CN102202313A - 认知无线网络中多用户动态分层功率控制方法 - Google Patents

Abstract

本发明公开一种认知无线网络中多用户动态分层功率控制方法。该方法首先根据当前认知无线网络中多个认知用户接入当前考察频谱的顺序不同，确定领导者用户和跟随者用户；然后，对于领导者和跟随者分别采用不同的功率控制策略，并多次交互实现多用户分层算法的动态交互收敛。本发明针对现有技术中不能刻画实际通信过程中多个认知用户存在分层决策和可能存在谎报信息的现象，提出认知无线网络中多用户动态分层功率控制方法，通过为认知无线网络中掌握信息不对称的多用户分别设计分布式功率控制方法实现领导者和跟随者的多阶段策略交互避免认知用户不诚实的行为，同时，交互次数少，采用少量信令开销实现多用户之间的互惠互利。

Description

认知无线网络中多用户动态分层功率控制方法

技术领域

本发明属于通信技术领域，更进一步涉及一种认知无线网络中多用户动态分层功率控制方法。该方法实现认知无线网络中多认知用户之间存在信息不对称时的分层最优功率控制，有效提升认知无线网络性能。

背景技术

认知无线电技术是无线通信发展的新思路和研究热点。具有认知功能的无线通信设备(认知设备)通过感知无线环境、学习推理更新知识库、预测行为和动态设计传输策略实现择机使用已授权频谱空洞，从而有效提升频谱利用率。随着当前网络技术和认知设备的不断普及，认知无线网络以其面向端到端的性能优势成为通信界下一个重点研究课题。但是在认知无线网络中多用户之间的互扰问题异常严重，称为制约认知无线网络容量最亟待解决的关键问题之一。

功率控制可有效管理和避免多个认知用户之间的干扰，有效保证认知无线网络稳健性和服务质量要求(QoS)的关键技术。认知无线网络环境的动态性和认知设备智能灵活捷变性要求采用新型分析技术建模认知用户的策略行为和分析认知无线网络容量。目前，基于博弈论研究认知无线网络中的资源管理和分配已经有很多工作，但当前研究主要是基于纳什非合作博弈模型和纳什均衡解的分析，不能保证帕累托最优性，且均假设是在对称完全信息下的决策。这往往不符合实际认知无线网络的运行场景。基于博弈论研究认知无线网络的策略设计和均衡问题，已有方案忽略多个认知用户之间的信息不对称问题，均假设用户策略设计建立在完全信息的基础上，没有考察多个认知用户的决策分层现象和对于网络性能造成的影响。而实际上，作为跟随者的认知用户可以有效采用感知和推理等方法获取其他认知用户关于环境和决策等有用信息。因此，可以设计更加有效的功率控制方法。更为重要的是，当前研究没有考察多用户之间的动态行为和彼此之间理性多次交互策略选择过程。目前在功率控制和频谱资源管理技术方面，包含如下几个技术：基于非合作博弈效用函数的分布式功率控制方法，采用分级定价的频谱管理方法和基于诚实合作的频谱资源分配方法。在当前认知无线网络背景下，上述三种技术方法分别基于非合作博弈，分级定价和合作博弈论实现功率资源的有效分配。

电子科技大学的专利申请文件“一种认知无线电系统中的基于效用函数的分布式功率控制方法”(公开号CN 101626260A，申请号200810045492.0，申请日2008.7.8)公开了一种认知无线电系统中基于效用函数的分布式功率控制方法。该方法既满足对主要用户的保护又支持认知用户的QoS的折中方案。该方案是基于非合作博弈论的方案，它需要各个认知用户自行调节其发射功率；该方法存在的不足是该方法对于所用的认知用户采用相同的功率控制策略。

南京邮电大学的专利申请文件“基于博弈论的分等级定价的频谱管理方法”(公开号CN 101945397A，申请号201010274853.6，申请日2010.09.07)公开了基于博弈论的分等级定价的频谱管理方法。该方法提出一个新的分等级价格机制，该方法存在的不足是，认知用户可能存在谎报QoS需求，以其获得更高优先级进一步获得更多更廉价的频谱资源，这样很难保证系统资源公平实现互惠互利的目的。

