CN102355729B - 协同认知simo网络中吞吐量最大化的资源分配方法 - Google Patents

Abstract

一种协同认知SIMO网络中吞吐量最大化的资源分配方法，在认知网络接入后，主用户接收到CCM后发送数据，认知网络保持静默，接收主用户数据信息，同时对主用户数据进行译码；译码成功的认知用户利用自己的部分发射功率发送数据给认知基站，剩余部分功率帮助转发主用户数据，译码不成功的认知用户只发送自己的数据，不对主用户数据进行转发，认知基站从接收的混合信号中消除主用户数据的干扰，并对干扰消除后的信号进行波束形成；通过联合调整认知SIMO网络的发射功率矢量、功率分配因子矢量和波束形成权值矢量，可以在保证主用户目标传输速率的同时，实现认知网络最大的吞吐量性能，而且具有很快的收敛速度。

Description

协同认知SIMO网络中吞吐量最大化的资源分配方法

技术领域

本发明属于认知无线电技术领域，具体的说是在一种新的基于协同中继的认知单输入多输出(Single-Input Multiple-Output，简称SIMO)网络中，吞吐量最大化的资源分配方法。

背景技术

认知无线电是目前最热门的无线技术之一，它的出现改变了频谱资源由授权用户独享的频谱使用方式，拥有认知无线电功能的认知用户可以通过对它所工作的无线通信环境进行交互感知，自动地改变自身的发送和接收参数，在保证授权用户(主用户)正常通信的前提下动态地重复使用授权频段，从而可以显著地提高频谱利用率。此外，多天线被公认为未来高速无线数据接入网的必选技术方案之一。多天线通信系统在原有的频域、时域和码域的三维资源的基础上增加了空间维度，通过先进的空时信号处理技术，可以在不增加带宽和发射功率的基础上，成倍地提升无线通信系统的容量，同时还可以增强通信系统抗干扰、抗衰落性能，从而有效地缓解频谱紧张并提供高速业务支持。同样作为提高频谱利用率的有效手段，多天线技术和认知无线电技术的结合具有天然的优势。

认知无线电接入授权频段主要存在两种方式：基于“频谱空穴”的机会式频谱接入以及基于“干扰温度”的频谱共享。

基于“频谱空穴”的机会式频谱接入：在特定的时间特定的地理位置没有被主用户使用的频谱资源称为“频谱空穴”，机会式频谱接入就是利用这些频谱空穴进行通信，它是认知无线电最直接的构想。这种接入方式不需要针对主用户进行发射功率控制，但是要求认知网络具有高精度的频谱检测技术，当主用户网络的通信业务繁忙时，采用机会式频谱接入很难获得通信机会。

基于“干扰温度”的频谱共享：干扰温度定义在无线设备的接收射频前端，用来度量在某一地理位置某一频带内接收机所接收到的干扰大小，接收机正常通信所能容忍的最大干扰温度称为干扰温度界。只要认知网络可以将自己对主用户接收机的干扰控制在干扰温度界之内，就可以在不影响主用户正常通信的情况下使用授权频段。利用这种接入方式，认知网络可以和主用户在同一地理位置同时使用相同的授权频段通信，但是必须对认知网络的发射功率进行控制以满足主用户的干扰温度界，因此频谱共享方式无法实现大范围的网络覆盖，而且和主用户网络距离较近时通信性能很差。

目前，针对现有的认知无线电接入方式中所存在的接入难和通信差的问题，申请人提出了专利号为201110178680.2的“基于协同中继的认知SIMO网络接入方法”，为多天线认知网络的上行链路即认知SIMO网络提供一种新的接入方式。这种接入方式可以和主用户在同一地理位置同时使用相同的授权频谱通信，同时能够实现大范围的网络覆盖，而且在和主用户网络距离较近时可以获得很好的网络吞吐量性能，弥补了现有的认知无线电接入方式的不足。而在这种接入方式中，如何在保证主用户目标传输速率的前提下，使得认知SIMO网络的资源高效分配以最大化认知网络的吞吐量，是亟待解决的问题。

发明内容

本发明的目的是针对基于协同中继的认知SIMO网络接入方法中，认知网络接入后，如何实现资源高效分配的问题，提出一种吞吐量最大化的资源分配方法。这种分配方法可以在保证主用户目标传输速率的前提下，最大化认知SIMO网络的吞吐量性能。

本发明是通过以下技术方案实现的：

一种协同认知SIMO网络中吞吐量最大化的资源分配方法，它包括下列步骤：

步骤1.主用户发射机广播协同请求消息CRM，主用户接收机回复协同应答消息CAM，认知基站从CRM和CAM中估计网络中的信道状态信息，并判断认知SIMO网络是否有能力协同主用户通信以达到主用户的目标传输速率，如果可以则认知基站向主用户发送协同确认信息CCM，认知SIMO网络接入主用户的授权频段；如果不可以则认知SIMO网络不接入主用户的授权频段；

