CN102740303A - 改进型中继系统的联合功率分配和子载波匹配方法 - Google Patents

Abstract

本发明公开一种改进型中继协作系统的联合功率分配和子载波匹配方法，步骤为：1：通信系统中枢调控单元对信道状态信息进行分析，通过最优化过程获得最优资源分配策略，再将该信息通知网络内各节点；2：信源S根据当前最优发射策略进行广播，信宿D与中继R接收；3：当中继R能够给系统带来有效性能增益时，R对其接收到的信号进行放大转发，否则中继子载波切换至空闲状态，信源S则利用此空闲子载波进行额外传输；4：信宿D联合其在两个阶段所接收到的信号进行解码。相比传统的OFDM中继网络，本发明所提方案能够有效弥补传统OFDM系统中继子载波在第二时隙不能充分利用的不足，极大地提高了频谱效率。

Description

改进型中继系统的联合功率分配和子载波匹配方法

技术领域

本发明涉及无线通信领域的联合功率分配和子载波匹配方法，具体是一种改进型基于OFDM放大-转发中继协作系统的联合功率分配和子载波匹配方法。 

背景技术

作为无线通信信道的三个主要特征，传输的开放性、环境的复杂性以及终端的随机移动性使得无线传输的传输速率与可靠性面临着巨大的挑战。这些因素导致了通信信道中严重的衰落和码间干扰等其非理想特性的产生。中继技术充分利用空间分集来实现无线信道的抗衰落，它能在不增加带宽的前提下极大地提高通信网络的信道容量和频谱利用率。另一方面，OFDM以其优越的抗多径性能和更高的频谱效率成为现代通信系统物理层核心技术。 

在现代通信中，功率及频谱资源的有限性使得资源分配优化问题变得越来越重要。尽管将OFDM技术和中继分集技术相结合，能够极大地改善数据的传输速率和通信的可靠性。但这同时使得通信系统中的资源优化分配问题变得更加复杂，因为它需要把子载波和功率等资源联合分配给系统中的各节点。此外，在中继通信的各跳中，子载波上的信道衰减相互独立，因而子载波匹配也显得尤为重要。 

迄今为止，大部分的功率分配和子载波匹配的联合优化分析都是针对信源到信宿之间不存在直接链路的模型。Y.Wang等在IEEE VTC 2007的会议文献“Power allocation and subcarrier pairing algorithm for regenerative OFDM relay system”中，提出了一种简单有效的排序配对法（SCP）来实现子载波的匹配，即首先分别对两跳子载波按信道增益进行排序；然后将具有相同序号的子载波配对，进行信息的传输。在不考虑直接链路存在时，SCP被Y.Li在2009年IEEE Commun.Lett.中的文献“Subcarrier pairing for amplify-and-forward and decode-and-forward OFDM relay links”证明为最优排序法。Wang在IEEE ICC2008中的会议文献“Comparison of Schemes for Joint Subcarrier Matching and Power Allocation in OFDM Decode-and-Forward Relay System”采用类似SCP的排序法针对OFDM DF中继网络提出了两种运算复杂度非常低的次最优方案。同样是基于发送源到接收端不存在直接链路的假设，Fan在Int.J.Commun.Syst.2010的文献“Joint subcarrier and power allocation for uplink relay-enhanced OFDM systems”中对两 跳上行链路网络进行了联合功率分配和子载波匹配，并利用数学分解的手段获得了优化的次优解。另一方面，由于信源到信宿间直接链路的存在，大大复杂了优化问题的求解。因而有关中继协作分集模型的功率分配和子载波匹配的联合优化的分析并不多。B.Da在APCC2008的会议文献“Subcarrier and Power Allocation in Relay-assistant OFDMA Cellular System”中，提出了一种基于个体功率受限，以容量最大化为目标的资源联合分配，W.Dang在2010年IEEE Trans.Wireless Commun.的文献“Subcarrier-pair based resource allocation for cooperative multi-relay OFDM systems”中，讨论了在单用户OFDM中继网络，中继转发方式为AF时的功率分配和子载波匹配。然而，所有这些方案均没有考虑允许信源在第二时隙的空闲子载波信道上进行传输，这显然在一定程度上，浪费了部分频谱资源。 

