CN101026444A - 采用ofdma技术的系统的下行多用户资源分配方法 - Google Patents

Abstract

本发明一种采用OFDMA技术系统的下行链路多用户资源分配方法，包括以下步骤：A.对采用OFDMA技术系统的小区频谱占用状态进行检测，确定每个子带的发射功率模板；B.根据检测结果采用两层结构资源分配方法进行系统下行链路的资源分配，具体包括以下步骤：B1：将每个用户分配到发射功率模板分配其子带；B2：根据分配到的子带的信道功率增益信息，在每个子带内进行多用户的子信道、功率和速率分配。

Description

采用OFDMA技术的系统的下行多用户资源分配方法

技术领域

本发明涉及通信系统的用户资源分配方法，尤其是指一种采用OFDMA技术的系统的Qos进行下行多用户资源分配的方法。

背景技术

随着通信技术的迅速发展，正交频分复用(OFDM)已经成为未来的移动宽带无线网络的选择方案，而基于OFDM技术的无线网络技术也层出不穷。正交频分复用(OFDM)，多径衰落可以通过使用循环前缀有效的被克服，这样频率选择性信道可以转变为频域的多个平坦衰落信道。通过允许不同的用户在不同的子载波上传输，例如正交频分多址接入(OFDMA)技术，更灵活的资源调度方法能够被应用。目前，OFDMA技术已经被广泛地研究，作为包括IEEE 802.16标准中的WMAN的多址接入选项。如果发射机有可用信道信息，OFDMA系统的性能可以通过更有效地开采频域中的多用户分集进一步得到提升。以目前较为常用的基于OFDMA技术的WRAN系统为例，该系统的下行链路的多用户资源分配的时候，其采用的分配算法是用于执行IEEE 802.22需求文档定义的需求，例如对许可或免许可用户的干扰避免、工作频谱范围等。该算法也可以用于需要避免干扰特定用户群的一般WRAN系统。

WRAN系统的目标就是利用人口稀少地区很多许可信道经常不使用的优势为农村和郊区提供宽带接入。在IEEE 802.22 WRAN系统中，可利用的频谱包括覆盖VHF/UHF电视频段的47MHz-910MHz的范围。工作频谱大致可以分为五个频段，每个频段少于32个电视信道，每个电视信道为6，7或者8MHz。根据系统的功能需求，在基站和用户终端使用一套公共天线和RF前端不可能覆盖所有的频段，但是可以覆盖其中一个频段。虽然基站可以承担更高的复杂性和成本，实际上每个CPE很可能仅有一个子带，这里的子带指在一个电视信道内CPE在任何一个瞬时可以访问的OFDM符号。频段、子带、子信道和子载波如图1所示。

在WRAN系统中，应该尽可能避免WRAN系统对任何已有用户产生的干扰。所以在WRAN系统中，采用RF感应和数据分析模块必须对任何正在工作的已有发射机作出认知，并提供给该系统，以便系统以动态频率选择(DFS)的方式进行资源分配。DFS过程由用户选择、信道分配、速率匹配以及传输功率控制组成。该WRAN系统在不对许可用户的业务质量产生冲击的情形下提供QoS保障业务，其中基站和CPE必须建立主从关系，这样基站可以对CPE在功率等级、带宽使用和其他的传输参数如调制、编码和加密等方面进行管理。

在现有的802.22 WRAN系统中，需要考虑对已有用户尽量避免干扰，保护已有用户的正常工作，现有技术是采用基于认知无线电的方法来首先感知任何正在工作用户的信道和进行必要的信道切换，这种方法的详细执行过程可参看文献【C.R.Stevenson，C.Cordeiro，E.Sofer，and G.Chouinard，“FunctionalRequirements for the 802.22 WRAN Standard，”IEEE 802.22-05/0007r46，Sept.2005.】。

基于OFDMA网络中已有一些关于子载波/子信道分配问题的工作。在现有技术中，可以给定每个用户的速率限制，可以采用最小化总发射功率的一种子载波、比特和功率分配算法实现，将的整数规划问题通过引进时间共享因子概念被转变为凸面优化问题。优化解通过采用Lagrangian方法和一个搜索算法获得。在发射端利用信道信息被证明可以获得巨大的性能增益。其中所考虑的问题对于固定速率的业务尤其有用。

对于该问题，也可以采用低复杂性的自适应子载波分配过程。该方法可以包含每一个用户仅在被选择的子载波上的反馈信道和干扰信息，最后基站根据小区内业务流和其他小区的负荷做选择。另外还有采用两个次优自适应子载波分配方案被用于固定速率和变速率用户系统。在第一种方法中，可以同时对两种类型用户进行自适应调制。在第二种方法中，采用迭代过程用于依次为每种类型用户的分配子载波和比特和调整他们分配的子载波数目。

上述两种工作系统的应用重点都在单小区单频带(单OFDM符号)无线系统中。在US6718552 B1中提出，一个混合光纤同轴系统被用于覆盖作为CATV系统的～55MHz to～1000MHz的更宽频谱，类似于IEEE 802.22 WRAN系统频谱范围，将动态子信道分配用于提高信道带宽使用的效率。

基于OFDM的多小区同频干扰被考虑。一个小区的一个子信道的分配功率越高，对其他小区相同信道的干扰就越严重。为了最大化系统的频谱效率，子信道的功率级别以分布式方式控制。

在上述方案中，几乎没有考虑对于同一小区中不同系统占用同一频带的用户干扰。在WRAN系统中，例如IEEE 802.22系统，工作在同一频带的已有用户需要被保护。已有系统和WRAN系统之间的协同干扰控制测量是不可能的，由于已有系统是基于不同的系统结构，并且既不提供这样的功能而设计，也不能假定调整他们的发射功率来和WRAN系统用户共存。

由于802.22 WRAN系统特定系统参数区别于一般普通移动蜂窝网络，传统蜂窝网络的OFDMA资源分配算法并不能直接利用，在WRAN系统中，由于多径衰落造成信道幅度随着时间波动，除了要考虑衰减外，信道增益信息的获得对于优化系统的容量也是至关重要的。