步骤2.当认知基站向主用户发送协同确认信息CCM，认知SIMO网络接入主用户的授权频段时：

认知网络接收主用户数据：主用户发射机和接收机接收到了CCM后，主用户发射机开始进行数据发送，认知网络保持静默，接收主用户数据信息，认知基站和可以成功译码主用户数据的认知用户对主用户数据进行译码；

步骤3.认知用户发送自身数据，同时中继主用户数据：成功译码主用户数据的认知用户使用部分发射功率α_cp_c，c∈U₁发送自己的数据给认知基站，剩余部分功率(1-α_c)p_c，c∈U₁转发主用户数据给主用户接收机；没有成功译码主用户数据的认知用户不转发主用户数据，使用发射功率p_c，c∈U₂发送自己的数据给认知基站；其中：集合U₁表示可以成功译码主用户数据的认知用户的集合，集合U₂表示不能成功译码主用户数据的认知用户的集合，p_c表示第c个认知用户的发射功率，α_c表示第c个认知用户的功率分配因子；

步骤4.认知基站从接收到的混合信号中消除主用户数据的干扰，并对干扰消除后的信号进行波束形成；认知网络通过联合调整发射功率矢量p＝[p₁，p₂，...，p_N]^T，功率分配因子矢量α＝[α₁，α₂，...，α_N]^T，α_c＝1，c∈U₂和波束形成权值矢量w_c＝[w_c，1，w_c，2，...，w_c，M ]^T，c＝1，2，...，N，在保证主用户目标传输速率R_pk的前提下，最大化认知网络的吞吐量，其中M表示认知基站配置的天线数目，N表示认知网络中认知用户的数目。

本发明的步骤4具体实现方法如下：

4.1、初始化：n＝0，c＝1，2，...，N，

c＝1，2，...，N，

其中n表示迭代次数，

和

分别表示第n次迭代时第c个认知用户的发射功率和功率分配因子，p_c，max表示第c个认知用户所允许的峰值发射功率，

表示第n次迭代时认知网络的吞吐量；设置迭代终止的判决准则ε，ε∈[10^-2，10^-4]；

4.2、迭代次数加1：n＝n+1；

4.3、固定发射功率矢量和功率分配因子矢量为第n-1次迭代的值p^(n-1)和α^(n-1)，认知基站利用最大SINR波束形成准则计算第n次迭代的波束形成权值矢量

c＝1，2，...，N，计算式如下：

$w_c^{\left(n\right)}=\mathrm{\η}{(\underset{i=1,i\≠c}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{(n-1)}{p}_i^{(n-1)}{h}_i^{\mathrm{cbH}}{h}_i^{\mathrm{cb}}+{\mathrm{\σ}}_b^2{I}_M)}^{-1}{h}_c^{\mathrm{cb}}---\left(1\right)$

其中I_M表示M×M的单位矩阵，η是一个令

归一化的标量因子，c＝1，2，...，N表示第c个认知用户到认知基站的M维信道矢量响应；是

的共轭；

表示认知基站接收到的信道噪声功率；

4.4、固定波束形成权值矢量为第n次迭代的值

c＝1，2，...，N，固定功率分配因子矢量为第n-1次迭代的值α^(n-1)，计算第n次迭代的发射功率矢量p⁽ⁿ⁾；

4.5、固定波束形成权值矢量和发射功率矢量为第n次迭代的值

c＝1，2，...，N和p⁽ⁿ⁾，计算第n次迭代的功率分配因子矢量α⁽ⁿ⁾；

4.6、利用下式计算第n次迭代后认知网络的吞吐量

$R_{\mathrm{sum}}^{\left(n\right)}=\underset{c=1}{\overset{N}{\mathrm{\Σ}}}\frac{1}{2}\log (1+\frac{{\mathrm{\α}}_c^{\left(n\right)}{p}_c^{\left(n\right)}{\left|w_c^{\left(n\right)H}{h}_c^{\mathrm{cb}}\right|}^2}{\underset{i=1,i\≠c}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{\left(n\right)}{p}_i^{\left(n\right)}{\left|w_c^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+{\mathrm{\σ}}_b^2})---\left(2\right)$

4.7、判断迭代终止条件

是否满足，如果满足，表示第n次迭代和第n-1次迭代所获得的认知网络吞吐量已经基本不变，即迭代过程收敛，继续执行步骤4.8；如果迭代终止条件不满足，则重复执行步骤4.2；