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于OFDM的改进型中继协作系统的联合功率分配和子载波匹配方法。本发明放松了传统中继通信的转发限制—第二时隙只允许中继R进行传输，通过对中继R最优工作模式的判断及切换，在任意通信周期的第二时隙中，当中继R在某些子载波对中切换至空闲状态时，允许信源在这些空闲子载波信道中进行额外的信息传输，从而进一步提高系统性能。本发明具有复杂度低、操作简单的特点，同时与传统的转发策略相比，在频谱资源利用率方面有较大的提升。 

本发明的应用的中继协作系统是一种中继协作单天线通信系统，该系统由三个节点组成，即1个信源S，1个AF中继R和1个信宿D。本发明假设信源与信宿之间存在着直接链路以获得分集增益，信源S、信宿D和中继R均为单天线配置，且均工作于半双工模式。 

为了充分获得放大-转发中继R所带来的额外信道自由度，本发明所述的协作中继模型在任一给定的子载波对（m,n）中的任一传输过程包括两个时隙的收发。 

时隙一：信源S对传输信号进行广播，信宿D与中继R独立进行接收，若它们的接收信号分别用y_rm与 

表示，则有： 

$y_{\mathrm{rm}}=\sqrt{P_S^m}{h}_{\mathrm{SR}}^m{s}_m+z_{\mathrm{rm}},$ $y_{\mathrm{dm}}^{\left(1\right)}=\sqrt{P_S^m}{h}_{\mathrm{SD}}^m{s}_m+z_{\mathrm{dm}}^{\left(1\right)},$

其中s_m为信源S在第m个子载波上所发送的信号，z_rm及 

分别指R和D在第一时隙所引入的噪声； 

时隙二：系统根据中继R最优工作模式的判断来决定这一时隙的传输。当中继R对于（m,n）处于中继模式时，中继R对y_rm进行放大后于第n子载波信道转发，S则于第n子载波 信道上保持安静，信宿在此时隙接收信号为： 

$y_{\mathrm{dn}}^{\left(2\right)}=\sqrt{\frac{P_R^n}{P_S^m{\left|h_{\mathrm{SR}}^m\right|}^2+{\mathrm{\σ}}_r^2}}{h}_{\mathrm{RD}}^n{y}_{\mathrm{rm}}+z_{\mathrm{dn}}^{\left(2\right)};$

当继R对于（m,n）处于空闲模式时，中继R则在第n子载波信道保持安静，S则在第n子载波信道中进行新的传输，这种情况下信宿在此时隙接收信号为： 

$y_{\mathrm{dn}}^{\left(2^{\′}\right)}=P_{S,2}^n{h}_{\mathrm{SD}}^n{s}_n+z_{\mathrm{dn}}^{\left(2\right)},$

同时，信宿对两个时隙接收到的信号进行最大比合并（MRC），解码还原发送信号。 

本发明是通过以下技术方案实现的： 

一种改进型中继协作系统的联合功率分配和子载波匹配方法，包括以下步骤： 

步骤1：通信系统内中枢控制单元对所有信道状态信息进行分析处理，通过最优化算法获得当前信道状态所对应的最优子载波匹配和子载波功率分配方案，其形式为 

然后将这些信息通知到通信网络内各节点； 

步骤2：在任意通信周期的第一时隙，信源S根据当前最优发射策略 

及 

进行信息广播，信宿D与中继R进行分别接收； 

步骤3：在任意通信周期的第二时隙，发送端基于对于任意子载波对当前信道状况的分析，使得中继R切换到最优的工作模式，当中继R能够给（m,n）子载波信道带来有效性能增益时，R切换至中继模式（ρ_m，n=1），即R对子载波对中前一时隙接收到的信号依因子 

进行放大并转发，信宿D进行接收；而当中继R无法给（m,n）子载波信道带来有效性能增益时，其切换至空闲模式（ρ_m,n=0），信源S则利用此空闲子载波进行额外传输； 

步骤4：信宿D联合其在两个时隙所接收到的信号进行解码。 

在步骤1中，中枢控制单元所要解决的最优化问题表示为一个NP-hard混合整数规划问题： 

$\underset{\{P,t,\mathrm{\ρ}\}}{\max }\frac{1}{2}\underset{m=1}{\overset{N}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{t}_{m,n}\{{\mathrm{\ρ}}_{m,n}{\log }_2(1+P_1^{m,n}{\stackrel{\‾}{\mathrm{\γ}}}_1^{m,n})+(1-{\mathrm{\ρ}}_{m,n})[{\log }_2(1+P_2^m{\mathrm{\γ}}_{\mathrm{SD}}^m)+{\log }_2(1+P_3^n{\mathrm{\γ}}_{\mathrm{SD}}^n)\left]\right\},$

