NOMA雙連接異構(gòu)網(wǎng)絡(luò)條件解耦設(shè)計架構(gòu)及性能分析*

紀澎善，賈向東,2，路 藝，徐文娟

(1.西北師范大學(xué)計算機科學(xué)與工程學(xué)院,甘肅 蘭州 730070;2.南京郵電大學(xué)江蘇省無線通信重點實驗室,江蘇 南京 210003)

1 引言

5G異構(gòu)網(wǎng)絡(luò)HetNets(Heterogeneous Networks)被認為是達到千倍數(shù)據(jù)速率目標(biāo)的有效方法。在HetNets中，配備低功率基站BS(Base Station)的小小區(qū)可以與宏小區(qū)結(jié)合使用，形成多層HetNets，與當(dāng)前的4G網(wǎng)絡(luò)相比，將提供更高的容量，同時所提供的移動數(shù)據(jù)流量大幅增加[1]。然而，在未來的HetNets中，由于密集部署的低功率短距離BS，用戶設(shè)備UE(User Equipment)與BS的數(shù)量將相差無幾，同時小區(qū)的部署也更加不規(guī)則。這種情況下，在HetNets中會產(chǎn)生一些不可忽視的問題，例如UE級聯(lián)及其標(biāo)準[2,3]。因此，一些早期的工作集中在用戶級聯(lián)的解決方案和提出有效的用戶級聯(lián)準則上，如最大平均接收信號功率和信號干擾噪聲比SINR(Signal-to-Interference-Noise Ratio)[4 - 6]。

從UE的角度來看，具有最大下行鏈路DL(DownLink)接收信號功率的BS(或接入點)不一定是具有最大上行鏈路UL(UpLink)功率的BS。此外，由于移動UE的功率限制，UL容量受到限制。因此，文獻[7]引入了解耦上行鏈路和下行鏈路級聯(lián)DUDA(Decoupled Uplink and Downlink Association)的概念，其中移動UE可以在DL和UL傳輸方向上分別連接至不同的BS。由于UL和DL級聯(lián)相互獨立，因此DUDA中的可行級聯(lián)比耦合UL和DL級聯(lián)CUDA(Coupled Uplink and Downlink Association)更靈活，從而可以改善UL容量，同時可以減少來自UL的UE干擾并且克服移動UE的功率約束。Boccardi等[8]確定并解釋了DUDA設(shè)計的論點，并提出了從4G LTE / LTE-A到5G實現(xiàn)DUDA設(shè)計的可行方案。文獻[9]則側(cè)重于兩層HetNets的研究。近期關(guān)于DUDA設(shè)計的最新研究還專注于其在5G網(wǎng)絡(luò)中的實現(xiàn)。文獻[10]對全雙工HetNets中的DUDA進行了設(shè)計，并研究了密集回程連接對DUDA性能的影響。

為了進一步改善頻譜效率SE(Spectrum Efficiency)，3GPP在版本12中引入了HetNets中的雙連接DC(Dual-Connectivity)概念[11]。在DC模式的HetNets中，允許每個UE同時與UL和DL中的2個不同接入點通信。結(jié)果發(fā)現(xiàn)，當(dāng)DC與某些先進技術(shù)相結(jié)合時，可以實現(xiàn)更好的SE增益，如非正交多址接入NOMA(Non-Orthogonal Multiple Access)和毫米波技術(shù)[12 - 14]。文獻[15,16]則側(cè)重于DC模式的HetNets中的DUDA設(shè)計，并研究了聯(lián)合應(yīng)用DUDA和DC的2層HetNets。結(jié)果表明，相比傳統(tǒng)的單連接，DC能夠更靈活地實現(xiàn)UE級聯(lián)。