西安电子科技大学的专利申请文件“一种认知复合无线网络中基于诚实合作的频谱资源分配方法”(公开号CN 101753234A，申请号201010013626.8，申请日2010.01.20)公开了一种认知复合无线网络中基于诚实合作的频谱资源分配方法。该方法基于合作博弈论鼓励接入网诚实的提出最小带宽需求，在满足各个接入网频谱需求的基础上，尽力缓解频谱资源过度使用的状况。该方法存在的不足是，基于合作博弈的频谱资源分配方法交互次数多，信令开销大。

发明内容

本发明的目的在于克服现有技术的不足，提出一种认知无线网络中多用户分层功率控制方法，该方法通过为认知无线网络中掌握信息不对称的多用户，分别设计分布式功率控制方法，并多次动态交互实现认知无线网络整体性能和用户个体性能的最佳折中。

本发明实现上述目的的具体思路是，首先根据当前认知无线网络中多个认知用户接入当前考察频谱的时间顺序不同，确定领导者用户和跟随者用户；然后，对于领导者和跟随者分别采用不同的功率控制策略，并多次交互实现多用户分层算法的动态交互收敛。

本发明实现上述目的的具体步骤如下：

(1)用户分类

根据当前认知无线网络中多个认知用户接入考察频谱的时间顺序不同，确定多个领导者用户和多个跟随者用户；

(2)领导者参数准备

2a)初始化功率：对于每个领导者用户在多个信道上随机初始化功率水平参数；

2b)初始化注水水平：对于每个领导者随机初始化其注水水平参数；

(3)执行领导者策略

3a)每个领导者获取环境信息，包含信道增益信息和领导者可以感受到的总干扰功率信息；

3b)计算领导者下一步功率水平；

3c)更新领导者注水水平；

3d)判断领导者策略是否收敛，如果收敛，继续执行下一步；否则，转向步骤3a)；

(4)跟随者参数准备

4a)初始化功率：对于每个跟随者用户在多个信道上随机初始化功率水平参数；

4b)初始化注水水平：对于每个跟随者随机初始化其注水水平参数；

(5)信息提取

每个跟随者根据领导者用户的策略信息和相应的信道信息获取有助于其决策的领导者用户信道信息；

(6)执行跟随者策略

6a)每个跟随者获取环境信息，包含信道增益信息和跟随者可以感受到的总干扰功率信息；

6b)计算跟随者下一步功率水平；

6c)更新跟随者注水水平；

(7)判断跟随者策略是否收敛，如果收敛，继续执行下一步；否则，转向步骤4a)；

(8)判断领导者用户和跟随者用户的策略是否均收敛，如果收敛，方法结束；否则，转向步骤(2)。

本发明与现有技术相比具有以下优点：

第一，本发明针对现有技术中对于所用的认知用户采用相同的功率控制策略，不能刻画实际通信过程中，多个认知用户存在分层决策的现象，提出认知无线网络中多用户动态分层功率控制方法，通过为认知无线网络中掌握信息不对称的多用户分别设计分布式功率控制方法。

第二，本发明针对现有技术中认知用户可能存在谎报QoS需求，以其获得更高优先级进一步获得更多更廉价的频谱资源问题，提出认知无线网络中多用户动态分层功率控制方法，通过领导者和跟随者的多阶段策略交互避免认知用户不诚实的行为，同时，交互次数少，采用少量信令开销实现多用户之间的互惠互利。

附图说明

图1为本发明的流程图；

图2为本发明领导者和跟随者策略执行流程图；

图3为本发明在特定信道环境下的效果图；

图4为本发明网络性能和用户性能效果图。

具体实施方式

下面结合附图1和附图2对本发明做进一步的描述。

步骤1，用户分类

根据当前认知无线网络中多个认知用户接入考察频谱的时间顺序不同，确定多个领导者用户和多个跟随者用户；

步骤2，领导者参数准备

2a)初始化功率：对于每个领导者用户在多个信道上随机初始化功率水平参数；

2b)初始化注水水平：对于每个领导者随机初始化其注水水平参数；

步骤3，执行领导者策略

3a)每个领导者采用学习训练的方式获取环境信息，包含信道增益信息和领导者可以感受到的总干扰功率信息；

3b)计算领导者下一步功率水平；

$p_i^{(n+1)}\left(k\right)=\frac{1}{{\mathrm{\λ}}_i^{\left(n\right)}}-\frac{{\mathrm{\ξ}}_i^{\left(n\right)}\left(k\right)}{g_{i,i}\left(k\right)}$