综上所述，现有技术的方案存在以下的缺陷：

1、存在对WRAN系统中的已有用户以及有效子带内子信道和功率的干扰，不容易为系统的多个用户提供用户分级；

2、现有技术中不能保证信道量化的稳定性，并且信道的量化比较复杂；

3、现有技术中的多用户资源分配过程繁琐，只能在不对许可用户的业务质量产生冲击的情形下提供Qos保障业务。

发明内容

本发明提供一种基于OFDMA技术的系统的下行多用户资源分配算法，用以解决现有技术中存在对已有用户产生干扰、信道量化复杂不稳定以及分配过程繁琐的问题。

本发明的技术方案是这样实现的：

一种采用OFDMA技术系统的下行链路多用户资源分配方法，包括以下步骤：

A、对采用OFDMA技术系统的小区频谱占用状态进行检测，确定每个子带的发射功率模板；

B、根据检测结果采用两层结构资源分配方法进行系统下行链路的资源分配，具体包括以下步骤：

B1：将每个用户分配到发射功率模板分配其子带；

B2：根据分配到的子带的信道功率增益信息，在每个子带内进行多用户的子信道、功率和速率分配。

在步骤B1与步骤B2之间还包括根据子带分配结果进行信道功率信息反馈的步骤。

在基于OFDMA的WRAN系统中，在所述的步骤B1中，所述的小区被分为多个扇区，采用以下步骤进行子带的分配：

B11：排除扇区内发射功率模板小于门限值的子带；

B12：根据公式

$K_{b,c}=K^c\·\frac{f_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},l,c},\·\·\·,P_{\mathrm{mm},N_b,c})\·f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},\·\·\·,P_{\mathrm{mm},b,L})}{\underset{b=1}{\overset{N_b}{\mathrm{\Σ}}}{f}_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},l,c},\·\·\·,P_{\mathrm{mm},N_b,c})\·f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},\·\·\·,P_{\mathrm{mm},b,L})}$

计算每个扇区的每个子带分配的用户的数量；其中

P_mm，b，c＝所有子带内的子信道的最大可能传送功率；

K^c为扇区c内总的用户数，对于每个扇区c和子带b，被分配的用户数为K_b，c；

N_b为有用子带的数目，L为扇区数；

f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)表示扇区c内子带b内的子信道容量；

f_subband(P_mm，b，c|P_mm，l，c，…，P_mm，Nb，c)表示子带子信道不同扇区的相对数目分配；

B13、根据步骤B12的计算结果，将用户分配到各子带上。

采用一维的扇区内跨子带分配方法分配子带时，步骤B12中，f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)＝1；

$f_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},l,c},\·\·\·,P_{\mathrm{mm},N_b,c})=\log (1+{\mathrm{\γ}}_b{P}_{\mathrm{mm},b,c}),$ γ_b为平均信道增益对背景噪音的比例。

采用二维的跨扇区和子带分配方法分配子带时步骤B12中，

$f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},\·\·\·,P_{\mathrm{mm},b,L})=P_{\mathrm{mm},b,c}/\underset{c=1}{\overset{L}{\mathrm{\Σ}}}{P}_{\mathrm{mm},b,c}$

$f_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},l,c},\·\·\·,P_{\mathrm{mm},N_b,c})=\log (1+{\mathrm{\γ}}_b{P}_{\mathrm{mm},b,c}),$ γ_b为平均信道增益对背景噪音的比例。

所述步骤B13中，根据用户等级进行子带选择。

在所述的步骤B2中，采用以下公式进行子信道、功率以及速率的分配：

当 $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,i}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{P}_{k,n\left(i\right)}\≤P_{\mathrm{Total}}$

以及 $\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{P}_{k,n\left(i\right)}=P_{k,i};$

峰值功率满足

$0\≤P_{k,n\left(i\right)}\≤P_{k,n\left(i\right)}^{\mathrm{mask}}\≤P_{\mathrm{Total}}$ i∈{1，2，…，M}，k∈{1，2，…，K}，n(i)∈{1，2，…，N_i}

子信道的分配满足公式： $\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,i}\≤1$ i∈{1，2，…，M}；

进行用户加权容量的计算，采用公式

按照以下代价函数公式实现速率分配

$f_{k,i}\left(P_{k,i}\right)=\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{f}_{k,n\left(i\right)}\left(P_{k,n\left(i\right)}\right)$

$=\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{\log }_2(1+\frac{\mathrm{\β}{\left|\right|h_{k,n\left(i\right)}\left|\right|}^2{P}_{k,n\left(i\right)}}{{\mathrm{\σ}}_n^2})$

其中，P_k，n(i)和P_k，n(i) ^mask分别是用户k在子信道i的子载波n(i)上分配的发射功率和发射功率模板；ρ_k，i是一个共享因子，ρ_k，i＝1代表用户k占用了子信道i，ρ_k，i＝0则是相反，N_i是子信道i的子载波数目；参数w_k是预先确定的权值因子， $w_k={\mathrm{\α}}_k^{{-l}_{\mathrm{QoS}\_\mathrm{Class}\left(k\right)}};$ l_{QoS_Class(k)}(l_{Qos_Class}(K)≤0)代表优先级控制；α_k(0≤α_k≤1)代表速率控制；

‖h_k，n(i)‖²和P_k，n(i) ^mask分别为子信道i的子载波n(i)的信道功率增益和传输功率模板；参数β用来弥补理想功率需求(使用互信息计算得到)和实际中对于给定速率的调制方案所需要的传输功率之间的差距。

当ρ_k，i∈[0，1]，算法在log域完成，当 $\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{c}_{k,n\left(i\right)}\≤P_{\mathrm{Total}}$ 以及 $\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,i}\≤1$ i∈{1，2，…，M}

ρ_k，i作为一个时间共享因子；c_k，n(i)＝ρ_k，iP_k，n(i)作为用户k子信道i的子载波n上的时间平均功率。

进行子信道、功率以及速率的分配的具体步骤为：

步骤1：设定Ω.初始值Ω＝0；

步骤2：对给定Ω.值为每个子信道的选择最优CPE根据下面的条件为子信道i选择CPE  $k(p_{k,j}^{*}=1):$

这里

$G_{k,i}\left(\mathrm{\Ω}\right)=w_k(\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{f}_{k,n\left(i\right)}\left({f^{\′}}_{k,n\left(i\right)}^{-1}\left(\frac{\widetilde{\mathrm{\Ω}}}{w_k}\right)\right)-\frac{\widetilde{\mathrm{\Ω}}}{w_k}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{f^{\′}}_{k,n\left(i\right)}^{-1}\left(\frac{\widetilde{\mathrm{\Ω}}}{w_k}\right))$

定义为

步骤3：对给定Ω.值为每个CPE计算最优分配功率

用户k子信道i上的最优平均功率：

$c_{k.n\left(i\right)}^{*}={\mathrm{\ρ}}_{k.i}^{*}{f^{\′}}_{k,n\left(i\right)}^{-1}\left(\frac{\widetilde{\mathrm{\Ω}}}{w_k}\right)={\mathrm{\ρ}}_{k.i}^{*}(\frac{w_k}{\widetilde{\mathrm{\Ω}}}-\frac{{\mathrm{\σ}}_n^2}{\mathrm{\β}{\left|\right|h_{k,n\left(i\right)}\left|\right|}^2})$

步骤4：精确调整Ω.

