CN102149183B - 基于处理能力受限的载波聚合系统的载波功率联合分配方法 - Google Patents

Abstract

本发明公开了一种在处理能力受限的载波聚合系统中的载波功率联合分配方法。其关键是对于每个载波存储一个可选用户集合，每次都先把载波分配给可选用户集合中信道条件最好的用户。然后对所有可用载波进行一个有功率上限的注水，接着对每个用户利用滑动窗口来分别计算其窗内的传输速率和，并把速率和最大的窗内的载波分配给用户，回收窗外之前分配给他的载波。不断地更新载波的可选用户集合，直到所有载波被分配完毕或者所有未被分配的载波其可选用户集都为空集。该方法对于解决载波聚合系统的资源分配问题有较好的指导意义，且具有较低的复杂度，利于实际系统中实现。

Description

基于处理能力受限的载波聚合系统的载波功率联合分配方法

技术领域

本发明涉及无线通信领域，具体涉及一种基于处理能力受限的载波聚合系统的载波功率联合分配方法。

背景技术

随着通信服务的急速增长，人们对频谱资源的需求越来越多，传统的通信方式已经不能满足人们的需求。由于具有智能的通信能力，认知无线电技术成为解决频谱使用效率较低的关键性技术。而由于目前的频谱资源已经被官方分配，频谱划分和管理的不当造成了大粒度、持续、均质的带宽分配变得越来越困难，因此新增的通信需求已经不能完全依靠频谱的分配来满足。用户对于通信传输的质量和速度要求越来越高，而此时由于频谱资源已经被分配，没有足够宽的空闲频谱来满足通信需求，因而有学者提出了聚合离散频谱来进行通信传输(见“Aggregation aware spectrum assignment in Cognitive Ad-hoc networks,” in CrownCom 2008,15-17 May 2008,Page(s):1-6)。

离散谱聚合的实现不光要求在物理层上有相应的技术来实现，更需要在MAC层具有良好的资源分配机制来配合。前人已经提出了非连续的OFDM技术（DOFDM）来实现离散谱聚合的物理层实现（见“Discontiguous OFDM considerations for dynamic spectrum access in idle TV channels,”in Proc. IEEE DySPAN 2005,vol.1,pp.607-610,Nov.2005），非连续的OFDM技术区别传统的OFDM技术在于，传统的OFDM技术在所有的载波上都传输数据，而DOFDM受限于频谱可用性，只在部分可用的频谱上传输数据。也有前人提出了变换域通信系统（见“TDCS,OFDM,and MC-CDMA:A brief Tutorial,”in IEEE Communications Magazine,vol 43,Issue 9,pp S11-S16,Sept.2005.proceedings,2,pp,1 1059,3,1999），由于其较好的抗干扰能力，使得其有望成为认知无线电研究的另一个分支领域。变换域通信系统主要通过在变换域设计通信波形，然后用一个类噪声的基函数进行数据调制，最后进行数据传输。目前，这两种技术都已经成熟地运用在物理层中，可以运用在载波聚合系统中。

认知网络中的资源分配问题，已经有很多人研究过，前人讨论的问题大多都是假设认知用户接收端能够工作在一个很宽的工作频段范围，然后在全频段范围内对于可用的频谱资源做最优化处理，如在总功率限制和干扰限制的条件下，研究认知网络在下行环境中的最优资源分配方法。但是这在实际通信系统中往往是不可行的。一般的授权频谱系统工作的频谱带宽都在几百兆以上，而对于确定的某个认知用户而言，受限于其硬件条件，所能处理的带宽一般是有限的，通常在二十到四十兆左右。目前还没有针对处理能力受限的载波聚合系统的资源分配问题的研究，而这个正是未来的通信系统中所迫切需要解决的问题。因此，研究处理能力受限的载波聚合系统具有非常重要的现实意义。本发明提出的技术方案，经过分析和验证，具有较低的复杂度，给出了一种较为有效的基于处理能力受限和谱廓受限的载波聚合系统中的资源分配方法。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于处理能力受限的载波聚合系统的载波功率联合分配方法。