4.8、输出最终收敛后的值：

c＝1，2，...，N，p＝p⁽ⁿ⁾，α＝α⁽ⁿ⁾，

此时，认知网络吞吐量R_sum最大。

本发明的第n次迭代时，步骤4.4中发射功率矢量p⁽ⁿ⁾的计算过程如下：

1)初始化：m＝0，

c＝1，2，...，N，其中m表示迭代次数，

表示第m次迭代时第c个认知用户的发射功率，设置迭代终止的判决准则ε，ε∈[10^-2，10^-4]；

2)迭代次数加1：m＝m+1；

3)利用下式计算第m次迭代时第c个认知用户的发射功率

c＝1，2，...，N；

其中

表示取b和p_c，max中的最小值；

4)判断迭代终止条件

是否成立，如果成立，表示第n次迭代和第n-1次迭代所获得的功率矢量已经基本不变，即迭代过程收敛，继续执行步骤5)；如果迭代终止条件不成立，重复执行步骤2)；

5)输出最终的收敛值：

本发明的第n次迭代时，步骤4.5中功率分配因子矢量α⁽ⁿ⁾的计算过程如下：

1)初始化：m＝0，

其中m表示迭代次数，

表示第m次迭代时第c个认知用户的功率分配因子；设置迭代终止的判决准则ε，ε∈[10^-2，10^-4]；

2)迭代次数加1：m＝m+1；

3)利用下式计算第m次迭代时第c(c∈U₁)个认知用户的功率分配因子：

其中 $q_k^1=\underset{i\∈U_2}{\mathrm{\Σ}}{p}_i^{\left(n\right)}{\left|w_k^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+{\mathrm{\σ}}_b^2(k\∈U_1),$ $q_k^2=\underset{i\∈U_2,i\≠k}{\mathrm{\Σ}}{p}_i^{\left(n\right)}{\left|w_k^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+{\mathrm{\σ}}_b^2(k\∈U_2),$ $g_c\left(p_c^{\left(n\right)}\right)=[1+1/(2^{2R_{\mathrm{pk}}}-1)]p_c^{\left(n\right)}{\left|h_c^{\mathrm{cp}}\right|}^2,$ λ表示任意的辅助拉格朗日因子，表示第c个认知用户到主用户接收机的信道响应。对于集合U₂中的认知用户，其功率分配因子为

4)判断迭代终止条件

是否满足，如果满足，表示第n次迭代和第n-1次迭代所获得的功率分配因子矢量已经基本不变，即迭代过程收敛，继续执行步骤5)；如果迭代终止条件不满足，重复执行步骤2)；

5)输出最终的收敛值：

本发明的拉格朗日辅助变量λ的取值按照二分法搜索方法确定，具体实现过程如下：

1)设定二分法搜索算法的初始值λ⁺＝0和λ^-；其中λ⁺为令

的初始值，表示λ⁺使认知网络为主用户提供的数据速率大于主用户的目标数据速率；λ^-为令

的初始值，表示λ^-使认知网络为主用户提供的数据速率小于主用户的目标数据速率，其中 $C\left(p^{\left(n\right)}\right)=\frac{1}{2^{2R_{\mathrm{pk}}}-1}\underset{c\∈N_1}{\mathrm{\Σ}}{p}_c^{\left(n\right)}{\left|h_c^{\mathrm{cp}}\right|}^2-\underset{c\∈N_2}{\mathrm{\Σ}}{p}_c^{\left(n\right)}{\left|h_c^{\mathrm{cp}}\right|}^2-{\mathrm{\σ}}_p^2,$

为主用户接收机接收到的信道噪声功率，R_pk为主用户的目标传输速率。设置迭代终止的判决准则ε，ε∈[10^-2，10^-4]；

2)令

调用权利要求4中功率分配因子的计算过程获得功率分配因子矢量

如果 $\underset{c\&Element;N_1}{\mathrm{\&Sigma;}}{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_c\left(\mathrm{\&lambda;}\right)g_c\left(p_c^{\left(n\right)}\right)<C\left(p^{\left(n\right)}\right),$ 则令λ^-＝λ；

如果 $\underset{c\&Element;N_1}{\mathrm{\&Sigma;}}{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_c\left(\mathrm{\&lambda;}\right)g_c\left(p_c^{\left(n\right)}\right)>C\left(p^{\left(n\right)}\right),$ 则令λ⁺＝λ；

3)判断搜索终止条件

是否成立，如果成立，表示认知网络为主用户提供的数据速率基本等于主用户的目标数据速率，则继续执行步骤4)；如果搜索终止条件不成立，重复执行步骤2)；

4)输出最终结果： ${\mathrm{\&alpha;}}^{\left(n\right)}=\stackrel{\&OverBar;}{\mathrm{\&alpha;}}\left(\mathrm{\&lambda;}\right).$

本发明的步骤4.1中，

c＝1，2，...，N；其中，为x小数，x∈[0，1]。

本发明相对于现有技术具有以下的优点：

本发明在基于协同中继的认知SIMO网络中，设计了一种吞吐量最大化的资源分配方法，这种方法通过联合调整认知SIMO网络的发射功率矢量、功率分配因子矢量和波束形成权值矢量，可以在保证主用户目标传输速率的同时，实现认知网络最大的吞吐量性能，而且具有很快的收敛速度。

附图说明

图1为基于协同中继的认知SIMO网络接入模型。

(a)、认知SIMO网络接入模型；

(b)、认知SIMO网络接入后资源分配的模型；

图2为使用本发明的资源分配方法，认知用户为主用户提供的数据传输速率随认知用户峰值发射功率的变化曲线。

图3为本发明的资源分配方法所能达到的网络吞吐量随认知网络和主用户网络之间距离的变化曲线。

具体实施方式

本发明的一个具体实例如下描述，系统仿真采用MatLab仿真，参数设定不影响一般性。主用户系统中包括1个单天线的发信机和1个单天线的收信机，收信机随机分布在以发信机为圆心半径为200m的圆周上；认知网络中包括1个多天线的认知基站和3个认知用户，3个认知用户随机均匀地分布在以基站为圆心半径为200m的圆周上。用对数路径损耗模型对信道的大尺度路径损耗进行建模，损耗因子设为4；用均值为1的Rayleigh衰落模型对信道的小尺度衰落进行建模；接收机处的噪声功率设为