基于上述分析，本文采用DUDA來增強UL傳輸容量，從而提高整個網(wǎng)絡(luò)的吞吐量。但是，仍然存在以下問題：首先，現(xiàn)有的工作主要集中在單連接模式的雙層HetNets上。在采用DC模式的HetNets中研究DUDA設(shè)計的工作非常少[15,16]，且這些研究僅考慮了簡化的雙層HetNets。眾所周知，在多層HetNets中，特別是在DC模式的HetNets中，DUDA的設(shè)計比在雙層HetNets中更加靈活和復(fù)雜。原因在于，隨著層數(shù)的增加，可能的DUDA方案的數(shù)量呈指數(shù)增長，這使得早期工作中提出的用絕對級聯(lián)概率來評估網(wǎng)絡(luò)性能變得困難且復(fù)雜。目前，這種多層HetNets的性能尚不清楚。此外，對于不同的DL級聯(lián)，相應(yīng)的解耦UL性能是不同的。因此，找到一種有效的框架非常重要，利用該框架可以從所有候選的DL級聯(lián)中選擇可行的DL級聯(lián)方案，使得解耦UL級聯(lián)的平均性能最佳。在實踐中，解決上述問題的有效方法是基于DL級聯(lián)對所有可能的解耦級聯(lián)進行分類，在可行的DL級聯(lián)條件下設(shè)計解耦UL級聯(lián)。同時，還可以推導(dǎo)出在給定DL級聯(lián)約束條件下的相應(yīng)的條件級聯(lián)概率。顯然，利用這種條件級聯(lián)框架可以更清晰地研究多層HetNets，克服了多層HetNets的復(fù)雜性這一問題。其次，由于雙層HetNets的限制，在現(xiàn)有文獻中，DC模式HetNets的DUDA設(shè)計均在同一層中進行。也就是說，這些工作僅研究了非跨層DC模式。但是，通常在同一層內(nèi)的BS具有相同的服務(wù)級別，實際的DC模式HetNets關(guān)注于不同的級聯(lián)鏈路上需要不同服務(wù)級別的場景，即跨層級聯(lián)。例如，宏層提供控制信令，而其他層提供數(shù)據(jù)的情況。

最后，當(dāng)DC正交使用可用頻譜時[15,16]，由于采用傳統(tǒng)的正交多址接入OMA(Orthogonal Multiple Access)，系統(tǒng)的頻譜效率較低。使用NOMA技術(shù)可以克服這個問題，NOMA技術(shù)是5G的另一個關(guān)鍵技術(shù)，其在發(fā)射機處使用疊加編碼SC(Superposition Coding)并在接收機處利用連續(xù)干擾消除SIC(Successive Interference Cancellation)[17 - 19]。在發(fā)射機處，基于不同功率電平疊加和發(fā)送到不同UE的信號。在接收器處，基于接收器信號強度，UE在解碼其自己的信號之前使用SIC技術(shù)來移除針對其他UE的信號，由于通過共享相同的資源塊來傳遞更多信息，NOMA方法的實現(xiàn)改善了系統(tǒng)頻譜效率SE。

2 系統(tǒng)模型與問題描述

2.1 系統(tǒng)模型及信道假設(shè)

考慮如圖1所示的由宏小區(qū)層M層(Microcell tier)、微微小區(qū)P層(Picocell tier)和毫微微小區(qū)F層(Femtocell tier)構(gòu)成的3層異構(gòu)網(wǎng)絡(luò),每一層具有不同的發(fā)射功率、覆蓋范圍和空間密度等。其中，高功率宏小區(qū)由低功率短距離的小BS所覆蓋。通常情況下，同一層中的BS具有相同的發(fā)射功率。PM、PP、PF分別表示宏基站MBS(Microcell Base Station)、微微小區(qū)基站PBS(Picocell Base Station)和毫微微小區(qū)基站FBS(Femtocell Base Station)的發(fā)射功率，且遵循功率約束PM>PP>PF。將MBS、PBS和 FBS的位置建模為密度依次是λM、λP和λF的獨立泊松點過程PPP(Poisson Point Process)ΦM、ΦP和ΦF。同時，將UE建模成密度為λU的獨立PPPΦU，其發(fā)射功率為PU。整個網(wǎng)絡(luò)假設(shè)為全負載，即λU>λi,i∈{M,P,F}，且每層的每一個BS至少級聯(lián)一個UE 。所有的網(wǎng)絡(luò)元件配備單天線，且總可用信道帶寬為B。

Figure 1 Decoupling UpLink associations under given DL connectivity condition圖1 給定DL連接條件下的解耦UL級聯(lián)

frOi(x)=2πλixe-πλix2,i∈{M,P,F}

(1)