本发明的目的是通过以下技术方案来实现的。

基于处理能力受限的载波聚合系统的载波功率联合分配方法是：在基于正交频分复用多址接入（OFDMA）的认知载波聚合系统下行环境中，对于认知用户而言，发送功率的约束体现在所有认知用户的发送功率和必须满足总功率约束，而对于每个载波，只能被分配给一个认知用户，并且认知用户在每个载波上发送的功率必须满足授权用户的干扰限制，考虑到系统中认知用户最终需终端来实现，认知用户还有处理能力的限制，据此，建立以下优化模型：

其中，

表示的是用户n在载波k上的传输速率，

，式中，

是一个和用户的误比特率需求有关系的函数，并且对于awgn信道和rayleigh信道是不同的表达式，对于awgn信道，

；对于rayleigh信道，

，

表示的是用户n在子载波k上的信道增益，

表示的是载波噪声参数，

表示的是在从用户n在子载波k上分配的功率值，

表示的是所有用户的发送功率和门限，

是用户n在子载波k上分配的功率门限值，

是载波分配变量，当子载波k被分配给从用户n的时候

的值是1，否则为0，

，

是认知用户的可用载波集，对于子载波k，有包含这个载波能被分配的可选用户集合

，CA表示的是用户聚合的最大载波范围；载波聚合系统是由N个认知用户和任意个授权用户组成，对于整个频段，被划分成Nu个子载波，其中被认知用户使用的子载波有K个，且构成可用子载波集合，其特征在于它的步骤如下：

1）、初始化干扰矩阵定值

、总功率约束

，将功率分配矩阵

、载波分配矩阵

、速率分配矩阵

全部设置为0，初始阶段，对于载波k，可选用户集里面包含所有用户；

2）、对于载波k，先选择在它可选用户集

中信道条件最好的用户分配给它，然后，对所有载波进行一个有发送功率上限的功率分配，分配的规则是：对于某个用户n，在载波k上分配的功率是

，其中表示的是用户n在子载波k上的等效噪声，

，注水限能够满足如下的条件：

；

3）、用一个跨度为CA的窗来滑动，从频谱的最左边一直滑动到最右边，每次滑动的单位是一个载波宽度，对用户n计算每次滑动窗内的传输速率，然后找到对他来说传输速率最大的那个窗，回收在窗外之前分配给他的载波，并且在回收载波的可选用户集剔除这个用户；

4）、更新载波分配矩阵

和可选用户集

，重复步骤2）、步骤3），直到所有载波都被分配完毕，或者所有未被分配载波的可选用户集都是空集。

所述的总功率约束是：所有用户n，所有载波k，发送的总功率和必须小于

。

所述的认知用户在每个载波上发送的功率必须满足授权用户的干扰限制是：在某个子载波上认知用户所发送的功率不能大于一定的门限，这个门限主要是由使用这个载波的授权用户所确定，具体来说，是指该用户在这个载波上接收到的干扰值要小于某个值，即

，相应的

，表示的是在从用户n在子载波k上分配的功率值，

表示的是授权用户的干扰温度门限值，

表示的是认知用户n在子载波k上对授权用户的信道增益。

所述的处理能力受限是：对于某个认知用户而言，使用的载波范围是有限的，也即用户的传输带宽是受限的。 

所述的信道条件最好是：对于这个载波而言，用户在所有用户中具有最低的等效噪声

，其中

。

所述的滑动窗内的传输速率是：对于用户n，滑动窗内部分配给用户n的子载波集为

，此时窗内的传输速率是

。

本发明对于解决处理能力受限的载波聚合系统中的资源分配问题，提出了一种低复杂度的载波功率联合分配方法，该方法具有较好的创新性与前瞻性。经过分析验证，非常有利于实际系统的实现。

