1.一种智能反射面辅助的SM‑NOMA系统资源分配方法，其特征在于：包括：对于智能反射面辅助的SM‑NOMA系统，考虑每个用户的有效信道增益进行动态用户分组；根据基站与用户的最大发射功率约束、智能反射单元的入射信号相移约束，建立以最大化系统和速率为目标的功率分配模型。

2.根据权利要求1所述的智能反射面辅助的SM‑NOMA系统资源分配方法，其特征在于：所述智能反射面辅助的SM‑NOMA系统包括基站发射端、智能反射面以及用户接收端；其中：所述用户接收端包括：W个用户被平分到T个组，每个组有K个用户，信道状态信息是已知的；每个组中的用户 为组的序号，i∈{1,2,…,K}为组内用户的序号；

在基站发射端配备Nt根发射天线，接收端有Nr根接收天线；在基站发射端通过空间调制，选择出一根发射天线，在同一时间、同一频率内发送一个叠加信号，通过智能反射面IRS反射，到达用户接收端；

所述IRS由N个无源反射单元组成，每个单元通过反射，改变入射信号的相移，从而辅助NOMA传输。

3.根据权利要求2所述的智能反射面辅助的SM‑NOMA系统资源分配方法，其特征在于：在基站发射端，将每个时隙发送的比特流分为两块，共是log2(Nt)+log2(M)比特；其中，log2(M)比特用于在信号星座图中确定对应的发送符号，其中M代表调制阶数；log2(Nt)个比特用于在空间星座图中确定发射天线的序号；发送信号的总功率为P，每个数据流所占用的功率为 其中， 是用户 功率分配因子，发送的叠加信号为：用户 的数据流 为：

其中， 表示用户 选择的天线序号， 表示调制后的发送符号。

4.根据权利要求3所述的智能反射面辅助的SM‑NOMA系统资源分配方法，其特征在于：基于所述智能反射面辅助的SM‑NOMA系统，把信道分为两部分，一部分是基站到用户的直射信道，另外一部分是基站‑智能反射面‑用户的反射信道；基站到用户i之间服从独立同分布的瑞利衰落信道，即 基站‑智能反射面的信道为莱斯信道，信道向量为其中N为智能反射面的个数，则：其中，η1是信道f的瑞利衰落系数， 和 分别是直视路径和非直视路径；中的每个元素是独立的，且服从均值为0，方差为1的分布；

用对角阵表示智能反射面的相移矩阵Θ，即 其中θn∈[0,2π]；智能反射面到用户 的信道为 用户 的信道描述为：信道增益顺序为： 和 分别代表用户1、用户2、用户3和用户K的瑞利信道，其中 用户 接收到的信号为：

2

其中 是用户 的接收信号，n0是加性高斯白噪声，服从均值为0，方差为σ的复高斯分布，ji表示用户 的发射信号经过空间调制选择的第j根天线， 表示用户 和第j根发射天线之间的信道。

5.根据权利要求1所述的智能反射面辅助的SM‑NOMA系统资源分配方法，其特征在于：所述动态用户分组包括以下步骤：用户预分配：有W个备选用户，根据基站与每个用户之间的距离，将用户集分为3类：近用户、中心用户和远用户；

用户降序排序：每个初始集的备选用户，根据有效信道增益，将用户降序排序；

用户选择：从相应的初始集中选择有效信道增益相差最大的用户分为一组，直到所有的用户完成分组为止，返回所有的分组情况；待反射面优化结束后，再将其进行一次迭代；

用户分组时参考的信道增益为：IRS优化之前的信道，即 首先在IRS‑SM‑NOMA中只选择一根发射天线，考虑第i个用户的有效直射信道增益，即

6.根据权利要求1所述的智能反射面辅助的SM‑NOMA系统资源分配方法，其特征在于：所述以最大化系统和速率为目标的功率分配模型包括：每组有K个用户，用户 解码自身信号时，将来自其他弱用户的信号看成干扰，用户的信干噪比SINR表达为：用户 相应的速率为：

根据公式(11)，采取使SINR最大化的优化方案，即通过联合优化用户的功率分配系数和IRS的相移Θ，使用户和速率达到最大：s.t.C1:

C2:

C3:

C4:

最优的最大化‑最小的SINR为Q，其中Q是一个松弛变量，即则该优化问题转述为：

s.t.C1:

C2:

C3:

C4:

在给定信噪比的情况下，先假定功率具有确定值来优化Θ，以达到信道增益最大的目的；之后，再根据组内用户个数进行功率分配，确定β，把(P1)分成两个优化问题，使用户的和速率达到最大，即相移优化子问题和功率分配优化子问题。

7.根据权利要求6所述的智能反射面辅助的SM‑NOMA系统资源分配方法，其特征在于：所述相移优化子问题包括：

对于用户 给定一个固定的功率分配系数，然后把(P2)拆成两部分，先通过优化智能反射面相位使信道增益达到最大，通过以下问题开始求解：H

令I＝[l1,…,lN] ， 且 进一步令 则得到 所以(P3)的优化问题等价于：(P3)是一个非凸的二次约束的问题，通过引入辅助变量t，将(P3)重新表述为一个非凸的齐次问题，(P4)转化等价的写成：其中， 由于 当L满足L≥0和时，定义 第一约束是非凸的，利用半定松弛SDR方法来松弛这个约束，问题(P5)简化为：

(P6)是非凸的，把L的秩降为1来处理，通过采用半定松弛技术和高斯随机化方案：H

(1)将L做特征值分解，L＝UΣU ,其中U是酉矩阵，Σ是对角阵，它们的维度都是(N+1)×(N+1)；

(2) 得到随机向量 其中r是一个随机变量，r～CN(0,

1)；

(3)得到 其中[X](1:N)表示取向量[X]中的前N个元素；得到一个优化后的反射面；通过产生足够多的随机变量r，利用SDR方法，优化出一个(P3)的逼近值。

8.根据权利要求6所述的智能反射面辅助的SM‑NOMA系统资源分配方法，其特征在于：在所述功率分配优化子问题中，对于两个用户的功率分配，信道模型为瑞利信道其中di是基站和用户 之间的距离，路径损耗用α表示； 是瑞利衰落系数，2

所有用户的噪声功率为σ；

对于两用户的SM‑NOMA系统，发送符号是传统的APM符号，在发送端经过空间调制选择一根天线，则两用户的可达速率表示为Rsum＝R1+R2：双用户的功率分配优化问题转化为：F(β1,β2)为两用户的SINR，且β1+β2＝1，即：对F(β1,β2)里面的β1求偏导，然后令一阶导数等于0，如下所示：其中，

2 2

以及c＝σ，q＝cb2‑cb1，p＝cb1+c ；

得到

*

远用户的功率分配系数为 近用户的功率分配系数为(1‑β)。