主用户发射机的发射功率为0dBm；3个认知用户具有相同的峰值发射功率p_max。

下面以一次独立的随机试验为例说明实施例的具体过程。在此次随机试验中，认知基站的天线数目设为M＝3，认知基站和主用户发射机之间的距离设为100m，3个认知用户所允许的峰值发射功率均设为p_max＝20dBm，主用户的目标传输速率设为R_pk＝1bps/Hz。

步骤1.主用户发射机广播协同请求消息CRM，主用户接收机回复协同应答消息CAM，认知基站从CRM和CRM中估计网络中的信道状态信息，并判断认知SIMO网络是否有能力协同主用户通信以达到主用户的目标传输速率，如果可以则认知基站向主用户发送协同确认信息CCM，认知SIMO网络接入主用户的授权频段；如果不可以则认知SIMO网络不接入主用户的授权频段。

在本次随机试验中，按照所假设的路径损耗和路径衰落模型，使用Matlab仿真软件随机产生网络中的4组信道响应为：

1、主用户发射机到认知基站的信道响应矢量：

h^pb＝[1.1967×10^-4，1.117×10^-5，1.1488×10^-4]^T；

2、主用户发射机到各认知用户的信道响应：

$h_1^{\mathrm{pc}}=2.9093\&times;{10}^{-5},$ $h_2^{\mathrm{pc}}=2.6325\&times;{10}^{-5},$ $h_3^{\mathrm{pc}}=1.7732\&times;{10}^{-5};$

3、各认知用户到认知基站的信道响应矢量：

$h_1^{\mathrm{cb}}={[3.8387\&times;{10}^{-5},2.0909\&times;{10}^{-5},3.1236\&times;{10}^{-5}]}^T,$

$h_2^{\mathrm{cb}}={[1.545\&times;{10}^{-5},1.9064\&times;{10}^{-5},9.1956\&times;{10}^{-7}]}^T,$

$h_3^{\mathrm{cb}}={[5.619\&times;{10}^{-6},3.8369\&times;{10}^{-5},1.7549\&times;{10}^{-5}]}^T;$

4、各认知用户到主用户接收机的信道响应：

$h_1^{\mathrm{cp}}=1.535\&times;{10}^{-5},$ $h_2^{\mathrm{cp}}=1.8538\&times;{10}^{-5},$ $h_3^{\mathrm{cp}}=1.167\&times;{10}^{-5}.$

根据申请人提出的专利号为201110178680.2的“基于协同中继的认知SIMO网络接入方法”，可以判断，认知SIMO网络可以接入主用户的授权频段，并且认知基站3个认知用户都可以成功译码主用户数据，所以认知基站向主用户发送CCM。

步骤2.认知网络接收数据：主用户发射机和接收机接收到了CCM后，开始进行数据发送，认知网络保持静默，接收主用户数据信息，认知基站和可以成功译码主用户数据信息的认知用户对主用户数据进行译码。在此次随机试验中，认知基站和3个认知用户均对主用户数据进行译码。

步骤3.认知用户发送自身数据，同时中继主用户数据：在步骤2中成功译码主用户数据的认知用户1、认知用户2和认知用户3分别使用部分发射功率α₁p₁，α₂p₂和α₃p₃发送自己的数据给认知基站，剩余部分功率(1-α₁)p₁，(1-α₂)p₂和(1-α₃)p₃转发主用户数据给主用户接收机。

步骤4.认知基站从接收到的混合信号中消除主用户数据的干扰，并对干扰消除后的信号进行波束形成。认知网络通过联合调整发射功率矢量p＝[p₁，p₂，p₃]^T，功率分配因子矢量α＝[α₁，α₂，α₃]^T和波束形成权值矢量w₁，w₂，w₃，在保证主用户目标传输速率R_pk的前提下，最大化认知网络的吞吐量。

步骤4中，p，α和w₁，w₂，w₃按照如下迭代过程进行确定：

4.1、初始化：n＝0， $p_c^{\left(n\right)}=20\mathrm{dBm}(c=\mathrm{1,2,3}),$ ${\mathrm{\&alpha;}}_c^{\left(n\right)}=1(c=\mathrm{1,2,3}),$ $R_{\mathrm{sum}}^{\left(n\right)}=0,$ 其中n表示迭代次数，