其中，

是领导者用户i在信道k上的下一步n+1功率水平，

是当前步骤注水水平，

是领导者当前步骤可以感受到的总干扰功率信息，g_i，i(k)是领导者用户i的信道增益信息。

3c)更新领导者注水水平；

${\mathrm{\λ}}_i^{(n+1)}={\mathrm{\λ}}_i^{\left(n\right)}+{\mathrm{\α}}_i^{\left(n\right)}\{\underset{k}{\mathrm{\Σ}}{p}_i^{\left(n\right)}\left(k\right)-p_i^{\max }\}$

其中，

是领导者用户i的下一步的n+1注水水平，

是当前步骤n的注水水平，

是领导者用户i当前步骤n迭代步长因子，

是领导者用户i在所有信道上消耗的传输功率之和，

是领导者用户i最大可用功率。

3d)判断领导者策略是否收敛，如果收敛，继续执行下一步；否则，转向步骤3a)；

$\left|\right|{\mathrm{\λ}}_i^{(n+1)}-{\mathrm{\λ}}_i^{\left(n\right)}\left|\right|\≤\mathrm{\ϵ}$

其中，是领导者用户i的下一步的n+1注水水平，

是当前步骤n的注水水平，ε是常数，其取值范围在0.0001～0.00001之内。

步骤4，跟随者参数准备

4a)初始化功率：对于每个跟随者用户在多个信道上随机初始化功率水平参数；

4b)初始化注水水平：对于每个跟随者随机初始化其注水水平参数；

步骤5，信息提取

每个跟随者根据领导者用户的策略信息和相应的信道信息获取有助于其决策的领导者用户信道信息；

${\mathrm{\ρ}}_j\left(k\right)=\frac{g_{i,j}\left(k\right)g_{j,i}\left(k\right)}{g_{i,i}\left(k\right)}$

其中，ρ_j(k)是跟随者获得有用信息，g_i，j(k)是领导者i到跟随者j的信道信息，g_j，i(k)是跟随者j领导者i到的信道信息，g_i，i(k)是领导者i的信道信息。

步骤6，执行跟随者策略

6a)每个跟随者采用学习训练的方式获取环境信息，包含信道增益信息和跟随者可以感受到的总干扰功率信息；

6b)计算跟随者下一步功率水平；

$p_j^{(n+1)}\left(k\right)=\frac{{\mathrm{\λ}}_j^{\left(n\right)}{\left({\mathrm{\ξ}}_j^{\left(n\right)}\left(k\right)\right)}^2-g_{i,j}\left(k\right){\mathrm{\ξ}}_j^{\left(n\right)}\left(k\right)}{{\mathrm{\ρ}}_j\left(k\right)g_{j,j}\left(k\right)-{\mathrm{\λ}}_j^{\left(n\right)}{g}_{j,j}\left(k\right){\mathrm{\ξ}}_j^{\left(n\right)}\left(k\right)}$

其中，

是跟随者用户j在信道k上的下一步n+1功率水平，

是当前步骤n注水水平，g_j，j(k)是跟随者用户j的信道增益信息，

是跟随者用户j当前步骤可以感受到的总干扰功率信息，ρ_j(k)是跟随者用户j获得有用信息。

6c)更新跟随者注水水平；

${\mathrm{\λ}}_j^{(n+1)}={\mathrm{\λ}}_j^{\left(n\right)}+{\mathrm{\β}}_j^{\left(n\right)}\{\underset{k}{\mathrm{\Σ}}{p}_j^{\left(n\right)}\left(k\right)-p_j^{\max }\}$