2.2 DUDA和雙連接

將DC用于DL和UL傳輸,即，給定UE在DL或UL中同時與2個不同的服務(wù)BS相級聯(lián)。在DL中，使用傳統(tǒng)的DL接收信號功率DRSP(Downlink Received Signal Power)準則,其中，主要DL接入層為提供最強DRSP至給定UE的最近BS，次要DL接入層為提供第2最強跨層DRSP至給定UE的最近BS。與DL級聯(lián)不同，在DUDA方案中，UL接入利用最短距離準則，根據(jù)特定UE到最近BS所獲得最大UL 接收功率進行級聯(lián)。因此，UE首先選擇主要UL接入層即與給定UE距離最近的BS以及次要UL接入層即與給定UE第2近距離的BS由式(2)和式(3)產(chǎn)生：

(2)

(3)

其中，Xk表示從特定UE到第k層的最近BS的歐幾里德距離，Sec{·}表示二階非最佳統(tǒng)計。由于使用不同的級聯(lián)準則，在解耦DC方案中UL和DL的主次接入點不同。同時，由于考慮了跨層DC，所以DL或UL中的主次接入BS不在同一層中，且每個UE處主信號UL的功率分配因子是αP。

2.3 解耦上行鏈路級聯(lián)

由于本文所考慮的是3層異構(gòu)網(wǎng)絡(luò)，所以存在很多解耦UL和DL級聯(lián)。此處，考慮DL中給定UE的主要和次要DL分別級聯(lián)至M層和F層最近的BS,即，M層是主要接入層，F(xiàn)層是次要接入層。解耦UL級聯(lián)的條件是給定DL的 DC模式級聯(lián)，由于功率約束，如圖1所示有3種可能的UL級聯(lián)情況。圖1a為CUDA方案，圖1b和圖1c為DUDA 方案。

2.4 NOMA傳輸

(4)

(5)

對于信道質(zhì)量較差的次要接收器，利用如式(6)所示的SINR將疊加的主信號作為噪聲直接解碼其所需信號[16 - 20]。

(6)

3 解耦上行鏈路條件級聯(lián)概率

(7)

由于到一個PPP最近點的距離遵循瑞利分布，因此，可由式(1)得到引理1，其給出了所考慮場景的DL級聯(lián)概率。

引理1對于給定的DL級聯(lián)情況，其中主要和次要DL級聯(lián)至M層和F層，基于DRSP標(biāo)準，給定的DL級聯(lián)概率表達式如式(8)所示:

(8)

3.1 主鏈路-M層，次鏈路-F層

基于給定DL級聯(lián)的級聯(lián)概率，需推導(dǎo)出UL條件級聯(lián)概率。子案例1是耦合的UL和DL級聯(lián)，即主要和次要UL連接與其DL連接相同。從圖1a可以看出，級聯(lián)條件ULSC1:rOM

PSC1=Pr{ULSC1|DLM,F}=

(9)

(10)

然后，結(jié)合式(9)和式(10)及引理1，得到命題1。

命題1對于給定的DL主要和次要連接，如圖1a所示的子案例1為UL和DL主要和次要連接一致的耦合級聯(lián)方案。子案例1的條件級聯(lián)概率為：

(11)

3.2 主鏈路-F層，次鏈路-M層

如圖1b所示的子案例2(SC2)考慮了主要和次要DL連接的解耦UL級聯(lián)。在這種情況下，距給定UE最近的為F層，其次為M層，距P層最遠。因此，UE選擇其主要UL連接到F層，其次要UL連接到P層。這種情況考慮了2個解耦級聯(lián)，即解耦主要連接和次要連接。UL主要和次要級聯(lián)具有與DL相反的順序，可得到UL級聯(lián)條件為ULSC2:rOF

PSC2=Pr{ULSC2|DLM,F}=

(12)

利用功率限制PM>PP>PF，得到式(12)最后一項分子的表達式為：

(13)

(14)

(15)

合并式(12)～式(15)得到命題2。

命題2在如圖1b所示的子案例2中，盡管UL與DL級聯(lián)至相同層，但是主要和次要UL與級聯(lián)順序相反的DL完全解耦。子案例2對應(yīng)的條件級聯(lián)概率為：

(16)

3.3 主鏈路-F層，次鏈路-P層

在如圖1c所示的子案例3(SC3)中，給定UE距F層的BS最近。然而，不同于子案例2，在子案例3中，給定UE更接近于P層的BS而非M層。在該子案例中，主要和次要UL也是完全解耦的并且分別與F層和P層相級聯(lián)。相應(yīng)的UL級聯(lián)條件是ULSC3:rOF