和分别表示第n次迭代时第c个认知用户的发射功率和功率分配因子，

表示第n次迭代时认知网络的吞吐量。设置迭代终止的判决准则ε＝0.001。

4.2、迭代次数加1：n＝n+1

4.3、固定发射功率矢量和功率分配因子矢量为第n-1次迭代的值p^(n-1)和α^(n-1)，按照下式计算第n次迭代的波束形成权值矢量

$w_c^{\left(n\right)}=\mathrm{\&eta;}{(\underset{i=1,i\&NotEqual;c}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{(n-1)}{p}_i^{(n-1)}{h}_i^{\mathrm{cbH}}{h}_i^{\mathrm{cb}}+{\mathrm{\&sigma;}}_b^2{I}_{N_t})}^{-1}{h}_c^{\mathrm{cb}}---\left(5\right)$

其中

表示N_t×N_t的单位矩阵，η是一个令

归一化的标量因子。

4.4、固定波束形成权值矢量为第n次迭代的值

固定功率分配因子矢量为第n-1次迭代的值α^(n-1)，计算第n次迭代的发射功率矢量p⁽ⁿ⁾。p⁽ⁿ⁾采用如下的迭代过程进行确定：

1)初始化：m＝0，

其中m表示迭代次数，

表示第m次迭代时第c个

认知用户的发射功率。设置迭代终止的判决准则ε＝0.001。

2)迭代次数加1：m＝m+1

3)利用下式计算第m次迭代时的发射功率矢量

(c＝1，2，3)

${\stackrel{\&CenterDot;}{p}}_c^{\left(m\right)}={\left[{\left(\underset{k=1,k\&NotEqual;c}{\overset{3}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&alpha;}}_c^{(n-1)}{\left|w_k^{\left(n\right)H}{h}_c^{\mathrm{cb}}\right|}^2}{\underset{i=1,i\&NotEqual;k}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&CenterDot;}{p}}_i^{(m-1)}{\mathrm{\&alpha;}}_i^{(n-1)}{\left|w_k^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+{\mathrm{\&sigma;}}_b^2}\right)}^{-1}\right]}^{p_{c,\max }}---\left(6\right)$

4)判断终止条件是否成立，如果成立，继续执行步骤5)；如果不成立，重复执行步骤2)

5)输出最终收敛值

p⁽ⁿ⁾即为上述步骤4.4中第n次迭代的发射功率矢量。

4.5、固定波束形成权值矢量和发射功率矢量为第n次迭代的值

和p⁽ⁿ⁾，计算第n次迭代的功率分配因子矢量α⁽ⁿ⁾。在α⁽ⁿ⁾的计算过程中需要引入一个非负的辅助变量即拉格朗日因子λ，λ通过二分法搜索算法确定，每次更新λ的过程中需要计算其对应的对于任意的λ≥0，

按照如下的迭代过程进行确定：

1)初始化：m＝0，其中m表示迭代次数，

表示第m次迭代时第c个认知用户的功率分配因子。设置迭代终止的判决准则ε＝0.001。

2)迭代次数加1：m＝m+1

3)利用下式计算第m次迭代时第c个认知用户的功率分配因子：

其中 $g_c\left(p_c^{\left(n\right)}\right)=[1+1/(2^{2R_{\mathrm{pk}}}-1)]p_c^{\left(n\right)}{\left|h_c^{\mathrm{cp}}\right|}^2.$

4)判断迭代终止条件

是否满足，如果满足，执行步骤5)；如果不满足，重复执行步骤2)

5)输出最终的收敛值：

辅助变量λ按照如下的二分法搜索算法进行确定：

1)设定二分法搜索算法的初始值λ⁺＝0和λ^-＝10⁷。其中λ⁺表示令 $\underset{c=1}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_c\left({\mathrm{\&lambda;}}^{+}\right)g_c\left(p_c^{\left(n\right)}\right)>C\left(p^{\left(n\right)}\right)$ 的初始值，其中λ-表示令 $\underset{c=1}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_c\left({\mathrm{\&lambda;}}^{-}\right)g_c\left(p_c^{\left(n\right)}\right)<C\left(p^{\left(n\right)}\right)$ 的初始值， $C\left(p^{\left(n\right)}\right)=\frac{1}{2^{2R_{\mathrm{pk}}}-1}\underset{c=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_c^{\left(n\right)}{\left|h_c^{\mathrm{cp}}\right|}^2-{\mathrm{\&sigma;}}_b^2.$ 设置迭代终止的判决准则ε＝0.001。

2)令

调用上述功率分配因子的计算过程获得功率分配因子矢量

如果 $\underset{c=1}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_c\left(\mathrm{\&lambda;}\right)g_c\left(p_c^{\left(n\right)}\right)<C\left(p^{\left(n\right)}\right),$ 则令λ^-＝λ；如果 $\underset{c=1}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_c\left(\mathrm{\&lambda;}\right)g_c\left(p_c^{\left(n\right)}\right)>C\left(p^{\left(n\right)}\right),$ 则令λ⁺＝λ。

3)判断搜索终止条件 $|\underset{c=1}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_c\left(\mathrm{\&lambda;}\right)g_c\left(p_c^{\left(n\right)}\right)-C\left(p^{\left(n\right)}\right)|/C\left(p^{\left(n\right)}\right)\&le;\mathrm{\&epsiv;}$ 是否成立，如果成立，继续执行步骤4)；如果不成立，重复执行步骤2)