其中，

是跟随者用户j的下一步的n+1注水水平，是当前步骤n的注水水平，是跟随者用户j当前步骤n迭代步长因子，

是跟随者用户j在所有信道上消耗的传输功率之和，

是跟随者用户j最大可用功率。

步骤7，判断跟随者策略是否收敛，如果收敛，继续执行下一步；否则，转向步骤4a)；

$\left|\right|{\mathrm{\λ}}_j^{(n+1)}-{\mathrm{\λ}}_j^{\left(n\right)}\left|\right|\≤\mathrm{\ϵ}$

其中，

是跟随者用户j的下一步的n+1注水水平，是当前步骤n的注水水平，ε是常数，其取值范围在0.0001～0.00001之内。

步骤8，判断领导者用户和跟随者用户的策略是否均收敛，如果收敛，方法结束；否则，转向步骤(2)。

下面结合附图3和附图4对本发明效果做进一步的描述。

图3(a)是信道平均信道衰落为-205dB左右特定信道图；图3(b)是系统总的信干噪比(SINR)的性能随着领导者和跟随者数目变化的效果图。从图3(b)可以看出当领导者用户为13，跟随者用户为7的时候，系统可以获得最佳性能。图4(a)和图4(b)分别是随着领导者用户数目变化总体和个体SINR性能，可以看出当领导者数目为13时，总体和个体SINR性能实现最佳折中。

Claims (9)

1.认知无线网络中多用户动态分层功率控制方法，其步骤包括如下：

(1)用户分类

根据当前认知无线网络中多个认知用户接入考察频谱的时间顺序不同，确定多个领导者用户和多个跟随者用户；

(2)领导者参数准备

2a)初始化功率：对于每个领导者用户在多个信道上随机初始化功率水平参数；

2b)初始化注水水平：对于每个领导者随机初始化其注水水平参数；

(3)执行领导者策略

3a)每个领导者获取环境信息，包含信道增益信息和领导者可以感受到的总干扰功率信息；

3b)计算领导者下一步功率水平；

3c)更新领导者注水水平；

3d)判断领导者策略是否收敛，如果收敛，继续执行下一步；否则，转向步骤3a)；

(4)跟随者参数准备

4a)初始化功率：对于每个跟随者用户在多个信道上随机初始化功率水平参数；

4b)初始化注水水平：对于每个跟随者随机初始化其注水水平参数；

(5)信息提取

每个跟随者根据领导者用户的策略信息和相应的信道信息获取有助于其决策的领导者用户信道信息；

(6)执行跟随者策略

6a)每个跟随者获取环境信息，包含信道增益信息和跟随者可以感受到的总干扰功率信息；

6b)计算跟随者下一步功率水平；

6c)更新跟随者注水水平；

(7)判断跟随者策略是否收敛，如果收敛，继续执行下一步；否则，转向步骤4a)；

(8)判断领导者用户和跟随者用户的策略是否均收敛，如果收敛，方法结束；否则，转向步骤(2)。

2.根据权利要求1所述的认知无线网络中多用户动态分层功率控制方法，其特征在于，步骤3a)所述的领导者获取环境信息的方法，步骤6a)所述的跟随者获取环境信息的方法均是采用学习训练的方式。

3.根据权利要求1所述的认知无线网络中多用户动态分层功率控制方法，其特征在于，步骤3b)所述的领导者的下一步功率水平按照下列公式计算：

$p_i^{(n+1)}\left(k\right)=\frac{1}{{\mathrm{\λ}}_i^{\left(n\right)}}-\frac{{\mathrm{\ξ}}_i^{\left(n\right)}\left(k\right)}{g_{i,i}\left(k\right)}$

其中，

是领导者用户i在信道k上的下一步n+1功率水平，是当前步骤注水水平，

是领导者当前步骤可以感受到的总干扰功率信息，g_i，i(k)是领导者用户i的信道增益信息。

4.根据权利要求1所述的认知无线网络中多用户动态分层功率控制方法，其特征在于，步骤3c)所述的领导者更新注水水平按照下列公式计算：

${\mathrm{\λ}}_i^{(n+1)}={\mathrm{\λ}}_i^{\left(n\right)}+{\mathrm{\α}}_i^{\left(n\right)}\{\underset{k}{\mathrm{\Σ}}{p}_i^{\left(n\right)}\left(k\right)-p_i^{\max }\}$