$s.t.D1:t_{m,n}\∈\left\{\mathrm{0,1}\right\},\∀\mathrm{mn},$ $D2:\underset{m=1}{\overset{N}{\mathrm{\Σ}}}{t}_{m,n}=1,\∀n,$ $\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{t}_{m,n}=1,\∀m,$ D3:ρ_m,n∈{0,1}, 

$D4:\underset{m=1}{\overset{N}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{t}_{m,n}\{{\mathrm{\ρ}}_{m,n}{P}_1^{m,n}+(1-{\mathrm{\ρ}}_{m,n})(P_2^m+P_3^n)\}\≤P_t,$ $D5:P_1^{m,n},P_2^m,P_3^m\≥0,\∀\mathrm{mn},$

其中， 

和 

分别表示中继R工作于中继模式时的总功率以及R处于空闲模式时信源S在第一、第二时隙发送功率。 指中继模式下(m,n)子载波对信道所对应的等效信道增益，且有： 

${\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}=\left\{\begin{array}{cc}\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m\mathrm{\&mu;}({\mathrm{\&gamma;}}_{\mathrm{SR}}^m\mathrm{\&mu;}+{\mathrm{\&gamma;}}_{\mathrm{RD}}^n)+{\mathrm{\&gamma;}}_{\mathrm{SR}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n\mathrm{\&mu;}}{(1+\mathrm{\&mu;})({\mathrm{\&gamma;}}_{\mathrm{SR}}^m\mathrm{\&mu;}+{\mathrm{\&gamma;}}_{\mathrm{RD}}^n)},& {\mathrm{\&gamma;}}_{\mathrm{SD}}^m<{\mathrm{\&gamma;}}_{\mathrm{RD}}^n,\\ {\mathrm{\&gamma;}}_{\mathrm{SD}}^m,& {\mathrm{\&gamma;}}_{\mathrm{SD}}^m\&GreaterEqual;{\mathrm{\&gamma;}}_{\mathrm{RD}}^n\end{array}\right.$

其中， $\mathrm{\&mu;}=\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n+{\mathrm{\&gamma;}}_{\mathrm{RD}}^n\sqrt{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n+{\mathrm{\&gamma;}}_{\mathrm{SR}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n-{\mathrm{\&gamma;}}_{\mathrm{SD}}^m{\mathrm{\&gamma;}}_{\mathrm{SR}}^m}}{{\mathrm{\&gamma;}}_{\mathrm{SR}}^m({\mathrm{\&gamma;}}_{\mathrm{RD}}^n-{\mathrm{\&gamma;}}_{\mathrm{SD}}^m)}.$ 对整数限制条件t_m,n∈{0,1}、ρ_m,n∈{0,1}进行松弛至t_m,n≥0, 

之后，使得子载波匹配因子t_m，n及模式选择因子ρ_m,n成为系统每个子载波对的时域共享因子。定义新的变量 $S_1^{m,n}=t_{m,n}{\mathrm{\&rho;}}_{m,n}(P_S^m+P_R^n),$ $S_2^m=t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})P_{S,1}^m,$ 及 

分别表示信源S与中继R在两种模式下实际所消耗的功率，则此时原最优化问题可以变为 

$\underset{\{S,t,\mathrm{\&rho;}\}}{\max }\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}\{{\mathrm{\&rho;}}_{m,n}{\log }_2(1+S_1^{m,n}\frac{{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}}{t_{m,n}{\mathrm{\&rho;}}_{m,n}})+(1-{\mathrm{\&rho;}}_{m,n}){\log }_2(1+S_2^m\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m}{t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})})$

$+(1-{\mathrm{\&rho;}}_{m,n}){\log }_2(1+S_3^n\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^n}{t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})})\},$

$s.t.D6:t_{m,n}\&GreaterEqual;0,\&ForAll;\mathrm{mn},$ $D7:{\mathrm{\&rho;}}_{m,n}\&GreaterEqual;0,\&ForAll;\mathrm{mn},$ $D8:\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}(S_1^{m,n}+S_2^m+S_3^n)=P_t,$

