-
Notifications
You must be signed in to change notification settings - Fork 1
/
SOP_numerical_iter.py
226 lines (177 loc) · 8.09 KB
/
SOP_numerical_iter.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
import numpy as np; # Pacote NumPy para vetores, gerador de números aleatórios, etc
import matplotlib.pyplot as plt # para plotagem
from matplotlib import collections as mc # para plotar segmentos de linhas
import math
from scipy.stats import expon, gamma
plt.close('all'); # fecha as figuras já abertas
lambda_roads = 1e-3/np.pi; # intensidade (densidade média) do PLP
mu_cox = 1e-3; # intensidade (densidade média) do PPP 1-D
xx0 = 0; # Centro x do disco
yy0 = 0; # Centro y do disco
r = 3000; # Raio do disco
massLine = 2 * np.pi * r * lambda_roads; # Parâmetro da distribuicao de Poisson do PLP
areaTotal=np.pi*r**2; # Área do disco
# Simula o PPP dos midpoints
numbLines = np.random.poisson(massLine); # Número de linhas/midpoints
theta = 2 * np.pi * np.random.rand(numbLines); # seleciona componente angular uniformemente
p = r * np.random.rand(numbLines); # seleciona componente radial uniformemente
q = np.sqrt(r ** 2 - p ** 2); # distância do midpoint para a borda do círculo
# calcula componentes trigonométricas
sin_theta = np.sin(theta);
cos_theta = np.cos(theta);
# calcula os pontos finais dos segmentos do PLP
xx1 = xx0 + p * cos_theta + q * sin_theta;
yy1 = yy0 + p * sin_theta - q * cos_theta;
xx2 = xx0 + p * cos_theta - q * sin_theta;
yy2 = yy0 + p * sin_theta + q * cos_theta;
def PPP_roads(mu,p,q,sin_theta,cos_theta,xx0,yy0):
###START Simula um PPP em cada linha START###
lengthLine = 2 * q; # comprimento de cada segmento
massPoint = mu * lengthLine; # intensidade "efetiva" de cada PPP
numbLinePoints = np.random.poisson(massPoint); # Numero de pontos em cada linha
numbLinePointsTotal = sum(numbLinePoints); # Numero total de pontos do PLCP
uu = 2 * np.random.rand(numbLinePointsTotal) - 1; # distribuição uniforme U(-1,1)
# replica os valores para simular todos pontos em um único passo
xx0_all = np.repeat(xx0, numbLinePointsTotal);
yy0_all = np.repeat(yy0, numbLinePointsTotal);
p_all = np.repeat(p, numbLinePoints);
q_all = np.repeat(q, numbLinePoints);
sin_theta_all = np.repeat(sin_theta, numbLinePoints);
cos_theta_all = np.repeat(cos_theta, numbLinePoints);
# Posiciona os pontos nos segmentos lineares de Poisson
xxPP_all = xx0_all + p_all * cos_theta_all + q_all * uu * sin_theta_all;
yyPP_all = yy0_all + p_all * sin_theta_all - q_all * uu * cos_theta_all;
### FIM Simula um PPP em cada linha ###
return xxPP_all, yyPP_all, numbLinePointsTotal
def PPP_points(lambda_process, radius):
area_circle = np.pi*radius**2
num_Points = np.random.poisson(lambda_process*area_circle)
mean = lambda_process*area_circle
theta = 2*np.pi*np.random.uniform(0,1,num_Points)
rho = radius*np.sqrt(np.random.uniform(0,1,num_Points))
xx = rho * np.cos(theta)
yy = rho * np.sin(theta)
return xx,yy, num_Points
# Parâmetros da simulacao do SOP
sim_size = 25
num_cols = 25
alfa = 3
#N_list = [2,4]
N = 4
#N_a = np.linspace(2,40,num_cols)
#N_c = 4
Phi = np.linspace(0.00001,0.9999999,num_cols)
#Phi = [0.6, 0.8]
#phi = 0.8
beta = 0 #dB
#Beta = np.linspace(-10,20,num_cols)
# Potencias
P_t = 0.01
#P_t_list = [1]
P_c = 0.01
#P_c_list = [0.01, 0.1, 1]
CE_ratio = [0.1, 0.5, 1, 5]
#ce_ratio = 0.1
# Parâmetros dos PLCPs
#mu_transmitter = ce_ratio*1e-3
mu_eves = 1*1e-3
# Parâmetros dos PPPs
#lambda_transmitter= ce_ratio*1e-6; # Intensidade (densidade média) do PPP
lambda_eves=1*1e-6;
SOP = np.zeros((sim_size, num_cols))
SOP_cj = np.zeros((sim_size, num_cols))
fig,ax = plt.subplots(1)
fig.subplots_adjust(bottom=0.2)
for ce in CE_ratio:
# Parâmetros dos PLCPs
mu_transmitter = ce*mu_eves
# Parâmetros dos PPPs
lambda_transmitter= ce*lambda_eves; # Intensidade (densidade média) do PPP
#for N in N_list:
#for P_t in P_t_list:
#for P_c in P_c_list:
#for phi in Phi:
#P_c = P_t
for sim_i in range(sim_size):
xxPP_transmitter, yyPP_transmitter, numPP_transmitter = PPP_roads(mu_transmitter,p,q,sin_theta,cos_theta,xx0,yy0)
xxPP_eves, yyPP_eves, numPP_eves = PPP_roads(mu_eves,p,q,sin_theta,cos_theta,xx0,yy0)
# Simula PPP para Alices
xx_transmitter, yy_transmitter, num_transmitters = PPP_points(lambda_transmitter, r)
# Simula PPP para Eves
xx_eves, yy_eves, num_eves = PPP_points(lambda_eves, r)
# Totaliza nos planares e veiculares
total_transmitters = num_transmitters + numPP_transmitter
#print(total_transmitters)
total_eves = num_eves + numPP_eves
# Une as coordenadas dos nos alices e eves
xx_transmitter = np.append(xx_transmitter, xxPP_transmitter)
yy_transmitter = np.append(yy_transmitter, yyPP_transmitter)
xx_eves = np.append(xx_eves, xxPP_eves)
yy_eves = np.append(yy_eves, yyPP_eves)
SOP_i = []
SOP_i_cj = []
for phi in Phi:
#for beta in Beta:
#for n_a in N_a:
aux_phi_a = P_t*(1-phi)/(N-1)
aux_phi_c = P_c/(N-1)
#aux_phi_a = P_t*(1-phi)/(n_a-1)
#aux_phi_c = P_c/(N_c-1)
dist_eo = np.sqrt(xx_eves**2 + yy_eves**2)
SIR_e = []
SIR_e_c = []
for e in range(total_eves):
q_e2 = np.random.exponential(1)
norm_g_e = np.random.gamma(N-1,1)
norm_g_c = np.random.gamma(N-1,1)
Sum_Ic = 0
for x in range(total_transmitters):
dist_xe = np.sqrt((xx_eves[e]-xx_transmitter[x])**2 + (yy_eves[e]-yy_transmitter[x])**2)
I_c = aux_phi_a*norm_g_e*(dist_xe**(-alfa))
Sum_Ic = Sum_Ic + I_c
num_SIR = phi*q_e2*(dist_eo[e]**(-alfa))
den_SIR = aux_phi_a*norm_g_e*(dist_eo[e]**(-alfa))
den_SIR_c = aux_phi_c*norm_g_e*(dist_eo[e]**(-alfa))+Sum_Ic
SIR_e_db = 10*math.log10(num_SIR/den_SIR)
SIR_c_db = 10*math.log10(num_SIR/den_SIR_c)
#print('SIRe: ', SIR_e_db)
#print('SIR_c: ', SIR_c_db)
SIR_e.append(SIR_e_db)
SIR_e_c.append(SIR_c_db)
so = 0
for sir_e in SIR_e:
if sir_e > beta:
so = so + 1
SOP_i.append(so/total_eves)
so_cj = 0
for sir_c in SIR_e_c:
if sir_c > beta:
so_cj = so_cj + 1
SOP_i_cj.append(so_cj/total_eves)
SOP[sim_i] = SOP_i
SOP_cj[sim_i] = SOP_i_cj
SOP_avg = np.average(SOP, axis=0)
SOP_avg_cj = np.average(SOP_cj, axis=0)
#ax.plot(Phi,SOP_avg, label= r'AN $N_a$ = %d' %N)
#ax.plot(Phi,SOP_avg_cj, label= r'CJ $N_a$ = $N_c$ = %d' %N)
#ax.plot(Phi,SOP_avg, label= r'AN $\lambda_A$ = %d$\lambda_E$' %ce)
ax.plot(Phi,SOP_avg_cj, label= r'CJ $\eta$ = %.1f' %ce)
#ax.plot(Phi,SOP_avg, label= r'AN $P_t$ = %.2f W' %P_t)
#ax.plot(Phi,SOP_avg_cj, label= r'CJ $P_t$ = %.2f W e $P_c$ = %.2f W' %(P_t, P_c))
#ax.plot(Beta,SOP_avg, label= r'AN $N_a$ = %d' %N)
#ax.plot(Beta,SOP_avg_cj, label= r'CJ $N_a$ = %d' %N)
#ax.plot(Beta,SOP_avg, label= r'AN $\phi$ = %.1f' %phi)
#ax.plot(Beta,SOP_avg_cj, label= r'CJ $\phi$ = %.1f' %phi)
#ax.plot(N_a, SOP_avg_cj, label= r'CJ $P_c$ = %.2f W' %P_c)
plt.xlabel(r'$\phi$')
#plt.xlabel(r'$N_A$')
#plt.xlabel(r'$\beta$')
plt.ylabel('SOP')
#plt.ylim((0,1))
plt.legend()
fig.text(0.1,0.05,r'Realizações: %d, $\beta$: %d dB, $\alpha$: %.1f, $P_t :$ %.2f W, $P_c :$ %.2f W ' %(sim_size, beta, alfa, P_t, P_c))
#fig.text(0.1,0.05,r'Realizações: %d, $\phi$: %.2f dB, $\alpha$: %d' %(sim_size, phi, alfa))
#fig.text(0.1,0.05,r'Realizações: %d, $N_A$: %d , $\alpha$: %d' %(sim_size,N, alfa))
#fig.text(0.1,0.05,r'Realizações: %d, $\beta$: %d dB, $\alpha$: %d, $N_a$: %d' %(sim_size,beta, alfa, N))
#fig.text(0.1,0.05,r'Realizações: %d, $\beta$: %d dB, $\alpha$: %.1f, $P_t :$ %.2f W, $\phi :$ %.1f, $\lambda_A$/$\lambda_E$: %.1f' %(sim_size, beta, alfa, P_t, phi, ce_ratio))
plt.show()