(17)

由DL級聯(lián)條件DLM,F和解耦的UL級聯(lián)條件ULSC3，可得到Pr{DLM,F,ULSC3}表達式為：

Pr{DLM,F,ULSC3}=

(18)

因此，可得到命題3

命題3如圖1c所示的子案例3考慮了一個完全解耦UL級聯(lián)場景，其中主要和次要UL分別與F層和P層相級聯(lián)。相關(guān)的條件級聯(lián)概率為:

(19)

4 主要和次要UL接入距離的統(tǒng)計描述

本節(jié)重點介紹每個子案例中給定UE與其主要和次要接入點之間距離的統(tǒng)計描述。類似于條件級聯(lián)概率，統(tǒng)計描述也經(jīng)常在序列部分中用來開發(fā)系統(tǒng)性能。同時，在這項工作中，還考慮了基于傳統(tǒng)DRSP的CUDA案例。除了DUDA案例的接入距離之外，在此3層HetNets中也對CUDA案例進行了分析。對于一個給定的DL級聯(lián)，盡管對于所有子案例耦合UL接入點復(fù)雜度相同，但是不同級聯(lián)子案例的統(tǒng)計描述不同。

4.1 主鏈路-M層，次鏈路-F層

(20)

(21)

(22)

(23)

4.2 主鏈路-F層，次鏈路-M層

(24)

(25)

因此，經(jīng)過數(shù)學(xué)推導(dǎo)，可得到引理3。

e-π(λP+λM)(PM/PF)2/αr2)-e-πλMr2(e-πλPr2-

e-π(λP+λM)(PP/PF)2/αr2)}

(26)

e-π(λP+λF(PF/PP)2/α)(PP/PF)2/αr2)-

e-πλFr2(e-πλPr2-e-πλP(PP/PF)2/αr2)]}

(27)

4.3 主鏈路-F層，次鏈路-P層

(28)

(29)

此外，為了評估可實現(xiàn)的性能增益，研究了基于DRSP準則的耦合UL和DL方案的性能，其產(chǎn)生了次優(yōu)的系統(tǒng)性能。為此，需要給定UE與M層最近的BS之間距離的統(tǒng)計描述。將次優(yōu)UL接入距離的CDF表示為：

r,DLM,F,ULSC3}

(30)

(e-π(λM(PM/PF)2/α+λP(PP/PF)2/α)r2-

e-π(λM(PM/PF)2/α+λP(PM/PF)2/α)r2))]

(31)

e-π(λM+λF(PF/PM)2/α)r2-e-π(λM+λF(PF/PM)2/α)(PM/PP)2/αr2)-

(e-π(λM+λF(PF/PP)2/α)r2-e-π(λM(PM/PP)2/α+λF(PF/PP)2/α)r2)]

(32)

(λP(e-π(λP+λF(PF/PP)2/α)(PP/PM)2/αr2-e-π(λP+λF(PF/PP)2/α)r2))/

(λP+λF(PF/PP)2/α)]

(33)

5 NOMA的覆蓋性能

本節(jié)根據(jù)覆蓋概率CP(Coverage Probability)評估網(wǎng)絡(luò)UL的性能。同時，除了基于DUDA的HetNets的性能外還得到了基于CUDA的HetNets性能。首先推導(dǎo)出主要和次要UL的SINR覆蓋概率。其次，根據(jù)使用SIC的NOMA的思想，當(dāng)以下條件成立時，主要信號將成功解碼：(1)主接收器可以解碼疊加的次要信號;(2)在執(zhí)行SIC處理之后，主接收器可以解碼其自己的目標(biāo)信號。對于給定的級聯(lián)子案例k,k∈{1,2,3}，由式(4)和式(5)可得到基于DUDA主要UL的SINR覆蓋概率為：

(34)

其中，τP和τS分別為主要和次要UL基于目標(biāo)速率的SINR閾值，上標(biāo)D、C分別表示基于DUDA和CUDA，將式(4)和式(5)代入式(34)得：

(35)

與主接收機不同，由于鏈路質(zhì)量差，次要接收器通過將接收到的主信號視為噪聲來解碼其目標(biāo)信號。因此，對于給定的級聯(lián)子案例k，利用式(36)可得到次要UL的SINR覆蓋概率為：

(36)