$D9:S_1^{m,n},S_2^m,S_3^m\&GreaterEqual;0,\&ForAll;\mathrm{mn},\mathrm{andD}2.$

本发明将限制条件D2与D8进行对偶化，可以构造拉格朗日函数如下： 

$L(S,t,\mathrm{\&rho;},\mathrm{\&alpha;},\mathrm{\&beta;})=\frac{1}{2}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}\{{\mathrm{\&rho;}}_{m,n}{\log }_2(1+S_1^{m,n}\frac{{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}}{t_{m,n}{\mathrm{\&rho;}}_{m,n}})$

$+(1-{\mathrm{\&rho;}}_{m,n}){\log }_2(1+S_2^m\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m}{t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})})+(1-{\mathrm{\&rho;}}_{m,n}){\log }_2(1+S_3^n\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^n}{t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})})\}$

$+\mathrm{\&alpha;}(P_t-\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}(S_1^{m,n}+S_2^m+S_3^n))+\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_n(1-\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}),$

其中α≥0及β=(β₁,β₂,...,β_N)±0为对偶变量。此时，对偶目标函数及其对偶问题分别为： 

$g(\mathrm{\&alpha;},\mathrm{\&beta;})=\underset{\{S,\mathrm{\&rho;},t\}}{\max }L(S,t,\mathrm{\&alpha;},\mathrm{\&beta;}),$ $s.t.\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}=1,\&ForAll;n,t_{m,n}\&GreaterEqual;0,\&ForAll;m,n,\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{S}_{m,n}\&le;P_t,$

$\underset{\{\mathrm{\&alpha;},\mathrm{\&beta;}\}}{\min }g(\mathrm{\&alpha;},\mathrm{\&beta;})s.t.\mathrm{\&alpha;}\&GreaterEqual;0,\mathrm{\&beta;}\&PlusMinus;0.$

此时对偶域功率分配最优解可以表示为： 

$S_{1^{*}}^{m,n}=t_{m,n}{\mathrm{\&rho;}}_{m,n}{[\frac{1}{2\mathrm{\&alpha;}}-\frac{1}{{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}}]}^{+},$ $S_{2^{*}}^m=t_{m,n}\left({1-\mathrm{\&rho;}}_{m,n}\right){[\frac{1}{2\mathrm{\&alpha;}}-\frac{1}{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m}]}^{+},$ $S_{3^{*}}^n=t_{m,n}\left({1-\mathrm{\&rho;}}_{m,n}\right){[\frac{1}{2\mathrm{\&alpha;}}-\frac{1}{{\mathrm{\&gamma;}}_{\mathrm{SD}}^n}]}^{+};$

对偶域最优模式选择因子最优解为： 

${\mathrm{\&rho;}}_{m,n}^{*}=\left\{\begin{array}{cc}1,& \mathrm{when}{R}_{m,n}^R>R_{m,n}^I,\\ 0,& \mathrm{otherwise}.\end{array}\right.$

其中， 

$R_{m,n}^R=\frac{1}{2}\log (1+{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}{[\frac{1}{2\mathrm{\&alpha;}}-\frac{1}{{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}}]}^{+})-\mathrm{\&alpha;}{[\frac{1}{2}\mathrm{\&alpha;}-\frac{1}{{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}}]}^{+},$

$R_{m,n}^{\mathrm{NR}}=\frac{1}{2}\log (1+{\mathrm{\&gamma;}}_{\mathrm{SD}}^m{[\frac{1}{2\mathrm{\&alpha;}}-\frac{1}{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m}]}^{+})-{\mathrm{\&alpha;}[\frac{1}{2\mathrm{\&alpha;}}-\frac{1}{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m}]}^{+}+\frac{1}{2}\log (1+{\mathrm{\&gamma;}}_{\mathrm{SD}}^n{[\frac{1}{2\mathrm{\&alpha;}}-\frac{1}{{\mathrm{\&gamma;}}_{\mathrm{SD}}^n}]}^{+})-\mathrm{\&alpha;}{[\frac{1}{2\mathrm{\&alpha;}}-\frac{1}{{\mathrm{\&gamma;}}_{\mathrm{SD}}^n}]}^{+},$