当 $\left(\right|\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{c}_{k,n\left(i\right)}-P_{\mathrm{Total}}|>\mathrm{\ϵ}),$ 对于预先确定的容忍度ε，

如果 $(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\Σ}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$

Ω_lower＝Ω；

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}<P_{\mathrm{Total}}),$

Ω_upper＝Ω；

Ω＝(Ω_lower+Ω_upper)/2；

返回步骤2。

在步骤4的精细调整Ω.步骤之前还包括粗略调整步骤31：

如果Ω＝0， $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$ 则选择满足Ω＞0一个较小的；

返回步骤2；

否则获得最优解；算法中止；

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$ Ω_lower＝Ω；Ω＝2Ω；返回步骤2；

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}<P_{\mathrm{Total}}),$ 转到步骤4；

否则获得最优解；算法中止。

当精调整已经执行了预设的最大次数时，依据两个子信道功率的振荡临界状态 $P_u=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{k,i}>P_{\mathrm{Total}}$ 和 $P_l=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{k,i}<P_{\mathrm{Total}}$ 计算一个共享比率(θ_u∶θ_l)

${\mathrm{\&theta;}}_l=\frac{P_{\mathrm{Total}}-P_l}{P_u-P_l}$

其中(θ_u＝1-θ_u).。

不能进行时间共享时，进行子信道、功率以及速率的分配的具体步骤为：

步骤1′：选择最接近总功率约束的那组子信道分配结果，；

步骤2′：基于步骤1′的分配结果执行最优功率分配，即上述步骤3至步骤4对总功率的调较；其中步骤2中的子信道分配则固定于这个最接近总功率约束的分配。

不能进行时间共享时，进行子信道、功率以及速率的分配的具体步骤为：

直接选择总功率比总功率约束小的那组子信道、功率和速率分配结果分配。

本发明有益效果如下：

1、本发明关于WRAN系统下行链路的DFS模块的多用户资源分配方法，本发明采用了两层结构的资源分配方式，在考虑扇区的频谱结构(频带、子带、子信道、子载波)和约束条件(CPE和基站的子带接入限制)的情况下为不同的用户分配频率信道、功率和速率，在可以允许的复杂度下避免对已有用户的干扰，为小区内的用户预分配子带以及有效地在子带内分配子信道和功率；

2、本发明采用的算法是能保证信道量化的稳定性，信道的量化比较简单；

3、本发明能在保证Qos业务的同时实现多用户资源分配过程。

附图说明

图1说明WRAN系统频段，子带，子信道和子载波的关系。

图2本发明的多用户子信道，功率和速率分配方法的双层结构图。

图3本发明中采用的扇区示意图。

图4子带和子信道分配结果示意图。

图5本发明所述的方法中分配层1子带分配例子中使用的功率模板。

图6本发明三种分配方法的子信道数目分配结果和子信道平均容量表格。

图7本发明三种分配方法的子带分配的用户数目分配结果和用户平均传送率。

图8采用曲线说明本发明的分配方法的信道量化对速率和信道量化的影响。

图9采用曲线说明信道量化对理想子信道和功率分配算法的速率和的百分比影响。

图10所示为算法的复杂性，根据不同的FFT的算法收敛需要的迭代次数。

图11采用3-bit信道反馈量化下出现子信道的共享百分比。

图12所示为理想子信道和功率分配使用共享因子量化的子信道共享情形下速率和的损失百分比。

具体实施方式

本发明提出一种基于OFDMA技术的系统的下行链路多用户资源分配方法，包括以下步骤：

A、对基于OFDMA技术的系统的小区内频谱占用状态进行检测，确定每个子带的发射功率信息；

B、根据检测结果采用两层资源分配方法进行系统下行链路的资源分配。

在本实施例中，以IEEE 802.22 WRAN系统为例进行说明，即在WRAN系统下行链路中使用本发明的多用户资源分配算法，在本发明中可以对于已有用户的干扰避免通过采用两层子带和子信道分配结构以及尖峰功率的使用实现，具体原理和步骤如下所述。

在本发明中，考虑到已有用户系统和WRAN系统无法协作，因此在进行子带分配之前通过在WRAN发射机中采用预防性测量的方式来避免对已有用户造成干扰，其中所述的预防性测量是指出采用现有的检测技术对小区中的频谱进行检测，以确定可用信道。

另外在下行链路中，另一个问题就是有效的对小区覆盖，WRAN系统对于已有用户的位置非常敏感，如果WRAN系统的基站采用全向发射，同时在基站附近有一个许可用户工作在相同的频带上，那么覆盖范围将会严重缩小，由于基站-许可用户之间的信道在WRAN系统的基站是未知的，所以同样的问题对于采用多个天线的非全向发射也一样存在。而且工作在同一频带(例如TV节目用户)的已有用户数目也是未知的，并不在少数。因此在本发明中，扇区化天线被用于802.22 WRAN系统下行链路，使用这种方法，一个子带有效小区覆盖的减小将依赖于扇区而不是整个小区。

虽然一个基站可以接入小区内所有子带，但是在实际应用中，由于实现和成本的限制，很有可能每一个CPE在任何时刻只接入一个子带。因此，对于CPE来说不太可能同时进行多个频带的信道，相反，每个CPE仅做一个频段的信道估计。

在本发明的方法中，步骤B中的动态多用户资源分配方法采用两层资源分配方法，参考图2所示，具体包括以下步骤：

B1：将每个用户分配到发射功率大于设定门限值的子带上；；

B2：获知每个子带的信道增益，在每个子带内进行多用户的子信道、功率和速率分配。

在本发明中，采用一个峰值功率约束，也就是将传输功率模板被强加在每个子带，低于功率模板的发送不会对已有用户产生干扰，或者更准确地说对已有用户的干扰被控制在容忍范围。

在本发明中的设计了两层资源分配算法。层1协议负责分配不同的子带给用户，在提出的层1算法中，不同扇区内的每个子带的发射功率模板可以被利用来帮助确定分配给每个扇区内子带的用户数目，扇区的示意图可见图3的内容。子带的拥塞现象因此能够被减轻，其具体算法和效果详见以下内容：

分配层1：子带分配

在层1算法中，系统有足够多的用户以至多用户分集的增益能够被有效的利用，也就是说被采用的子信道均是好的，CPE被预分配一个子带，和其他的CPE对于资源的进一步竞争将会在层2的资源分配过程中进行。由已有用户的操作决定的传输功率模板值，该传输功率模板值被假设比信道变化更慢。这个信息通过RF感应和数据分析单元获得，WRAN基站应该在每个调度周期(资源分配周期)开始时准备好。基于发射功率模板信息，每个扇区的用户将被分配不同的子带，不同扇区的CPE可以分配到相同子带但是不同的子信道。具体的例子如图4所示，具体分配步骤过程如下：

步骤B11：对于每一个扇区，排除那些无益的子带，这些无益子带定义为发射功率模板小于门限的子带。

步骤B12：根据以下公式(1a)

$K_{b,c}=K^c\&CenterDot;\frac{f_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},l,c},\&CenterDot;\&CenterDot;\&CenterDot;,P_{\mathrm{mm},N_b,c})\&CenterDot;f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},\&CenterDot;\&CenterDot;\&CenterDot;,P_{\mathrm{mm},b,L})}{\underset{b=1}{\overset{N_b}{\mathrm{\&Sigma;}}}{f}_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},l,c},\&CenterDot;\&CenterDot;\&CenterDot;,P_{\mathrm{mm},N_b,c})\&CenterDot;f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},\&CenterDot;\&CenterDot;\&CenterDot;,P_{\mathrm{mm},b,L})}---\left(1a\right)$

计算每个扇区的子带分配的用户的数量；

其中：P_mm，b，c表示该子带内子信道的最大可能传送功率；K^c为扇区c内总的用户数，对于每个扇区c和子带b，被分配的用户数K_b，c，；N_b为有用子带的数目；L为扇区数；

在此公式中，f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)和f_subband(P_mm，b，c|P_mm，l，c，…，P_mm，Nb，c)应该为P_mm，b，c的非减函数，f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)表示扇区c内子带b内的子信道容量；f_subband(P_mm，b，c|P_mm，l，c，…，P_{mm，N，b，c})表示子带子信道不同于扇区的相对数目分配。

在本发明中，再以最大化最小的用户平均传送率作为目标时，采用一维的扇区内跨子带分配法进行子带分配时，将上述公式(1a)中的函数f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)设定为

f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)＝1

$f_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},1,c},\&CenterDot;\&CenterDot;\&CenterDot;,P_{\mathrm{mm},N_b,c})=\log (1+{\mathrm{\&gamma;}}_b{P}_{\mathrm{mm},b,c}).---\left(1b\right)$

其中γ_b为平均信道增益对背景噪音的比例(average channel gain to noiseratio)。

该一维的扇区内跨子带分配法代表用户的分配只取决于同一扇区内而非他区的功率模板，同时也隐含着所有子带给分配到的子信道数目是一样的。

在分配层1中也可以采用二维的跨扇区和子带分配法进行子带分配，采用该方法分配时，上述公式(1a)中的函数：

$f_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},1,c},\&CenterDot;\&CenterDot;\&CenterDot;,P_{\mathrm{mm},N_b,c})=\log (1+{\mathrm{\&gamma;}}_b{P}_{\mathrm{mm},b,c})---\left(1b\right)$

其中γ_b为平均信道增益对背景噪音的比例；

$f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},\&CenterDot;\&CenterDot;\&CenterDot;,P_{\mathrm{mm},b,L})=P_{\mathrm{mm},b,c}/\underset{c=1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_{\mathrm{mm},b,c}---\left(1c\right)$

该二维算法与上述一维不同的是这次扇区外的功率模板也同时用上了，f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)的选取表达出一个合理的假设，就是功率模板较大的扇区在特定子带里给分配到的子信道数目将较其余功率模板较小的扇区为多。

在层1的计算中，以以下设定为例子结合附图进行说明：

(a)系统有足够多的用户以至多用户分集的增益能够被有效的利用，也就是说被采用的子信道均是好的；

(b)子信道数目将按照equ.(1c)分配.

(c)系统有三个扇区和两个子带，每个子带有四十个子信道。每个扇区则有六十个用户。

(d)将equ.(1b)中的γ_b设定为1。

图7显示三种分配层1中的子带分配法的用户数目分配结果和用户平均传送率。根据图7所示，其中平均用户分配法、一维的扇区内跨子带分配法及二维的跨扇区和子带分配法所得出的最小用户平均传送率分别为0，1.1714及1.4287。与平均用户分配法相比较，一维的扇区内跨子带分配法把扇区3内的所有用户都分配到子带1上，避免了子带2的零功率模板对平均用户分配法所构成的零用户平均传送率这影响。

至于二维的跨扇区和子带分配法比起一维的好处则实践于扇区1的用户分配。二维的分配法把扇区1内较多的用户分配给子带2，从而提升了扇区1的最小用户平均传送率。除了能够避免零功率模板所造成的零传送率这种不利的影响外，二维的分配法还同时考虑了扇区2及3在子带1上拥有较大功率模板、以及扇区1在子带2的相对大功率模板这两项特性，就是大部份子带1的子信道会因而给分配到扇区2及3以及大部份子带2的子信道会被分配到扇区1。

总的来说，分配层1有效地利用了功率模板作子带用户数目分配，避免不平衡的子带负载。而子带里的优化则由接下来的分配层2运算法处理。

在本发明中，对每个扇区的子带分配的用户的数量计算后还包括步骤B13：在扇区c为子带b随机选择K_b，c个用户，该步骤是厂商具体实现方法，如可以基于用户等级分配这样高级别的用户可以分配到较大的功率模板的子带，或者依据其他的用户参数进行分配。

在图5至图7的例子说明了STEP 2中的利用一维(扇区内)和二维(跨扇区和子带)功率模板代替用户平均分配的影响以及，每个扇区的用户在不同子带的分配比率的效果。当中采用了两种不同的用户分配方法作为与平均分配法的比较。两种方法均参考了功率模板，分别为一维的扇区内跨子带分配法和二维的跨扇区和子带分配法，前者只利用扇区内的功率模板而后者则是扇区内外的也用上。

分配层2：子带内子信道、功率和速率分配

本发明的分配层2：协议负责分配子信道和功率给不同的用户，目标是最大化子带容量。在采用的层2算法中，引进了一个灵活的结构用于允许优先级传输和用户公平性控制同时最大化子带的吞吐量。该最大化子带吞吐量可以通过加权吞吐量获得，这里权值能够被用来支持前面提到的功能。关于目标误码率的QoS能够被保证，将会在下面描述的详细算法中说明，该算法对于信道量化具有强稳定性。

层2资源分配算法每个CPE分配子带的信道功率增益信息的影响。信道增益可以通过反馈或者利用TDD系统的信道上下行信道的对称获得。由于802.22是一个固定宽带无线系统，多普勒频扩展很小，相干时间足够大可以支持每次调度任务的信道功率增益信息的准确可用性。

假设子带内的子载波有不同的信道增益。简单起见，层1中所用的公式中的符号K_b中的符号b被忽略。这个问题可以表示为：

$\underset{\left\{\begin{array}{c}{\mathrm{\&rho;}}_{k,i}\&Element;\left\{\mathrm{0,1}\right\},\\ P_{k,i}\&GreaterEqual;0\end{array}\right\}}{\max }\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_k\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}{f}_{k,i}\left(P_{k,i}\right)---\left(2a\right)$

约束条件为：

(总功率约束) $\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{P}_{k,n\left(i\right)}\&le;P_{\mathrm{Total}}---\left(2b\right)$

以及 $\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{P}_{k,n\left(i\right)}=P_{k,i},---\left(2c\right)$

(每个子信道最多一个用户) $\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}\&le;1$ i∈{1，2，…，M}    (2d)

(峰值功率限制)

$0\&le;P_{k,n\left(i\right)}\&le;P_{k,n\left(i\right)}^{\mathrm{mask}}\&le;P_{\mathrm{Total}}$ i∈{1，2，…，M}，k∈{1，2，…，K}，n(i)∈{1，2，…，N_i}    (2e)

其中P_k，n(i)和P_k，n(i) ^mask分别是用户k在子信道i的子载波n(i)上分配的发射功率和发射功率模板。N_i是子信道i的子载波数目。发射功率模板通过RF感应和数据分析模块获得，对于相同扇区一个子载波对所有用户是一样的。参数w_k是预先确定的权值因子，表征了用户等级、业务等级、延时限制以及用户优先级队列情况混合结果。w_k的一个例子为：