附图说明

图1是处理能力受限和谱受限的载波聚合系统的模型图，其中PU代表授权用户，SU代表认知用户，h是数据传输信道，g代表干扰信道；

图2是低复杂度的载波聚合系统中处理能力受限和谱受限的算法示意图；

图3是在给定所有载波个数为256，可用子载波为128。认知用户和授权用户随机地分布在100*100的区域中，区域的中心是认知用户的BS，区域中总共有8个认知用户，一个授权用户。认知用户聚合载波的范围分别为256、128、64、32个子载波的情况下，运用发明内容中所描述的技术方案进行仿真得到的系统吞吐量曲线。

具体实施方式

基于处理能力受限的载波聚合系统的载波功率联合分配方法是：在基于正交频分复用多址接入（OFDMA）的认知载波聚合系统下行环境中，对于认知用户而言，发送功率的约束体现在所有认知用户的发送功率和必须满足总功率约束，而对于每个载波，只能被分配给一个认知用户，并且认知用户在每个载波上发送的功率必须满足授权用户的干扰限制，考虑到系统中认知用户最终需终端来实现，认知用户还有处理能力的限制，据此，建立以下优化模型：

其中，

表示的是用户n在载波k上的传输速率，

，式中，

是一个和用户的误比特率需求有关系的函数，并且对于awgn信道和rayleigh信道是不同的表达式，对于awgn信道，

；对于rayleigh信道，

，

表示的是用户n在子载波k上的信道增益，表示的是载波噪声参数，一般都满足方差为1，

表示的是在从用户n在子载波k上分配的功率值，

表示的是所有用户的发送功率和门限，

是用户n在子载波k上分配的功率门限值，

是载波分配变量，当子载波k被分配给从用户n的时候

的值是1，否则为0，

，

是认知用户的可用载波集，对于子载波k，有包含这个载波能被分配的可选用户集合

，CA表示的是用户聚合的最大载波范围；载波聚合系统是由N个认知用户和任意个授权用户组成，对于整个频段，被划分成Nu个子载波，其中被认知用户使用的子载波有K个，且构成可用子载波集合

，其特征在于它的步骤如下：

1）、初始化干扰矩阵定值

、总功率约束

，将功率分配矩阵

、载波分配矩阵

、速率分配矩阵

全部设置为0，初始阶段，对于载波k，可选用户集

里面包含所有用户；

2）、对于载波k，先选择在它可选用户集中信道条件最好的用户分配给它，然后，对所有载波进行一个有发送功率上限的功率分配，分配的规则是：对于某个用户n，在载波k上分配的功率是

，其中

表示的是用户n在子载波k上的等效噪声，

，注水限能够满足如下的条件：

；

3）、用一个跨度为CA的窗来滑动，从频谱的最左边一直滑动到最右边，每次滑动的单位是一个载波宽度，对用户n计算每次滑动窗内的传输速率，然后找到对他来说传输速率最大的那个窗，回收在窗外之前分配给他的载波，并且在回收载波的可选用户集剔除这个用户；

4）、更新载波分配矩阵

和可选用户集

，重复步骤2）、步骤3），直到所有载波都被分配完毕，或者所有未被分配载波的可选用户集都是空集。

所述的总功率约束是：所有用户n，所有载波k，发送的总功率和必须小于

。

所述的认知用户在每个载波上发送的功率必须满足授权用户的干扰限制是：在某个子载波上认知用户所发送的功率不能大于一定的门限，这个门限主要是由使用这个载波的授权用户所确定，具体来说，是指该用户在这个载波上接收到的干扰值要小于某个值，即