命題4雖然在NOMA方案中實現(xiàn)了解耦的UL雙連接，但對于給定的級聯(lián)子案例k，主要和次要UL的SINR覆蓋概率分別由式(37)和式(38)給出:

(τP,τS,k) =

(37)

∫∞0e-τ'Sσ2(PUE )-1rαe-∑m∈{M,P,F}πλm (τ'S)2αr2∫∞0du1+uα2fRkOSr dr

(38)

UL 覆蓋概率為：

PNOMA-C(τP,τS,k) =

(39)

總平均UL 覆蓋概率為：

(40)

由此得到NOMA系統(tǒng)的UL覆蓋概率，其使用傳統(tǒng)的基于DRSP的CUDA準則，這由推論1給出。

推論1對于所考慮的3層DC HetNets，當(dāng)在NOMA方案中運用基于DRSP的CUDA準則時，總平均概率為：

(41)

6 數(shù)值結(jié)果及仿真分析

基于之前的數(shù)學(xué)分析，本節(jié)給出了仿真和數(shù)值結(jié)果分析，以說明所提出的基于NOMA和DUDA的多層HetNets的性能。為了不失一般性，考慮了一個由MBS、PBS和FBS組成的3層HetNet，且假設(shè)整個網(wǎng)絡(luò)的路徑損耗指數(shù)完全相同。仿真環(huán)境為宏小區(qū)半徑500 m，載波頻率2.4 GHz，系統(tǒng)帶寬20 MHz的區(qū)域，所有接收器處的加性高斯噪聲功率相同。除非另有說明，取PP=29 dBm,PF=24 dBm,λM=1/π5002,λP=5λM及λF=10λM；功率限制PM>PP>PF總有效，UE的傳輸功率為PUE=26 dBm。

Table 1 Association probability under different powerPM(α=4.3)

圖2進一步研究了取路徑損失指數(shù)α=4.3和α=3.3時，MBS、PBS和FBS的傳輸功率PM、PP和PF對條件級聯(lián)概率的影響?？梢钥吹?，雖然傳輸功率PM和PF對級聯(lián)概率PSC1有明顯影響，但傳輸功率PP對其影響非常有限。從圖2c可以看出，在PP的整個變化范圍內(nèi)，級聯(lián)概率PSC1幾乎不變。同時，傳輸功率PM、PP、PF對PSC2和PSC3具有不同的影響。圖2表明，PSC1、PSC2、PSC3的總和滿足總概率定律。同時，該圖還反映了路徑損耗指數(shù)α對條件級聯(lián)概率的影響，PSC2不僅隨路徑損耗指數(shù)單調(diào)變化，還受傳輸功率影響，如當(dāng)PM較小時，PSC2隨著α的增大而減小，當(dāng)PM較大時，PSC2隨著α的增大而增大。對于SC1，該情況下條件級聯(lián)概率隨著路徑損耗指數(shù)的增加而增大；SC3級聯(lián)場景下，路徑損耗指數(shù)越大，條件級聯(lián)概率越小。

Figure 2 Conditional association probability vs transmission power圖2 條件級聯(lián)概率vs傳輸功率

除了傳輸功率外，BS的密度對級聯(lián)概率也產(chǎn)生了很大影響。取PM=46 dBm,PP=42 dBm,PF=34 dBm，圖3a和圖3b分別表示密度比λP/λM和λF/λM相對級聯(lián)概率PSC1、PSC2、PSC3的變化趨勢。比較圖2和圖3可發(fā)現(xiàn)，雖然BS的傳輸功率對級聯(lián)概率有明顯影響，但BS的密度對其影響很小。尤其是，圖3a顯示級聯(lián)概率PSC1在λP/λM的整個區(qū)域恒定近似，級聯(lián)概率PSC2隨密度比λP/λM的增加而減小，PSC3隨著密度比λP/λM的增加而增長。對于這些觀測，有以下解釋。首先，從圖1可知，級聯(lián)子案例1由M層和F層所主導(dǎo)，這導(dǎo)致密度λP對PSC1的影響有限。不同于子案例1，子案例2利用解耦UL和DL級聯(lián)，其中上行鏈路取決于P層，顯然，密度λP越大，P層的BS接近給定UE的概率越高，因此解耦的級聯(lián)概率PSC2隨著λP的增大而降低。雖然子案例3也利用了DUDA，但是這種情況將次要UL與P層最近的BS相級聯(lián)。顯然，密度λP越大，級聯(lián)概率PSC3越高，級聯(lián)概率PSC3隨著密度λP的增加而增加。