$w_k={\mathrm{\&alpha;}}_k^{{-l}_{\mathrm{QoS}\_\mathrm{Class}\left(k\right)}}---\left(2f\right)$

这里l_{QoS_Class(k)}(l_{QoS_Class}(k)≤0)代表优先级控制和α_k(0≤α_k≤1)代表速率控制。代价函数f_k，i(P_k，i)定义为

$f_{k,i}\left(P_{k,i}\right)=\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}\left(P_{k,n\left(i\right)}\right)$

$=\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{\log }_2(1+\frac{\mathrm{\&beta;}{\left|\right|h_{k,n\left(i\right)}\left|\right|}^2{P}_{k,n\left(i\right)}}{{\mathrm{\&sigma;}}_n^2})---\left(2g\right)$

其中‖h_k，n(i)‖²和P_k，n(i) ^mask分别为子信道i的子载波n(i)的信道功率增益和传输功率模板。参数β用来弥补理想功率需求(使用互信息计算得到)和实际中对于给定速率的调制方案所需要的传输功率之间的差距，例如在现有技术中该 $\mathrm{\&beta;}=\frac{1.5}{-\ln \left(5\mathrm{BER}\right)}.$ 上面的方程也能够用于一个子信道内所有子载波平均信道增益，在这种情况下每个子载波的信道增益将会用子信道平均值。对于在相干带宽内的子载波，这种平均近似法可以作为一种降低复杂性的方法。如果在一个子信道内的功率模板值是一样的，那么整个计算量将会降低一个因子(一个子信道的子载波数量)。

在本发明中，可以放宽ρ_k，i∈{0，1}到ρ_k，i∈[0，1]，问题可以重新表示为凸面优化和可用的有效算法。为简化起见而不失一般性，算法在log域完成(代替log₂)。

问题可以重新表示为

$\underset{\left\{\begin{array}{c}0\&le;{\mathrm{\&rho;}}_{k,i}\&le;1,\\ 0\&le;c_{k,n\left(i\right)}\&le;{\mathrm{\&rho;}}_{k,n\left(i\right)}{P}_{k,n\left(i\right)}^{\mathrm{mask}}\end{array}\right\}}{\max }\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_k\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}\left(\frac{c_{k,n\left(i\right)}}{{\mathrm{\&rho;}}_{k,i}}\right)---\left(3a\right)$

约束条件为

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}\&le;P_{\mathrm{Total}}---\left(3b\right)$

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}\&le;1$ i∈{1，2，…，M}    (3c)

这里ρ_k，i作为一个时间共享因子。c_k，n(i)＝ρ_k，iP_k，n(i)作为用户k子信道i的子载波n上的时间平均功率。

分配层2的具体算法如下：

步骤1：算法初始化

初始化Ω＝0。Ω是一个拉格朗日参数，必须为非负，其值越小，CPE获得资源机会越大。

步骤2：对给定Ω.值为每个子信道的选择最优CPE，如果对于子信道i，取G_k，i(Ω)最大的CPE k。

根据下面的条件(准则)为子信道i选择CPE $k({\mathrm{\&rho;}}_{k,j}^{*}=1):$

${\mathrm{\&rho;}}_{k,i}^{*}\left\{\begin{array}{cc}=1& \mathrm{if}{C}_{k,i}\left(\mathrm{\&Omega;}\right)=\underset{k}{\max }\left(G_{k,i}\left(\mathrm{\&Omega;}\right)\right)\\ =0& \mathrm{otherwise}\end{array}\right.\&ForAll;i---\left(4a\right)$

这里

$G_{k,i}\left(\mathrm{\&Omega;}\right)=w_k(\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}\left({f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)\right)-\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f^{\&prime;}}_{k.n\left(i\right)}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right))---\left(4b\right)$

定义为

$\widetilde{\mathrm{\&Omega;}}=\left\{\begin{array}{ccc}{w}_k{f^{\&prime;}}_{k,n\left(i\right)}\left(P_{k,n\left(i\right)}^{\mathrm{mask}}\right)& & \mathrm{if}{f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\mathrm{\&Omega;}}{w_k}\right)>P_{k,n\left(i\right)}^{\mathrm{mask}}\\ \mathrm{\&Omega;}& & \mathrm{if}0\&le;{f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\mathrm{\&Omega;}}{w_k}\right)\&le;P_{k,n\left(i\right)}^{\mathrm{mask}}\\ w_k{f^{\&prime;}}_{k,n\left(i\right)}\left(0\right)& & \mathrm{if}{f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\mathrm{\&Omega;}}{w_k}\right)<0\end{array}\right.---\left(4c\right)$

步骤3：对给定Ω.值为每个CPE计算最优分配功率

用户k子信道i上的最优平均功率：

$c_{k.n\left(i\right)}^{*}={\mathrm{\&rho;}}_{k.i}^{*}{f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)={\mathrm{\&rho;}}_{k.i}^{*}(\frac{w_k}{\widetilde{\mathrm{\&Omega;}}}-\frac{{\mathrm{\&sigma;}}_n^2}{\mathrm{\&beta;}{\left|\right|h_{k,n\left(i\right)}\left|\right|}^2})---\left(4d\right)$

步骤4：粗略调整Ω.的步骤：

如果Ω＝0， $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$

选择满足Ω＞0一个较小的，返回步骤2。

否则，获得最优解；算法中止。

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$ Ω_lower＝Ω；Ω＝2Ω；返回步骤2；

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}<P_{\mathrm{Total}}),$ 转到步骤5。

否则，获得最优解；算法中止。

步骤5：精确调整Ω.

当 $\left(\right|\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}-P_{\mathrm{Total}}|>\mathrm{\&epsiv;}),$ 对于预先确定的容忍度ε，

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$ Ω_lower＝Ω；

如果 $\left(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}{<P}_{\mathrm{Total}}\right),$ Ω_upper＝Ω；

Ω＝(Ω_lower+Ω_upper)/2；

重复步骤2和3。

当检测到振荡时，也就是精调整已经执行了预设的最大次数时，可以依据两个振荡临界状态 $P_u=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{k,i}>P_{\mathrm{Total}}$ 和 $P_l=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{k,i}>P_{\mathrm{Total}}$ 计算一个共享比率(θ_u∶θ_l)

${\mathrm{\&theta;}}_u=\frac{P_{\mathrm{Total}}-P_l}{P_u-P_l}---\left(4e\right)$

其中(θ_i＝1-θ_u).    (4f)

因此平均的总功率的约束是可以满足的。上面的算法会收敛到重新表述问题的最优分配。

对分配层2的算法，例如，可假设每个子载波都是等同独立分布的瑞利衰落信道。每个小区被分成3个扇区，扇区间不允许子信道复用。假定不同FFT块都包含64个子信道。这个图的目的是说明不同参数对目标属性而不是实际的数据速率上的影响，实际的数据速率可能会依赖于信道、噪声等。在图8中FFT 1024和总功率设置以便每个子载波上的平均信噪比为17dB。假设子载波的发射功率模板是独立的并且SNR在0dB到40dB范围内恒定分布。