4)输出最终结果：

α⁽ⁿ⁾即为上述步骤4.5中第n次迭代的功率分配因子矢量。

4.6、利用下式计算第n次迭代后认知网络的吞吐量

$R_{\mathrm{sum}}^{\left(n\right)}=\underset{c=1}{\overset{3}{\mathrm{\&Sigma;}}}\frac{1}{2}\log (1+\frac{{\mathrm{\&alpha;}}_c^{\left(n\right)}{p}_c^{\left(n\right)}{\left|w_c^{\left(n\right)H}{h}_c^{\mathrm{cb}}\right|}^2}{\underset{i=1,i\&NotEqual;c}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{\left(n\right)}{p}_i^{\left(n\right)}{\left|w_c^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+{\mathrm{\&sigma;}}^2})---\left(8\right)$

4.7、判断迭代终止条件是否满足，如果满足，则继续执行步骤4.8；如果不满足，则重复执行步骤4.2。

4.8、输出最终收敛后的值：

p＝p⁽ⁿ⁾，α＝α⁽ⁿ⁾，

按照以上步骤，在此次随机试验中，第一次迭代时， $w_1^{\left(1\right)}={\left[\mathrm{0.7145,0.3892,0.5814}\right]}^T,$ $w_2^{\left(1\right)}={\left[\mathrm{0.6292,0.7764,0.0374}\right]}^T,$ $w_3^{\left(1\right)}={\left[\mathrm{0.1320,0.9014,0.4123}\right]}^T,$ p⁽¹⁾＝[0.1，0.1，0.1]^T(W)，α⁽¹⁾＝[0.0031，0.0109，0.0046]^T，

不满足迭代终止条件，进行第二次迭代。

第二次迭代时， $w_1^{\left(2\right)}={[0.4928,-\mathrm{0.4172,0.7636}]}^T,$ $w_2^{\left(2\right)}={[\mathrm{0.5021,0.3088},-0.8078]}^T,$ $w_3^{\left(2\right)}={[-\mathrm{0.6838,0.5527,0.4764}]}^T,$ p⁽²⁾＝[0.1，0.1，0.1]^T(W)，α⁽²⁾＝[0.2764，0.1744，0.395]^T，

不满足迭代终止条件，进行第三次迭代。

第三次迭代时， $w_1^{\left(3\right)}={[0.4768,-\mathrm{0.4224,0.7709}]}^T,$ $w_2^{\left(3\right)}={[\mathrm{0.4991,0.2991},-0.8133]}^T,$ $w_3^{\left(3\right)}={[-\mathrm{0.6889,0.5362,0.4878}]}^T,$ p⁽³⁾＝[0.1，0.1，0.1]^T(W)，α⁽³⁾＝[0.2531，0.1732，0.4379]^T，

不满足迭代终止条件，进行第四次迭代

第四次迭代时， $w_1^{\left(4\right)}={[0.4768,-\mathrm{0.4224,0.7709}]}^T,$ $w_2^{\left(4\right)}={[\mathrm{0.4991,0.2991},-0.8133]}^T,$ $w_3^{\left(4\right)}={[-\mathrm{0.6889,0.5362,0.4878}]}^T,$ p⁽⁴⁾＝[0.1，0.1，0.1]^T(W)，α⁽⁴⁾＝[0.2531，0.1732，0.4379]^T，

满足迭代终止条件，迭代过程终止，输出最终结果为：w₁＝[0.4768，-0.4224，0.7709]^T，w₂＝[0.4991，0.2991，-0.8133]^T，w₃＝[-0.6889，0.5362，0.4878]^Tp＝[0.1，0.1，0.1]^T(W)，α＝[0.2531，0.1732，0.4379]^T，R_sum＝15.5196bps/Hz。在这种资源分配方式下，认知网络为主用户提供的速率为1bps/Hz，刚好达到主用户的目标传输速率。

图2和图3是本发明的仿真曲线，仿真结果为10⁶次独立实验的平均值。图2为主用户的目标传输速率分别为R_pk＝1bps/Hz，R_pk＝2bps/Hz和R_pk＝3bps/Hz时，使用本发明的资源分配方法，认知用户可以为主用户提供的传输速率随认知用户峰值发射功率p_max的变化曲线。图2说明，不管主用户的目标传输速率R_pk取值如何，本发明的资源分配方法都可以使主用户的实际传输速率刚好达到其目标传输速率要求。

图3为本发明的资源分配方法所获得的认知SIMO网络吞吐量随认知用户峰值发射功率p_max的变化曲线，仿真中考虑了不同的主用户目标传输速率R_pk和不同的天线数目M。图3表明，随着认知用户峰值发射功率的增加，协同认知SIMO网络的吞吐量性能呈线性增长趋势，即认知用户的发射功率不受主用户网络的制约，因此协同认知SIMO网络可以实现大范围的网络覆盖。

Claims (5)

1.一种协同认知SIMO网络中吞吐量最大化的资源分配方法，其特征在于它包括下列步骤：

步骤1.主用户发射机广播协同请求消息CRM，主用户接收机回复协同应答消息CAM，认知基站从CRM和CAM中估计网络中的信道状态信息，并判断认知SIMO网络是否有能力协同主用户通信以达到主用户的目标传输速率，如果可以则认知基站向主用户发送协同确认信息CCM，认知SIMO网络接入主用户的授权频段；如果不可以则认知SIMO网络不接入主用户的授权频段；

步骤2.当认知基站向主用户发送协同确认信息CCM，认知SIMO网络接入主用户的授权频段时：

认知网络接收主用户数据：主用户发射机和接收机接收到了CCM后，主用户发射机开始进行数据发送，认知网络保持静默，接收主用户数据信息，认知基站和可以成功译码主用户数据的认知用户对主用户数据进行译码；

步骤3.认知用户发送自身数据，同时中继主用户数据：成功译码主用户数据的认知用户使用部分发射功率α_cp_c,c∈U₁发送自己的数据给认知基站，剩余部分功率(1-α_c)p_c,c∈U₁转发主用户数据给主用户接收机；没有成功译码主用户数据的认知用户不转发主用户数据，使用发射功率p_c,c∈U₂发送自己的数据给认知基站；其中：集合U₁表示可以成功译码主用户数据的认知用户的集合，集合U₂表示不能成功译码主用户数据的认知用户的集合，p_c表示第c个认知用户的发射功率，α_c表示第c个认知用户的功率分配因子；

步骤4.认知基站从接收到的混合信号中消除主用户数据的干扰，并对干扰消除后的信号进行波束形成；认知网络通过联合调整发射功率矢量p=[p₁,p₂,...,p_N]^Τ，功率分配因子矢量α=[α₁,α₂,...,α_N]^Τ,α_c=1,c∈U₂和波束形成权值矢量w_c=[w_c,1,w_c,2,...,w_c,M]^Τ,c=1,2,...,N，在保证主用户目标传输速率R_pk的前提下，最大化认知网络的吞吐量，其中M表示认知基站配置的天线数目，N表示认知网络中认知用户的数目。

2.根据权利要求1所述的协同认知SIMO网络中吞吐量最大化的资源分配方法，其特征在于，所述步骤4具体实现方法如下：

4.1、初始化：n=0， $p_c^{\left(n\right)}=p_{c,\max },c=\mathrm{1,2},...,N,{\mathrm{\&alpha;}}_c^{\left(n\right)}=x,c=\mathrm{1,2},...,N,R_{\mathrm{sum}}^{\left(n\right)}=0,$ 其中n表示迭代次数，

和

分别表示第n次迭代时第c个认知用户的发射功率和功率分配因子，p_c,max表示第c个认知用户所允许的峰值发射功率，

表示第n次迭代时认知网络的吞吐量;设置迭代终止的判决准则ε，ε∈[10^-2,10^-4]；

4.2、迭代次数加1：n=n+1；

4.3、固定发射功率矢量和功率分配因子矢量为第n-1次迭代的值p^(n-1)和α^(n-1)，认知基站利用最大SINR波束形成准则计算第n次迭代的波束形成权值矢量

计算式如下：

$w_c^{\left(n\right)}=\mathrm{\&eta;}{(\underset{i=1,i\&NotEqual;c}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{(n-1)}{p}_i^{(n-1)}{h}_i^{\mathrm{cbH}}{h}_i^{\mathrm{cb}}+{\mathrm{\&sigma;}}_b^2{I}_M)}^{-1}{h}_c^{\mathrm{cb}}---\left(1\right)$

其中I_M表示M×M的单位矩阵，η是一个令

归一化的标量因子，

表示第c个认知用户到认知基站的M维信道矢量响应；是

的共轭；

表示认知基站接收到的信道噪声功率；

4.4、固定波束形成权值矢量为第n次迭代的值

固定功率分配因子矢量为第n-1次迭代的值α^(n-1)，计算第n次迭代的发射功率矢量p⁽ⁿ⁾；

4.5、固定波束形成权值矢量和发射功率矢量为第n次迭代的值

和p⁽ⁿ⁾，计算第n次迭代的功率分配因子矢量α⁽ⁿ⁾；

4.6、利用下式计算第n次迭代后认知网络的吞吐量

$R_{\mathrm{sum}}^{\left(n\right)}=\underset{c=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{1}{2}\log (1+\frac{{\mathrm{\&alpha;}}_c^{\left(n\right)}{p}_c^{\left(n\right)}{\left|w_c^{\left(n\right)H}{h}_c^{\mathrm{cb}}\right|}^2}{\underset{i=1,i\&NotEqual;c}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{\left(n\right)}{p}_i^{\left(n\right)}{\left|w_c^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+{\mathrm{\&sigma;}}_b^2})---\left(2\right)$

4.7、判断迭代终止条件

是否满足，如果满足，表示第n次迭代和第n-1次迭代所获得的认知网络吞吐量已经基本不变，即迭代过程收敛，继续执行步骤4.8；如果迭代终止条件不满足，则重复执行步骤4.2；