其中，

是领导者用户i的下一步的n+1注水水平，

是当前步骤n的注水水平，是领导者用户i当前步骤n迭代步长因子，

是领导者用户i在所有信道上消耗的传输功率之和，

是领导者用户i最大可用功率。

5.根据权利要求1所述的认知无线网络中多用户动态分层功率控制方法，其特征在于，步骤3d)所述的领导者判断策略是否收敛按照下列公式计算：

$\left|\right|{\mathrm{\λ}}_i^{(n+1)}-{\mathrm{\λ}}_i^{\left(n\right)}\left|\right|\≤\mathrm{\ϵ}$

其中，

是领导者用户i的下一步的n+1注水水平，

是当前步骤n的注水水平，ε是常数，其取值范围在0.0001～0.00001之内。

6.根据权利要求1所述的认知无线网络中多用户动态分层功率控制方法，其特征在于，步骤(5)所述的跟随者获取领导者用户信道信息按照下列公式计算：

${\mathrm{\ρ}}_j\left(k\right)=\frac{g_{i,j}\left(k\right)g_{j,i}\left(k\right)}{g_{i,i}\left(k\right)}$

其中，ρ_j(k)是跟随者获得有用信息，g_i，j(k)是领导者i到跟随者j的信道信息，g_j，i(k)是跟随者j领导者i到的信道信息，g_i，i(k)是领导者i的信道信息。

7.根据权利要求1所述的认知无线网络中多用户动态分层功率控制方法，其特征在于，步骤6b)所述的跟随者的下一步功率水平按照下列公式计算：

$p_j^{(n+1)}\left(k\right)=\frac{{\mathrm{\λ}}_j^{\left(n\right)}{\left({\mathrm{\ξ}}_j^{\left(n\right)}\left(k\right)\right)}^2-g_{i,j}\left(k\right){\mathrm{\ξ}}_j^{\left(n\right)}\left(k\right)}{{\mathrm{\ρ}}_j\left(k\right)g_{j,j}\left(k\right)-{\mathrm{\λ}}_j^{\left(n\right)}{g}_{j,j}\left(k\right){\mathrm{\ξ}}_j^{\left(n\right)}\left(k\right)}$

其中，

是跟随者用户j在信道k上的下一步n+1功率水平，是当前步骤n注水水平，g_i，j(k)是跟随者用户j的信道增益信息，

是跟随者用户j当前步骤可以感受到的总干扰功率信息，ρ_j(k)是跟随者用户j获得有用信息。

8.根据权利要求1所述的认知无线网络中多用户动态分层功率控制方法，其特征在于，步骤6c)所述的跟随者更新注水水平按照下列公式计算：

${\mathrm{\λ}}_j^{(n+1)}={\mathrm{\λ}}_j^{\left(n\right)}+{\mathrm{\β}}_j^{\left(n\right)}\{\underset{k}{\mathrm{\Σ}}{p}_j^{\left(n\right)}\left(k\right)-p_j^{\max }\}$

其中，是跟随者用户j的下一步的n+1注水水平，是当前步骤n的注水水平，

是跟随者用户j当前步骤n迭代步长因子，

是跟随者用户j在所有信道上消耗的传输功率之和，

是跟随者用户j最大可用功率。

9.根据权利要求1所述的认知无线网络中多用户动态分层功率控制方法，其特征在于，步骤(7)所述的跟随者判断策略是否收敛按照下列公式计算：

$\left|\right|{\mathrm{\λ}}_j^{(n+1)}-{\mathrm{\λ}}_j^{\left(n\right)}\left|\right|\≤\mathrm{\ϵ}$

其中，

是跟随者用户j的下一步的n+1注水水平，

是当前步骤n的注水水平，ε是常数，其取值范围在0.0001～0.00001之内。

Images