Figure 3 Conditional association probability vs density ratio圖3 條件級聯(lián)概率vs密度比

與圖3a不同，圖3b表明隨著λF/λM的增加，條件級聯(lián)概率PSC2增加，條件級聯(lián)概率PSC3減小。這是因為子案例2將主要UL與F層最接近的BS相級聯(lián)，這導(dǎo)致解耦的級聯(lián)概率PSC2隨λF的增加而增加。雖然解耦的子案例3將主要UL與F層相級聯(lián)，然而其也將次要UL級聯(lián)至P層與F層。顯然，隨著λF的增加，從給定UE到P層最近BS的距離的概率為二階統(tǒng)計量，且高于給定UE級聯(lián)至F層最近BS的概率，因此解耦的級聯(lián)概率PSC3隨著λF的增大而減小。

為了突出DUDA的優(yōu)點，本文還對比了DUDA和CUDA準則之間的總平均覆蓋概率和頻譜效率。取功率分配因子αp=3.5，從圖4a可以看出，當(dāng)考慮覆蓋概率時，具有DUDA的NOMA方案優(yōu)于傳統(tǒng)的CUDA方案。此外，可實現(xiàn)的覆蓋概率增益隨著路徑損耗指數(shù)α的減小而增加。這是因為在本文的系統(tǒng)模型中，解耦UL級聯(lián)是基于最近距離準則執(zhí)行的，因此最近的傳輸距離的覆蓋性能損耗較少。該結(jié)果表明結(jié)合DRSP和UL最近距離解耦級聯(lián)方案是有效的，從而實現(xiàn)了更高的覆蓋概率增益。圖4b中比較了不同路徑損耗指數(shù)下DUDA和CUDA的頻譜效率SE。首先可以發(fā)現(xiàn)，在NOMA模式中，SE間隙是變化的,并且隨著發(fā)射功率的增加而增加。其次，圖4b顯示當(dāng)路徑損耗指數(shù)增大時，DUDA可實現(xiàn)的總平均SE高于CUDA的總平均SE。然而，當(dāng)路徑損耗指數(shù)較小時，CUDA的SE高于DUDA的。該結(jié)果表明，DUDA相對于CUDA獲得的SE增益在很大程度上取決于路徑損耗指數(shù)。當(dāng)路徑損耗指數(shù)大時，基于DUDA的NOMA優(yōu)于基于CUDA的NOMA，當(dāng)它很小時，基于DUDA的NOMA方案不如基于CUDA的NOMA方案。

Figure 4 Comparison between DUDA and CUDA whenαp=3.5圖4 αp=3.5時DUDA和CUDA間的對比

7 結(jié)束語

基于DUDA和DC技術(shù)，本文研究了NOMA方案3層HetNets模型可實現(xiàn)的覆蓋概率和頻譜效率。使用跨層DC充分利用網(wǎng)絡(luò)資源，同時采用DUDA方案，讓用戶在UL和DL中使用不同的級聯(lián)標(biāo)準，并且UE同時級聯(lián)至2個不同層的接入點。對于此HetNets模型，首先，在嚴格的DL級聯(lián)約束下研究了可行的解耦UL級聯(lián)方案，并闡述了3種可能的級聯(lián)子案例。其次，數(shù)學(xué)推導(dǎo)了每個解耦級聯(lián)子案例的條件級聯(lián)概率，以及主要和次要接入距離的相應(yīng)統(tǒng)計級聯(lián)。

最后，基于條件級聯(lián)概率，推導(dǎo)了系統(tǒng)的覆蓋概率，利用數(shù)值結(jié)果驗證了級聯(lián)概率的解析表達式。研究結(jié)果表明，在覆蓋概率方面，基于DUDA的方案性能優(yōu)于傳統(tǒng)的CUDA方案。研究還發(fā)現(xiàn)，基于DUDA的方案的頻譜效率是否優(yōu)于基于CUDA的方案的頻譜性能受功率分配因子和路徑損耗指數(shù)的影響。研究結(jié)果有助于指導(dǎo)多層異構(gòu)網(wǎng)絡(luò)的設(shè)計。