对偶域最优子载波匹配因子最优解为： 

$t_{m,n}^{*}=\left\{\begin{array}{cc}1,& m=\underset{m=1,...,N}{\arg \max }{R}_{m,n}^{*},\\ 0,& \mathrm{otherwise},\end{array}\right.\&ForAll;n.$

其中， $R_{m,n}^{*}={\mathrm{\&rho;}}_{m,n}^{*}{R}_{m,n}^R+(1-{\mathrm{\&rho;}}_{m,n}^{*})R_{m,n}^I-{\mathrm{\&beta;}}_n.$

对于对偶问题，本发明通过梯度下降法迭代获得对偶变量值： 

$\left\{\begin{array}{c}{\mathrm{\&alpha;}}^{(i+1)}={\mathrm{\&alpha;}}^{\left(i\right)}-a^{\left(i\right)}\{P_t-\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}(S_1^{m,n}+S_2^m+S_3^n)\},\\ {\mathrm{\&beta;}}_m^{(i+1)}={\mathrm{\&beta;}}_m^{\left(i\right)}-b^{\left(i\right)}(1-\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}^{\left(i\right)}),m=1,...,N.\end{array}\right.$

其中，i为迭代次数，a⁽ⁱ⁾和b⁽ⁱ⁾为迭代步长。基于每一次迭代中获得的α和β_m，本发明可以依次更新最优功率分配向量、最优模式选择因子及最优子载波匹配因子，直至算法收敛。算法收敛后输出最优功率分配向量及最优子载波匹配因子，并以此构造最优码字。 

本发明的工作原理：在传统的基于OFDM调制的中继协作系统的联合资源分配方案中，第二时隙只允许中继R进行传输，即使中继R在某些子载波对中并不协作转发，这显然在一定程度上浪费了有限的频谱资源。本发明通过定义中继R的工作模式因子，引入了子载波对中中继R工作状态判断及切换机制，在任意通信周期的第二时隙中，当中继R在某些子载波对中切换至空闲状态时，允许信源在这些空闲子载波信道中进行额外的信息传输。这种改进型转发机制进一步提高了系统性能。在对联合资源分配方案的求解中，本发明利用多载波系统的时域共享特性，对原混合整数规划问题进行整数限制连续化，并采用 拉格朗日对偶法来求解处理后的优化问题。 

与现有技术相比，本发明充分利用了第二跳的空闲子载波频谱资源，与已有的联合子载波匹配和功率分配策略相比，在系统容量方面具有较大的性能提升。 

附图说明

图1为改进型中继系统模型。 

图2为传统中继系统与改进型中继系统的两时隙传输示意图。 

图3为不同算法在给定的信噪比范围内系统端到端速率上的比较。 

图4为算法在子载波数目变化时，不同的算法所能取得的系统端到端速率的比较。 

图3、图4中： 

EPA w/o SP代表无子载波匹配的基础上进行平均功率分配； 

OPA w/o SP代表无子载波匹配的基础上进行最优功率分配； 

EPA with SP则代表最优子载波匹配的基础上进行平均功率分配； 

Conventional AF则代表传统放大转发机制，即第二时隙并未被利用的情况。 

具体实施方式

下面结合附图和仿真实例对本发明的实施例作详细说明：本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。 

如附图1所示改进型OFDMAF中继信道，中继R对接收到的信号采取放大-转发的方式来协助通信。中继R采用半双工模式进行通信。系统采用QPSK调制方式。所有的子载波信道均假设为平坦衰落、服从路径损耗因子为2.5的瑞利分布，且其信道增益在任一个完整的两个时隙的传输过程中保持不变，即在同一次传输中，信道情况保持不变。中继端和信宿端的噪声服从相同的高斯分布，且 

对偶变量求解过程中的迭代步长设为 

仿真中，每组方案均进行10,000次仿真试验。每次试验按照以下步骤进行： 

1：通信系统内中枢控制单元对所有信道状态信息进行分析处理，通过最优化系统端到端速率算法获得当前信道状态所对应的最优子载波匹配和子载波功率分配方案 

然后将这些信息通知到通信网络内各节点，并以此决定第二时隙系统动作； 

2：信源S根据发射策略 

及 

进行信息广播，信宿D与中继R进行分别接收； 

3：信源S及中继R进行中继工作模式判断及切换机制，对于系统任一有效子载波对（m,n），当ρ_m,n=1时，即R转换至中继模式，此时R对其接收到的信号y_rm在子载波n信道上进行放大并转发，为了保证功率归一化，其放大系数为 