图8至12说明了本算法的性能。由图8可以得出，本发明的算法在性能上远优于随机分配子信道和依据功率模板进行峰值功率限幅的等功率分配算法，也优于采用优化功率分配后的算法的性能。

图9所示的简单的信道量化算法，例如使用3比特做序列量化时，速率和的损失仅为1％。甚至使用1比特量化时，算法性能也是相当不错的(约9.5％的损失)。

图10说明了我们所提算法的3比特量化的复杂度。在很高的功率约束精度下，如99.999998％，该算法的收敛仅需要约30次迭代，每次迭代包含一系列前面说明的功率和速率的计算操作ξ。表明我们的算法只是需要如下次数的操作ξ：

(用户数量)*(子载波或子信道数量^备注1)*(迭代次数)    (5)

其中备注1表示一个子信道内采用相同的信道增益和功率模板。

这里迭代次数与O(log(FFT Size))相当，并假定所有FFT规格下子信道的数目是相同的。

图11中说明一个子信道被多个用户共享的百分比是很小的，大约只有2％。当时间共享不可用并采纳了前述的算法2时，相应的速率和百分比损失约为0.01％；图12是使用理想子信道和功率分配使用信道共享量化因子的情形。相比之下，总的速率和损失是可以忽略的。

在上述的层2资源分配算法的步骤2中，(4a)至(4c)的推算步骤为：

公式(3a)，(3b)，(3c)所表示的凸面优化问题可透过Lagrangian方法和Karsh-Kuhn-Tucker(KKT)条件来解决。其中Lagrangian表达式为：

$L=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_k\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}\left(\frac{c_{k,n\left(i\right)}}{{\mathrm{\&rho;}}_{k,j}}\right)-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}-1)-\mathrm{\&Omega;}(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}-P_{\mathrm{total}})---\left(6a\right)$

这里，λ_i和Ω皆为Lagrange乘积因子。最优化的c_k，n(i)值(c_k，n(i) ^*)和ρ_k，i值(ρ_k，i ^*)与及Lagrange乘积因子将必须符合以下6(b)至6(f)的KKT条件：

$\frac{\&PartialD;L}{\&PartialD;c_{k,n\left(i\right)}}{|}_{(c_{k,n\left(i\right)},{\mathrm{\&rho;}}_{k,i})=(c_{k.n\left(i\right)}^{*},{\mathrm{\&rho;}}_{k.i}^{*})}=w_k{f^{\&prime;}}_{k,n\left(i\right)}\left(\frac{c_{k.n\left(i\right)}^{*}}{{\mathrm{\&rho;}}_{k.i}^{*}}\right)-\mathrm{\&Omega;}\left\{\begin{array}{ccc}>0& & \mathrm{if}{c}_{k.n\left(i\right)}^{*}={\mathrm{\&rho;}}_{k,i}{P}_{k,n\left(i\right)}^{\mathrm{mask}}\\ =0& & \mathrm{if}{c}_{k.n\left(i\right)}^{*}\&Element;(0,{\mathrm{\&rho;}}_{k,i}{P}_{k,n\left(i\right)}^{\mathrm{mask}})\\ <0& & \mathrm{if}{c}_{k.n\left(i\right)}^{*}=0\end{array}\right.---\left(6b\right)$

$\frac{\&PartialD;L}{\&PartialD;{\mathrm{\&rho;}}_{k,i}}{|}_{(c_{k,n\left(i\right)},{\mathrm{\&rho;}}_{k,i})=(c_{k.n\left(i\right)}^{*},{\mathrm{\&rho;}}_{k.i}^{*})}=w_k\left(\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}\right(\frac{c_{k.n\left(i\right)}^{*}}{{\mathrm{\&rho;}}_{k,.i}})-\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}\frac{c_{k.n\left(i\right)}^{*}}{{\mathrm{\&rho;}}_{k.i}^{*}}{f^{\&prime;}}_{k,n\left(i\right)}\left(\frac{c_{k.n\left(i\right)}^{*}}{{\mathrm{\&rho;}}_{k,i}}\right))-{\mathrm{\&lambda;}}_i\mathrm{\&Omega;}\left\{\begin{array}{ccc}>0& \mathrm{if}& {\mathrm{\&rho;}}_{k.i}^{*}=1\mathrm{\&rho;}\\ =0& \mathrm{if}& {\mathrm{\&rho;}}_{k.i}^{*}\&Element;(0,1\mathrm{\&rho;})\\ <0& \mathrm{if}& {\mathrm{\&rho;}}_{k.i}^{*}=0\end{array}\right.$

(6c)

λ_i，Ω≥0    (6d)

$\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}-1)=0---\left(6e\right)$

$\mathrm{\&Omega;}(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}-P_{\mathrm{total}})=0.---\left(6f\right)$

公式(6b)中的

是

对

(即P_k，n(i))的微分。

$\frac{c_{k.i}^{*}}{{\mathrm{\&rho;}}_{k.i}^{*}}={f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\mathrm{\&Omega;}}{w_k}\right).---\left(6g\right)$

这里， 是

的反函数，Ω值越大，c_k，i ^*值则越小。基于最大发射功率模板的限制，c_k，i ^*必须处于[0，P_k，n(i) ^mask]范围以内。公式(6g)故可以写成

$\frac{c_{k.i}^{*}}{{\mathrm{\&rho;}}_{k.i}^{*}}={f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right).---\left(6h\right)$

注意当 ${\mathrm{\&rho;}}_{k.i}^{*}=0,$ $c_{k.n\left(i\right)}^{*}=0.$

则定义为(即公式(4c))

$\widetilde{\mathrm{\&Omega;}}=\left\{\begin{array}{ccc}{w}_k{f^{\&prime;}}_{k,n\left(i\right)}\left(P_{k,n\left(i\right)}^{\mathrm{mask}}\right)& & \mathrm{if}{f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\mathrm{\&Omega;}}{w_k}\right)>P_{k,n\left(i\right)}^{\mathrm{mask}}\\ \mathrm{\&Omega;}& & \mathrm{if}0\&le;{f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\mathrm{\&Omega;}}{w_k}\right)\&le;P_{k,n\left(i\right)}^{\mathrm{mask}}\\ w_k{f^{\&prime;}}_{k,n\left(i\right)}\left(0\right)& & \mathrm{if}{f^{\&prime;}}_{k,n\left(i\right)}^{-1}\left(\frac{\mathrm{\&Omega;}}{w_k}\right)<0\end{array}\right.---\left(6i\right)$

公式(6c)中的 $w_k(\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}\left(\frac{c_{k.n\left(i\right)}^{*}}{{\mathrm{\&rho;}}_{k,i}}\right)-\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}\frac{c_{k.n\left(i\right)}^{*}}{{\mathrm{\&rho;}}_{k.i}^{*}}{f^{\&prime;}}_{k,n\left(i\right)}\left(\frac{c_{k.n\left(i\right)}^{*}}{{\mathrm{\&rho;}}_{k,i}}\right))$ 可以写成

