Electronics Letters, 2002, 38(7): 313–315. doi: 10.1049/el:20020212 [14] XYDEAS C S and PETROVIĆ V. Objective image fusion performance measure[J]. Electronics Letters, 2000, 36(4): 308–309. doi: 10.1049/el:20000267 [15] CUI Guangmang, FENG Huajun, XU Zhihai, et al. Detail preserved fusion of visible and infrared images using regional saliency extraction and multi-scale image decomposition[J]. Optics Communications, 2015, 341: 199–209. doi: 10.1016/j.optcom.2014.12.032 [16] ESKICIOGLU A M and FISHER P S. Image quality measures and their performance[J]. IEEE Transactions on Communications, 1995, 43(12): 2959–2965. doi: 10.1109/26.477498 [17] LI H, MANJUNATH B S, and MITRA S K. Multisensor image fusion using the wavelet transform[J]. Graphical Models and Image Processing, 1995, 57(3): 235–245. doi: 10.1006/gmip.1995.1022 [18] FU Yu and WU Xiaojun. A dual-branch network for infrared and visible image fusion[C]. 2020 25th International Conference on Pattern Recognition (ICPR), Milan, Italy, 2021: 10675–10680. [19] ZHAO Zixiang, XU Shuang, ZHANG Chunxia, et al. DIDFuse: Deep image decomposition for infrared and visible image fusion[C]. Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence, Yokohama, Japan, 2020: 970–976. [20] LIU Jinyuan, FAN Xin, JIANG Ji, et al. Learning a deep multi-scale feature ensemble and an edge-attention guidance for image fusion[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2022, 32(1): 105–119. doi: 10.1109/TCSVT.2021.3056725 [21] LI Hui, WU Xiaojun, and KITTLER J. RFN-Nest: An end-to-end residual fusion network for infrared and visible images[J]. Information Fusion, 2021, 73: 72–86. doi: 10.1016/j.inffus.2021.02.023 [22] ROBERTS J W, AARDT J A V, and AHMED F B. Assessment of image fusion procedures using entropy, image quality, and multispectral classification[J]. Journal of Applied Remote Sensing, 2008, 2(1): 023522. doi: 10.1117/1.2945910 [23] RAO Yunjiang. In-fibre Bragg grating sensors[J]. Measurement Science and Technology, 1997, 8(4): 355–375. doi: 10.1088/0957-0233/8/4/002 [24] HAN Yu, CAI Yunze, CAO Yin, et al. A new image fusion performance metric based on visual information fidelity[J]. Information Fusion, 2013, 14(2): 127–135. doi: 10.1016/j.inffus.2011.08.002 [25] ZHANG Xingchen, YE Ping, and XIAO Gang. VIFB: A visible and infrared image fusion benchmark[C]. The IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, Seattle, USA, 2020: 468–478. 期刊类型引用(3)
1. 安秀娟，王兆荣，张东坡. 非正交多址接入异构网络用户公平性问题研究. 现代电子技术. 2024(13): 61-65 . 
百度学术2. 谈苗苗，孔槐聪，黄庶沛，程铭，林敏. 基于上/下行NOMA的卫星通信系统遍历容量分析. 南京航空航天大学学报. 2023(05): 780-788 . 百度学术3. 溪利亚，王舜燕. 无线网络中多址接入协议仿真测试. 计算机仿真. 2023(10): 249-253 . 百度学术其他类型引用(1)
-
百度学术
计量
- 文章访问数: 996
- HTML全文浏览量: 609
- PDF下载量: 113
- 被引次数: 4
下载:
