Non-orthogonal multiple access (NOMA) exhibits superiority in spectrum efficiency which is particularly essential in the Internet of Things (IoT) system involving massive number of device connections. This paper addresses the achievable rate improvement for the downlink NOMA system, in the context of imperfect successive interference cancellation (SIC), by means of the improper Gaussian signaling (IGS) technique. We investigate a basic scenario where the strong user transmits the conventional proper data, while the weak user adopts an improper signaling scheme. The users’ data rates are first formulated in terms of the impropriety degree of the IGS, under residual interference introduced by the imperfect SIC. In this way, analytical expressions for the best improper transmission can be characterized by jointly optimizing the user’s power and the impropriety degree, where their sufficient and necessary conditions are provided. When the strong user transmits with its maximum power, the IGS scheme always increases the achievable rate of the strong user while the weak user may also benefit. When the weak user transmits with its maximum power, such a scheme enables us optimize the achievable rate of the strong user under various levels of channel-to-noise ratios (CNR) and imperfect SIC. Finally, when both the users are imposed by quality of service (QoS) constraints, a Q-learning based solution is proposed to maximize their sum rate. Simulations on the downlink NOMA system support the analysis.

中文翻译：

---

具有不完美连续干扰消除的下行链路 NOMA 系统的不正确高斯信令

非正交多址 (NOMA) 在频谱效率方面表现出优势，这在涉及大量设备连接的物联网 (IoT) 系统中尤为重要。本文解决了下行链路 NOMA 系统在不完美的连续干扰消除 (SIC) 的背景下通过不适当的高斯信令 (IGS) 技术可实现的速率改进。我们研究了一个基本场景，强用户传输常规的正确数据，而弱用户采用不正确的信令方案。在不完善的 SIC 引入的残余干扰下，用户的数据速率首先根据 IGS 的不当程度来制定。这样，最优不正当传输的解析表达式可以通过联合优化用户的权力和不正当程度来表征，其中提供了它们的充分必要条件。当强用户以最大功率发射时，IGS方案总是提高强用户的可达到速率，而弱用户也可能受益。当弱用户以最大功率传输时，这样的方案使我们能够优化强用户在不同级别的信噪比（CNR）和不完善的SIC下的可实现速率。最后，当两个用户都受到服务质量（QoS）约束时，提出了一种基于 Q-learning 的解决方案来最大化他们的总和率。对下行 NOMA 系统的仿真支持了该分析。在具备充分必要条件的情况下。当强用户以最大功率发射时，IGS方案总是提高强用户的可达到速率，而弱用户也可能受益。当弱用户以最大功率传输时，这样的方案使我们能够优化强用户在不同级别的信噪比（CNR）和不完善的SIC下的可实现速率。最后，当两个用户都受到服务质量（QoS）约束时，提出了一种基于 Q-learning 的解决方案来最大化他们的总和率。对下行 NOMA 系统的仿真支持了该分析。在具备充分必要条件的情况下。当强用户以最大功率发射时，IGS方案总是提高强用户的可达到速率，而弱用户也可能受益。当弱用户以最大功率传输时，这样的方案使我们能够优化强用户在不同级别的信噪比（CNR）和不完善的SIC下的可实现速率。最后，当两个用户都受到服务质量（QoS）约束时，提出了一种基于 Q-learning 的解决方案来最大化他们的总和率。对下行 NOMA 系统的仿真支持了该分析。这样的方案使我们能够在不同级别的信噪比（CNR）和不完美的 SIC 下优化强用户的可实现速率。最后，当两个用户都受到服务质量（QoS）约束时，提出了一种基于 Q-learning 的解决方案来最大化他们的总和率。对下行 NOMA 系统的仿真支持了该分析。这样的方案使我们能够在不同级别的信噪比（CNR）和不完美的 SIC 下优化强用户的可实现速率。最后，当两个用户都受到服务质量（QoS）约束时，提出了一种基于 Q-learning 的解决方案来最大化他们的总和率。对下行 NOMA 系统的仿真支持了该分析。