$w_k(f_{k,i}\left({f^{\&prime;}}_{k,i}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)\right)-\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}{f^{\&prime;}}_{k,i}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)).$

为方便起见我们把后者用G_k，i(Ω)来表达(即公式4(b))

$G_{k,i}\left(\mathrm{\&Omega;}\right)=w_k(f_{k,i}\left({f^{\&prime;}}_{k,i}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)\right)-\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}{f^{\&prime;}}_{k,i}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)---\left(6j\right)$

这表达式反映出Greedy运算法中使用的速率因子 $\left(w_k{f}_{k,i}\left({f^{\&prime;}}_{k,i}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)\right)\right)$ 以及一个寻找最优答案所需的补偿值 $\left(w_k\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}{f^{\&prime;}}_{k,i}^{-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)\right).$ 从6(c)和6(j)我们可以得出

${\mathrm{\&rho;}}_{k.i}^{*}\left\{\begin{array}{cc}=1& \mathrm{if}{G}_{k,i}\left(\mathrm{\&Omega;}\right)=\underset{k^{\&prime;}}{\max }\left(G_{k^{\&prime;},i}\left(\mathrm{\&Omega;}\right)\right)\&NotEqual;G_{k^{\&prime;},i}\left(\mathrm{\&Omega;}\right)\&ForAll;k^{\&prime;}\&NotEqual;k\\ \&Element;\left(\mathrm{0,1}\right)& \mathrm{if}{G}_{k,i}\left(\mathrm{\&Omega;}\right)=\underset{k^{\&prime;}}{\max }\left(G_{k^{\&prime;},i}\left(\mathrm{\&Omega;}\right)\right)=G_{k^{\&prime;},i}\left(\mathrm{\&Omega;}\right)\mathrm{forsome}{k}^{\&prime;}\\ =0& \mathrm{otherwise}\end{array}\right.\&ForAll;i---\left(6k\right)$

若ρ_k，i ^*∈(0，1)，那么这代表有其他用户与其共同享有这个子信道．基于OFDMA的特性，这种共享只能够在时间上(时间上的共享)实现。反过来说，若ρ_k，i ^*∈{0，1}，我们则可根据下面的准则(即公式4(a))为子信道i选择CPE $k({\mathrm{\&rho;}}_{k,i}^{*}=1):$

${\mathrm{\&rho;}}_{k,i}^{*}\left\{\begin{array}{cc}=1& \mathrm{if}{C}_{k,i}\left(\mathrm{\&Omega;}\right)=\underset{k}{\max }\left(G_{k,i}\left(\mathrm{\&Omega;}\right)\right)\\ =0& \mathrm{otherwise}\end{array}\right.\&ForAll;i.---\left(6l\right)$

也就是说

$k^{*}=\arg \underset{k}{\max }{G}_{k,i}\left(\mathrm{\&Omega;}\right).---\left(6m\right)$

通过我们之前的运算法，两种情况均能够顺利解决。我们可以先假设只有后者的情况然后进行调较，待遇到前者的情况时才再算出时间共享的比例(请参阅III(b)公式4(e)和4(f))。请注意，Ω值决定了发射总功率，通过本发明的迭代式运算法，Ω将被调较至最终符合最大发射总功率的最优值。

在需要时间共享的情况下，我们会发现在调教Ω值的过程中有两组子信道的分配结果在振荡，一组子信道分配结果会使得总发射功率超出最大可发射功率的限制，而另一组则是小于最大可发射功率的限制，如果系统不能应用时间共享(time-sharing)，可以用下面的算法(仿真结果表明几乎没有性能损失)。

算法1：

步骤1′：选择最接近总功率约束(最大可发射功率)的那组子信道分配结果。

步骤2′：基于这个分配结果执行最优功率分配，该最优功率是指对于所有用户的整个功率分配最优的结果，即采用上述具体算法中的步骤3至步骤5对总功率的调较，其中步骤2中的子信道分配则固定于这个最接近总功率约束的分配。

算法2：

直接选择总功率比总功率约束小的那组子信道、功率和速率分配结果。

在实际系统中，信道信息的完全反馈是不可能的，相反只能获得有限位的信道信息。下面提出一种简单的信道量化算法，它用一个代表信道功率增益估计的量化表中的序号作为反馈信息。

本发明还可以采用量化查找表构造，也就是一个量化的信道增益表的对数表，使用这个表格实现了解决信道增益反馈开销和信道增益信息反馈失真的折中。该量化表构造：

1.获得信道功率增益分布。

2.用一个期望发生概率来标识信道功率的范围，比如90％。

3.在对数域等分相应的范围。

4.把门限值设为在每个对数域间隔的中间值。

5.将对数域各门限转换成初始域中的相应门限。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (13)

1、一种采用OFDMA技术系统的下行链路多用户资源分配方法，其特征在于，包括以下步骤：

A、对采用OFDMA技术系统的小区频谱占用状态进行检测，确定每个子带的发射功率模板；

B、根据检测结果采用两层结构资源分配方法进行系统下行链路的资源分配，具体包括以下步骤：

B1：将每个用户分配到发射功率模板分配其子带；

B2：根据分配到的子带的信道功率增益信息，在每个子带内进行多用户的子信道、功率和速率分配。

2、根据权利要求l所述的方法，其特征在于，在步骤B1与步骤B2之间还包括根据子带分配结果进行信道功率信息反馈的步骤。

3、根据权利要求1所述的方法，其特征在于，在基于OFDMA的WRAN系统中，在所述的步骤B1中，所述的小区被分为多个扇区，采用以下步骤进行子带的分配：

B11：排除扇区内发射功率模板小于门限值的子带；

B12：根据公式

$K_{b,c}=K^c.\frac{f_{\mathrm{subband}\left(P_{\mathrm{mm}.b,c}\right|P_{\mathrm{mm},1,c},...,P_{\mathrm{mm},N_{b,c}}).f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},...,P_{\mathrm{mm},b,L})}}{\underset{b=1}{\overset{N_b}{\mathrm{\&Sigma;}}}{f}_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},1,c},...,P_{\mathrm{mm},N_b,c}).f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},...,P_{\mathrm{mm},b,L})}$

计算每个扇区的每个子带分配的用户的数量；其中

P_mm，b，c＝所有子带内的子信道的最大可能传送功率；

K^c为扇区c内总的用户数，对于每个扇区c和子带b，被分配的用户数为K_b，c；

N_b为有用子带的数目，L为扇区数；

f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)表示扇区c内子带b内的子信道容量；

f_subband(P_mm，b，c|P_mm，l，c，…，P_mm，Nb，c)表示子带子信道不同扇区的相对数目分配；

B13、根据步骤B12的计算结果，将用户分配到各子带上。

4、根据权利要求2所述的方法，其特征在于：采用一维的扇区内跨子带分配方法分配子带时，步骤B12中，f_sector(P_mm，b，c|P_mm，b，c，…，P_mm，b，L)=1；