4.8、输出最终收敛后的值： $w_c=w_c^{\left(n\right)},c=\mathrm{1,2},...,N,p=p^{\left(n\right)},\mathrm{\&alpha;}={\mathrm{\&alpha;}}^{\left(n\right)},R_{\mathrm{sum}}=R_{\mathrm{sum}}^{\left(n\right)},$ 此时，认知网络吞吐量R_sum最大。

3.根据权利要求2所述的协同认知SIMO网络中吞吐量最大化的资源分配方法，其特征在于，所述第n次迭代时，步骤4.4中发射功率矢量p⁽ⁿ⁾的计算过程如下：

1）初始化：m=0，

其中m表示迭代次数，

表示第m次迭代时第c个认知用户的发射功率，设置迭代终止的判决准则ε，ε∈[10^-2,10^-4]；

2）迭代次数加1：m=m+1；

3）利用下式计算第m次迭代时第c个认知用户的发射功率

${\hat{p}}_c^{\left(m\right)}={\left[{\left(\underset{k=1,k\&NotEqual;c}{\overset{N}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&alpha;}}_c^{(n-1)}{\left|w_k^{\left(n\right)H}{h}_c^{\mathrm{cb}}\right|}^2}{\underset{i=1,i\&NotEqual;k}{\overset{N}{\mathrm{\&Sigma;}}}{\hat{p}}_i^{(m-1)}{\mathrm{\&alpha;}}_i^{(n-1)}{\left|w_k^{\left(n\right)H}{h}_c^{\mathrm{cb}}\right|}^2+{\mathrm{\&sigma;}}_b^2}\right)}^{-1}\right]}^{p_{c,\max }}---\left(3\right)$

其中

表示取b和p_c,max中的最小值；

4）判断迭代终止条件是否成立，如果成立，表示第n次迭代和第n-1次迭代所获得的功率矢量已经基本不变，即迭代过程收敛，继续执行步骤5）；如果迭代终止条件不成立，重复执行步骤2）；

5）输出最终的收敛值：

4.根据权利要求2所述的协同认知SIMO网络中吞吐量最大化的资源分配方法，其特征在于，所述第n次迭代时，步骤4.5中功率分配因子矢量α⁽ⁿ⁾的计算过程如下：

1）初始化：m=0，

其中m表示迭代次数，表示第m次迭代时第c个认知用户的功率分配因子；设置迭代终止的判决准则ε，ε∈[10^-2,10^-4]；

2）迭代次数加1：m=m+1；

3）利用下式计算第m次迭代时第c(c∈U₁)个认知用户的功率分配因子：

${\widehat{\mathrm{\&alpha;}}}_c^{\left(m\right)}={\left[{(\underset{k\&Element;U_1,k\&NotEqual;c}{\mathrm{\&Sigma;}}\frac{p_c^{\left(n\right)}{\left|w_k^{\left(n\right)H}{h}_c^{\mathrm{cb}}\right|}^2}{\underset{i\&Element;U_1,i\&NotEqual;k}{\mathrm{\&Sigma;}}{\widehat{\mathrm{\&alpha;}}}_i^{(m-1)}{p}_i^{\left(n\right)}{\left|w_k^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+q_k^1}+\underset{k\&Element;U_2}{\mathrm{\&Sigma;}}\frac{p_c^{\left(n\right)}{\left|w_k^{\left(n\right)H}{h}_c^{\mathrm{cb}}\right|}^2}{\underset{i\&Element;U_1}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_i^{(m-1)}{\hat{p}}_i{\left|w_k^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+q_k^2}+{\mathrm{\&lambda;g}}_c\left(p_c^{\left(n\right)}\right))}^{-1}\right]}^1---\left(4\right)$

其中 $q_k^1=\underset{i\&Element;U_2}{\mathrm{\&Sigma;}}{p}_i^{\left(n\right)}{\left|w_k^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+{\mathrm{\&sigma;}}_b^2(k\&Element;U_1),q_k^2=\underset{i\&Element;U_2,i\&NotEqual;k}{\mathrm{\&Sigma;}}{p}_i^{\left(n\right)}{\left|w_k^{\left(n\right)H}{h}_i^{\mathrm{cb}}\right|}^2+{\mathrm{\&sigma;}}_b^2(k\&Element;U_2),$ $g_c\left(p_c^{\left(n\right)}\right)=[1+1/(2^{2R_{\mathrm{pk}}}-1)]p_c^{\left(n\right)}{\left|h_c^{\mathrm{cp}}\right|}^2,$ λ表示任意的辅助拉格朗日因子，

表示第c个认知用户到主用户接收机的信道响应，对于集合U₂中的认知用户，其功率分配因子为

4）判断迭代终止条件

是否满足，如果满足，表示第n次迭代和第n-1次迭代所获得的功率分配因子矢量已经基本不变，即迭代过程收敛，继续执行步骤5）；如果迭代终止条件不满足，重复执行步骤2）；

5）输出最终的收敛值：

5.根据权利要求2所述的协同认知SIMO网络中吞吐量最大化的资源分配方法，其特征在于，步骤4.1中，

其中，x为小数，x∈[0,1]。

Images