，相应的

，

表示的是在从用户n在子载波k上分配的功率值，

表示的是授权用户的干扰温度门限值，

表示的是认知用户n在子载波k上对授权用户的信道增益。

所述的处理能力受限是：对于某个认知用户而言，使用的载波范围是有限的，也即用户的传输带宽是受限的。 

所述的信道条件最好是：对于这个载波而言，用户在所有用户中具有最低的等效噪声

，其中

。

所述的滑动窗内的传输速率是：对于用户n，滑动窗内部分配给用户n的子载波集为

，此时窗内的传输速率是

。

实施例

基于载波聚合系统的谱受限和处理能力受限的资源分配方法，是将系统带宽划分成256个子载波，其中128个是不可用子载波，不可用子载波在这256个子载波中的位子是随机生成的。并且，认知用户和授权用户都分别处在100*100的小区中，小区的中心是认知用户的基站。基站和各个认知用户接收端之间的信道增益

是以

为均值的瑞利衰落信道，其中

是基站和认知用户n之间的距离。在小区中有8个认知用户，1个授权用户，其中1个授权用户占用了可用的128个子载波，因此认知用户占用这些子载波所产生的对授权用户的干扰温度，是在[-140dBm,-60dBm]的范围，干扰温度就是

，这里假设对于所有载波上的干扰温度都是一样的。

是通过将

除以认知用户到授权用户之间的信道增益，由于考虑干扰的时候是在一段时间内考虑对授权用户的干扰，因此只需考虑信道增益的平均值即可。由于不考虑信道的小尺度变化时，信道增益的平均值即是和授权用户与认知用户之间的距离的平方有关系，因此

可以近似等于授权用户和认知用户n的距离

平方的倒数，即

。这样，

就可以通过

计算出来。对于所有认知用户的总功率限制，我们设置为8W，等价于

dBm。在实际系统中，假设认知用户的

是1，信道的基底噪声方差

。

图3就是在上述参数设置的情况下，在认知用户可聚合载波的范围分别在CA=256，CA=128，CA=64，CA=32的情况下得出的系统吞吐量曲线。在这个图中，可以得到随着对授权用户的干扰温度值逐渐增大，认知用户在相同的总功率限制条件下，所能达到的系统吞吐量也越来越大。但是，当授权用户的干扰温度一直增加以后，认知用户的系统吞吐量并不是一直增大，在[-100dBm，-60dBm]的范围上，基本出现了一个系统吞吐量的平台，这主要是因为这个时候受限于总功率限制，系统容量没有足够的发送功率，不能达到更大的系统吞吐量。而对于不同的聚合范围，在相同的干扰温度和总功率约束条件下，聚合范围较大的（如CA=256等）能够获得更大的系统吞吐量，而聚合范围最小的（如CA=32）所能够获得的系统吞吐量是最小的。

Claims (6)

1.一种基于处理能力受限的载波聚合系统的载波功率联合分配方法，在基于正交频分复用多址接入的认知载波聚合系统下行环境中，对于认知用户而言，发送功率的约束体现在所有认知用户的发送功率和必须满足总功率约束，而对于每个载波，只能被分配给一个认知用户，并且认知用户在每个载波上发送的功率必须满足授权用户的干扰限制，考虑到系统中认知用户最终需终端来实现，认知用户还有处理能力的限制，据此，建立以下优化模型：

$\max \underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=5}{\mathrm{\Σ}}{w}_{n,k}{R}_{n,k}$

S.L.

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_{n,k}\≤P_T---\left(1\right)$

$P_{n,k}\≤C_{n,k},P_{n,k}\≥0,\∀k\∈S---\left(2\right)$

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_{n,k}\≤1,w_{n,k}\∈\{0,\},\∀k\∈S---\left(3\right)$

$M=\arg \max \left\{k\right|w_{n,k}=1\}-\arg \min \{k|w_{n,k}=1\}\≤\mathrm{CA},\∀n---\left(4\right)$

其中，R_n，k表示的是用户n在载波k上的传输速率，式中，Γ是一个和用户的误比特率需求有关系的函数，并且对于awgn信道和rayleigh信道是不同的表达式，对于awgn信道，