$f_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},1,c},...,P_{\mathrm{mm},N_b,c})=\log (1+{\mathrm{\&gamma;}}_b{P}_{\mathrm{mm},b,c}),$ γ_b为平均信道增益对背景噪音的比例。

5、根据权利要求2所述的方法，其特征在于，采用二维的跨扇区和子带分配方法分配子带时步骤B12中，

$f_{\sec \mathrm{tor}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},b,c},...,P_{\mathrm{mm},b,L})=P_{\mathrm{mm},b,c}/\underset{c=1}{\overset{L}{\mathrm{\&Sigma;}}}{P}_{\mathrm{mm},b,c}$

$f_{\mathrm{subband}}\left(P_{\mathrm{mm},b,c}\right|P_{\mathrm{mm},1,c},...,P_{\mathrm{mm},N_b,c})=\log (1+{\mathrm{\&gamma;}}_b{P}_{\mathrm{mm},b,c}),$ γ_b为平均信道增益对背景噪音的比例。

6、根据权利要求2所述的方法，其特征在于，所述步骤B13中，根据用户等级进行子带选择。

7、根据权利要求2所述的方法，其特征在于，在所述的步骤B2中，采用以下公式进行子信道、功率以及速率的分配：

当 $\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{P}_{k,n\left(i\right)}\&le;P_{\mathrm{Total}}$

以及 $\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{P}_{k,n\left(i\right)}=P_{k,i};$

峰值功率满足

$0\&le;P_{k,n\left(i\right)}\&le;P_{k,n\left(i\right)}^{\mathrm{mask}}\&le;P_{\mathrm{Total}}$ i∈{1，2，…，M}，k∈{1，2，…，K}，n(i)∈{1，2，…，N_i)子信道的分配满足公式： $\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}\&le;1\&ForAll;i\&Element;\{\mathrm{1,2},...,M\};$ 进行用户加权容量的计算，采用公式

按照以下代价函数公式实现速率分配

$f_{k,i}\left(P_{k,i}\right)=\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}\left(P_{k,n\left(i\right)}\right)$

$=\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{\log }_2(1+\frac{\mathrm{\&beta;}\left|\right|h_{k,n\left(i\right)}|{|}^2{P}_{k,n\left(i\right)}}{{\mathrm{\&sigma;}}_n^2})$

其中，P_k，n(i)和P_k，n(i) ^mask分别是用户k在子信道i的子载波n(i)上分配的发射功率和发射功率模板；ρ_k，i是一个共享因子，ρ_k，i＝1代表用户k占用了子信道i，ρ_k，i＝0则是相反，N_i是子信道i的子载波数目；参数w_k是预先确定的权值因子， $w_k={\mathrm{\&alpha;}}_k^{{-l}_{\mathrm{QoS}\_\mathrm{Class}\left(k\right)}};$ l_{QoS_Class(k)}(l_{QoS_Class}(k)≤0)代表优先级控制；α_k(0≤α_k≤1)代表速率控制；

‖h_k，n(i)‖²和P_k，n(i) ^mask分别为子信道i的子载波n(i)的信道功率增益和传输功率模板；参数β用来弥补理想功率需求(使用互信息计算得到)和实际中对于给定速率的调制方案所需要的传输功率之间的差距。

8、根据权利要求7所述的方法，其特征在于，当ρ_k，i∈[0，1]，算法在log域完成，当 $\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}\&le;P_{\mathrm{Total}}$ 以及

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{k,i}\&le;1$ i ∈{1，2，…，M}

ρ_k，i作为一个时间共享因子；c_k，n(i)＝ρ_k，iP_k，n(i)作为用户k子信道i的子载波n上的时间平均功率。

9、根据权利要求8所述的方法，其特征在于，进行子信道、功率以及速率的分配的具体步骤为：

步骤1：设定Ω.初始值Ω＝0；

步骤2：对给定Ω.值为每个子信道的选择最优CPE根据下面的条件为子信道i选择CPEk( ${\mathrm{\&rho;}}_{k,i}^{*}=1$ )：

这里

$G_{k,i}\left(\mathrm{\&Omega;}\right)=w_k(\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}\left(f_{k,n\left(i\right)}^{\&prime;-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)\right)-\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{f}_{k,n\left(i\right)}^{\&prime;-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right))$

定义为

步骤3：对给定Ω.值为每个CPE计算最优分配功率

用户k子信道i上的最优平均功率：

$c_{k,n\left(i\right)}^{*}={\mathrm{\&rho;}}_{k,i}^{*}{f}_{k,n\left(i\right)}^{\&prime;-1}\left(\frac{\widetilde{\mathrm{\&Omega;}}}{w_k}\right)={\mathrm{\&rho;}}_{k,i}^{*}(\frac{w_k}{\widetilde{\mathrm{\&Omega;}}}-\frac{{\mathrm{\&sigma;}}_n^2}{\mathrm{\&beta;}\left|\right|h_{k,n\left(i\right)}|{|}^2})$

步骤4：精确调整Ω.

当 $\left(\right|\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}-P_{\mathrm{Total}}|>\mathrm{\&epsiv;}),$ 对于预先确定的容忍度ε，

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$

Ω_lower＝Ω；

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$

Ω_upper＝Ω；

Ω＝(Ω_lower+Ω_upper)/2；

返回步骤2。

10、根据权利要求8所述的方法，其特征在于，在步骤4的精细调整Ω.步骤之前还包括粗略调整步骤31：

如果 $\mathrm{\&Omega;}=0,(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$ 则选择满足Ω＞0一个较小的；

返回步骤2；

否则获得最优解；算法中止；

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$ Ω_lower＝Ω；Ω＝2Ω；返回步骤2；

如果 $(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n\left(i\right)=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{c}_{k,n\left(i\right)}>P_{\mathrm{Total}}),$ 转到步骤4；

否则获得最优解；算法中止。

11、根据权利要求8或9所述的方法，其特征在于，当精调整已经执行了预设的最大次数时，依据两个子信道功率的振荡临界状态 $P_u=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{k,i}>P_{\mathrm{Total}}$ 和 $P_l=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{k,i}>P_{\mathrm{Total}}$ 计算一个共享比率(θ_u∶θ_i)

${\mathrm{\&theta;}}_u=\frac{P_{\mathrm{Total}}-P_l}{P_u-P_l}$

其中(θ_i＝1-θ_u).。

12、根据权利要求9或10所述的方法，其特征在于，不能进行时间共享时，进行子信道、功率以及速率的分配的具体步骤为：

步骤1′：选择最接近总功率约束的那组子信道分配结果，；

步骤2′：基于步骤1′的分配结果执行最优功率分配，即上述步骤3至步骤4对总功率的调较；其中步骤2中的子信道分配则固定于这个最接近总功率约束的分配。

13、根据权利要求9或10所述的方法，其特征在于，不能进行时间共享时，进行子信道、功率以及速率的分配的具体步骤为：

直接选择总功率比总功率约束小的那组子信道、功率和速率分配结果分配。

Images