当ρ_m,n=0时，R转换至空闲模式，即中继R在子载波n信道上保持安静，信源S则利用此空闲子载波n进行额外传输，在S或R发送的同时，信宿D进行接收； 

4：信宿D联合 

及 

进行最大比合并。 

基于发明内容及以上分析，基于OFDM改进型AF中继系统联合子载波匹配和子载波功率分配方法如下： 

1）：初始化：令i＝1，分别设定α⁽ⁱ⁾, ε,max_iter值； 

2）：迭代开始：当(i<max_iter)，使 

3）：利用α=α⁽ⁱ⁾和 

及瞬时信道信息计算模式选择因子 

4）：利用β_m=β_m ⁽ⁱ⁾和 计算子载波匹配因子 

5）：利用α=α⁽ⁱ⁾， 

以及 

计功率分配向量 

6）：利用a⁽ⁱ⁾,b⁽ⁱ⁾， 

及 更新对偶变量α⁽ⁱ⁾, 

值； 

7）：判决：若 $\frac{|{\mathrm{\&alpha;}}^{(i+1)}-{\mathrm{\&alpha;}}^{\left(i\right)}|}{\left|{\mathrm{\&alpha;}}^{(i+1)}\right|}<\mathrm{\&epsiv;},$ $\frac{\left|\right|{\mathrm{\&beta;}}_m^{i+1}-{\mathrm{\&beta;}}_m^{\left(i\right)}\left|\right|}{\left|\right|{\mathrm{\&beta;}}_m^{\left(i\right)}\left|\right|}<\mathrm{\&epsiv;},$ 则输出功率分配向量 

子载波匹配因子 

以及模式选择因子 

最为最优解。 

本实施例中，设定的通信场景为：信源S、中继节点R及信宿D分布在同一直线上；且中继R处于信源S与信宿D的中点上。按照上述步骤，各反复进行了10,000次独立仿真试验，在图3中，子载波数假设为N=128，图4中，SNR=15dB，依据上述条件，可以得到系统端到端总速率，并给出附图3、图4的结果。 

从附图3中可以看出，本实施例的改进型联合资源分配方案，性能超过传统放大转发中继机制，这说明本发明在通信周期的第二时隙对空闲子载波的利用给系统带来有效的性能增益；此外，在大范围的SNR区域内，本发明所提出的改进型联合资源分配方案比EPA w/o SP、OPA w/o SP、EPA with SP三种方案都具有更优的系统系能。图3所展示的性能提升意味着改进型联合资源分配方案的提出具有一定的现实意义。 

从附图4可以看出，随着系统子载波数目的不断增加，本发明的方案与EPA w/o SP、OPA w/o SP、EPA with SP以及传统的AF转发机制四种方案的性能差距逐渐增大，这可以归因于较大的子载波数目带来更大的分配自由度。 

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。 

Claims (5)

1.一种改进型中继协作系统的联合功率分配和子载波匹配方法，其特征在于：所述中继协作系统是一种中继协作单天线通信系统，该系统包括一个信源S，一个放大-转发中继R，一个信宿D，所述方法包括以下步骤：

步骤1：通信系统中枢控制单元对网络信道状态信息进行分析处理，通过最优化系统端到端总速率，获得最优子载波匹配和子载波功率分配策略，并随之将这些信息通知到通信系统内各节点；

步骤2：在任意通信周期的第一时隙，信源S根据其当前获知的最优发射策略进行信息广播，信宿D与中继R同时进行独立接收；

步骤3：在任意通信周期的第二时隙，发送端基于对于任意子载波对当前信道状况的分析，使得中继R切换到最优的工作模式，如当中继R能够给系统带来有效性能增益时，中继R切换到转发模式，即对子载波对中前一时隙接收到的信号进行放大、转发，信宿D进行接收；否则，中继R切换至空闲状态，此时子载波对中第二跳子载波保持安静，信源S则利用此空闲子载波进行额外的信息传输；