对于rayleigh信道，

h_n，k表示的是用户n在子载波k上的信道增益，σ表示的是载波噪声参数，P_n，k表示的是在从用户n在子载波k上分配的功率值，P_T表示的是所有用户的发送功率和门限，C_n，k是用户n在子载波k上分配的功率门限值，w_n，k是载波分配变量，当子载波k被分配给从用户n的时候w_n，k的值是1，否则为0，

S是认知用户的可用载波集，对于子载波k，有包含这个载波能被分配的可选用户集合U_k，CA表示的是用户聚合的最大载波范围；载波聚合系统是由N个认知用户和任意个授权用户组成，对于整个频段，被划分成Nu个子载波，其中被认知用户使用的子载波有K个，且构成可用子载波集合S，其特征在于它的步骤如下：

1）、初始化干扰矩阵定值C_n，k、总功率约束P_T，将功率分配矩阵P_n，k、载波分配矩阵w_n,k、速率分配矩阵R_n，k全部设置为0，初始阶段，对于载波k，可选用户集U_k里面包含所有用户；

2）、对于载波k，先选择在它可选用户集U_k中信道条件最好的用户分配给它，然后，对所有载波进行一个有发送功率上限的功率分配，分配的规则是：对于某个用户n，在载波k上分配的功率是p_n，k＝w_n，kmin{[Φ-I_n，k]⁺，C_n，k}，其中I_n，k表示的是用户n在子载波k上的等效噪声，

注水限Φ能够满足如下的条件：

3）、用一个跨度为CA的窗来滑动，从频谱的最左边一直滑动到最右边，每次滑动的单位是一个载波宽度，对用户n计算每次滑动窗内的传输速率，然后找到对他来说传输速率最大的那个窗，回收在窗外之前分配给他的载波，并且在回收载波的可选用户集剔除这个用户；

4）、更新载波分配矩阵w_n，k和可选用户集U_k，重复步骤2）、步骤3），直到所有载波都被分配完毕，或者所有未被分配载波的可选用户集都是空集。

2.根据权利要求1所述的一种基于处理能力受限的载波聚合系统的载波功率联合分配方法，其特征在于所述的总功率约束是：所有用户n，所有载波k，发送的总功率和必须小于P_T。

3.根据权利要求1所述的一种基于处理能力受限的载波聚合系统的载波功率联合分配方法，其特征在于所述的认知用户在每个载波上发送的功率必须满足授权用户的干扰限制是：在某个子载波上认知用户所发送的功率不能大于一定的门限，这个门限主要是由使用这个载波的授权用户所确定，所述的授权用户在这个载波上接收到的干扰值要小于某个值，即P_n，kg_n，k≤Q_k，相应的P_n，k≤C_n，k＝Q_k/g_n，k，P_n，k表示的是在从用户n在子载波k上分配的功率值，Q_k表示的是授权用户的干扰温度门限值，g_n，k表示的是认知用户n在子载波k上对授权用户的信道增益。

4.根据权利要求1所述的一种基于处理能力受限的载波聚合系统的载波功率联合分配方法，其特征在于所述的处理能力受限是：对于某个认知用户而言，使用的载波范围是有限的，也即用户的传输带宽是受限的。

5.根据权利要求1所述的一种基于处理能力受限的载波聚合系统的载波功率联合分配方法，其特征在于所述的信道条件最好是：对于这个载波而言，用户在所有用户中具有最低的等效噪声I_n，k，其中 $I_{n,k}=\frac{{\mathrm{\Γ\σ}}^2}{h_{n,k}}.$

6.根据权利要求1所述的一种基于处理能力受限的载波聚合系统的载波功率联合分配方法，其特征在于所述的滑动窗内的传输速率是：对于用户n，滑动窗内部分配给用户n的子载波集为Us_n，此时窗内的传输速率是 $R_n=\underset{k\∈{\mathrm{Us}}_n}{\mathrm{\Σ}}{\log }_2(1+\frac{h_{n,k}{P}_{n,k}}{{\mathrm{\Γ\σ}}^2}).$

Images