步骤4：信宿D联合其在两个阶段所接收到的信号进行解码。

2.如权利要求1所述的改进型中继协作系统的联合功率分配和子载波匹配方法，其特征在于，通信系统中枢控制节点依据系统某种性能最优化问题的求解迭代获得最优子载波匹配和子载波功率分配策略，将策略通知中继R和信源S，从而决定第二时隙的动作。

3.如权利要求1或2所述的改进型中继协作系统的联合功率分配和子载波匹配方法，其特征在于，所述改进型中继协作系统的端到端速率表现为：

$R^{m,n}=\left\{\begin{array}{cc}\frac{1}{2}{\log }_2(1+{\mathrm{\&gamma;}}_{\mathrm{SD}}^m{P}_{S,1}^m)+\frac{1}{2}{\log }_2(1+{\mathrm{\&gamma;}}_{\mathrm{SD}}^n{P}_{S,2}^n),& \mathrm{idle}\mathrm{mode},\\ \frac{1}{2}{\log }_2(1+P_S^m{\mathrm{\&gamma;}}_{\mathrm{SD}}^m+\frac{P_S^m{P}_R^n{\mathrm{\&gamma;}}_{\mathrm{SR}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n}{1+P_S^m{\mathrm{\&gamma;}}_{\mathrm{SR}}^m+P_R^n{\mathrm{\&gamma;}}_{\mathrm{RD}}^n}),& \mathrm{relaying}\mathrm{mode}.\end{array}\right.$

其中，和

分别指当中继R处于中继模式时，信源S和中继R在子载波对（m,n）所对应信道中的发射功率，

和

则分别指当中继R处于空闲模式时，信源S在第一时隙与第二时隙在直接链路S-D上的发射功率，

分别指相应子载波链路上的标准化信道增益，且有： ${\mathrm{\&gamma;}}_{S,D}^m={\left|h_{\mathrm{SD}}^m\right|}^2/{\mathrm{\&sigma;}}^2,$ ${\mathrm{\&gamma;}}_{S,D}^n={\left|h_{\mathrm{SD}}^n\right|}^2/{\mathrm{\&sigma;}}^2,$ ${\mathrm{\&gamma;}}_{S,R}^m={\left|h_{\mathrm{SR}}^m\right|}^2/{\mathrm{\&sigma;}}_r^2$ 以及 ${\mathrm{\&gamma;}}_{R,D}^n={\left|h_{\mathrm{RD}}^n\right|}^2/{\mathrm{\&sigma;}}^2.$

4.如权利要求3所述的改进型中继协作系统的联合功率分配和子载波匹配方法，其特征在于，所述通信系统端到端总速率最优化问题被建模为一个混合整数规划问题：

$\underset{\{P,t,\mathrm{\&rho;}\}}{\max }\frac{1}{2}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}\{{\mathrm{\&rho;}}_{m,n}{\log }_2(1+P_S^m{\mathrm{\&gamma;}}_{\mathrm{SD}}^m+\frac{P_S^m{P}_R^n{\mathrm{\&gamma;}}_{\mathrm{SR}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n}{1+P_S^m{\mathrm{\&gamma;}}_{\mathrm{SR}}^m+P_R^n{\mathrm{\&gamma;}}_{\mathrm{RD}}^n})$

$+(1-{\mathrm{\&rho;}}_{m,n})[{\log }_2(1+P_{S,1}^m{\mathrm{\&gamma;}}_{\mathrm{SD}}^m)+{\log }_2(1+P_{S,2}^n{\mathrm{\&gamma;}}_{\mathrm{SD}}^n)]\},$

D1: $t_{m,n}\&Element;\left\{\mathrm{0,1}\right\},\&ForAll;\mathrm{mn},$ D2: $\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}=1,\&ForAll;n,$ $\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}=1,\&ForAll;m,$

s.t.D3: ${\mathrm{\&rho;}}_{m,n}\&Element;\left\{\mathrm{0,1}\right\},\&ForAll;\mathrm{mn},$ D4: $\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}\{{\mathrm{\&rho;}}_{m,n}(P_S^m+P_R^n)P+(1-{\mathrm{\&rho;}}_{m,n})(P_{S,1}^m+P_{S,2}^n)\}\&le;P_t,$

D5: $P_S^m,P_R^n,P_{S,1}^m,P_{S,2}^n\&GreaterEqual;0,\&ForAll;\mathrm{mn},$

其中，t_m,n∈{0,1}被定义为子载波匹配因子，当其取值为1时，子载波m与n匹配，否则，二者不进行匹配；ρ_m,n∈{0,1}被定义为中继模式选择因子，当其取值为1时，R对子载波对（m,n）处于中继状态，否则，中继处于空闲状态，P_t为系统总功率限制；

采用限制条件连续化及拉格朗日对偶化的方法将该混合整数规划问题进行转化并有效地求解。

5.如权利要求4所述的改进型中继协作系统的联合功率分配和子载波匹配方法，其特征在于，所述连续化及拉格朗日对偶化将上述混合整数规划问题变为优化对偶目标函数：

$g(\mathrm{\&alpha;},\mathrm{\&beta;})=\underset{\{P,t\}}{\max }L(P,t,\mathrm{\&rho;},\mathrm{\&alpha;},\mathrm{\&beta;}),$

及其对偶问题：

$\underset{\{\mathrm{\&alpha;},\mathrm{\&beta;}\}}{\min }g(\mathrm{\&alpha;},\mathrm{\&beta;}),s.\mathrm{t\&alpha;}\&GreaterEqual;0,\mathrm{\&beta;}\&GreaterEqual;0,$

其中α,β为对偶变量，且拉格朗日函数L(P,t,α,β)构造为：

$L(S,t,\mathrm{\&rho;},\mathrm{\&alpha;},\mathrm{\&beta;})=\frac{1}{2}\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}\{{\mathrm{\&rho;}}_{m,n}{\log }_2(1+S_1^{m,n}\frac{{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}}{t_{m,n}{\mathrm{\&rho;}}_{m,n}})$

$+(1-{\mathrm{\&rho;}}_{m,n})({\log }_2(1+S_2^m\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m}{t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})})+{\log }_2(1+S_3^n\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^n}{t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})}))$

$+\mathrm{\&alpha;}(P_t-\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}(S_1^{m,n}+S_2^m+S_3^n))+\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_n(1-\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_{m,n}),$

其中， $S_1^{m,n}=t_{m,n}{\mathrm{\&rho;}}_{m,n}(P_S^m+P_R^n),$ $S_2^m=t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})P_{S,1}^m,$ $S_3^n=t_{m,n}(1-{\mathrm{\&rho;}}_{m,n})P_{S,2}^n$ 分别表示信源S与中继R在两种模式下实际所消耗的功率，

指中继模式下(m,n)子载波对信道所对应的等效信道增益，且有：

${\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_1^{m,n}=\left\{\begin{array}{cc}\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m\mathrm{\&mu;}({\mathrm{\&gamma;}}_{\mathrm{SR}}^m\mathrm{\&mu;}+{\mathrm{\&gamma;}}_{\mathrm{RD}}^n)+{\mathrm{\&gamma;}}_{\mathrm{SR}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n\mathrm{\&mu;}}{(1+\mathrm{\&mu;})({\mathrm{\&gamma;}}_{\mathrm{SR}}^m\mathrm{\&mu;}+{\mathrm{\&gamma;}}_{\mathrm{RD}}^n)},& {\mathrm{\&gamma;}}_{\mathrm{SD}}^m<{\mathrm{\&gamma;}}_{\mathrm{RD}}^n\\ {\mathrm{\&gamma;}}_{\mathrm{SD}}^m,& {\mathrm{\&gamma;}}_{\mathrm{SD}}^m\&GreaterEqual;{\mathrm{\&gamma;}}_{\mathrm{RD}}^n\end{array}\right.,$

其中， $\mathrm{\&mu;}=\frac{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n+{\mathrm{\&gamma;}}_{\mathrm{RD}}^n\sqrt{{\mathrm{\&gamma;}}_{\mathrm{SD}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n+{\mathrm{\&gamma;}}_{\mathrm{SR}}^m{\mathrm{\&gamma;}}_{\mathrm{RD}}^n-{\mathrm{\&gamma;}}_{\mathrm{SD}}^m{\mathrm{\&gamma;}}_{\mathrm{SR}}^m}}{{\mathrm{\&gamma;}}_{\mathrm{SR}}^m({\mathrm{\&gamma;}}_{\mathrm{RD}}^n-{\mathrm{\&gamma;}}_{\mathrm{SD}}^m)}.$

Images