CN103796293B - 一种高铁通信架构下的功率分配方法 - Google Patents

Abstract

本发明涉及一种高铁通信架构下的功率分配方法，该方法针对车载移动基站的通信架构，在OFDM的调制方式下，通过分配基站以及车载移动基站的功率，对抗车地之间Doppler对系统的影响，最大化系统容量。主要包括：建立高铁车载移动基站通信架构下的信道容量函数，优化分配车载移动基站端的发射功率，优化分配基站端的发射功率。本发明的功率分配方法对高速铁路场景通信架构下的系统性能优化具有重要意义。

Description

一种高铁通信架构下的功率分配方法

技术领域

本发明涉及无线移动通信技术领域，特别是涉及一种高铁通信架构下的功率分配方法。

背景技术

最近几年，中国高铁迅速发展并取得了举世瞩目的成就。2011年7月京沪高速开通运营，中国自主创新研制的CRH380系列高速列车在世界规模最大的中国高速铁路网上实现运营，并创造了486.1km/h世界铁路最高运营试验速度。作为旅游及商务最受欢迎的交通工具之一，旅客们希望列车运行中得到丰富的数据服务，包括因特网接入，高品质语音服务和移动视频广播等。因此，在高铁系统中应用宽带无线通信已成为必然的发展趋势。

在高铁下，人们已经提出各种通信架构。其中，采用车载移动基站的网络架构得到广泛的认同，如附图1所示。位于车顶的移动基站（mobile base station——MBS）将从地面上基站（base station——BS）接收到的数据转发到车厢内部的用户设备（userequipment——UE）。通过这种“两跳”的通信架构，一方面可以避免由车厢带来的穿透损耗。另一方面，MBS可以通过信号处理（例如：功率分配，载波分配，编码等）来改进系统性能。

另一方面，OFDMA由于有良好的抗频率选择性衰落能力，并且易于进行资源分配，已经成为下一代无线通信的下行传输技术。将OFDMA技术与“两跳”的通信架构相结合，引进到高铁下是未来研究的热点之一。但是，OFDM对于时变信道很敏感。在BS-MBS链路，由高速移动产生的Doppler会破坏载波间的正交性，导致产生载波间干扰（inter subcarrierinterference——ICI）。随着移动速度的增加，载波间干扰越来越明显，并会降低系统性能。本发明将通过功率分配来改进系统性能。

发明内容

针对以上现有技术的不足，本发明在高铁的通信架构下，以最大化系统容量为目标函数，提出一种高铁的通信架构下的功率分配方法。

本发明的技术方案如下：

一种高铁的通信架构下的功率分配方法，所述方法包括以下步骤：

步骤201：建立系统模型，计算目标函数

步骤202：初始化BS端子载波的功率。

步骤203：进入BS端与MBS端的迭代功率优化，初始化迭代次数l=1。

步骤204：在MBS端，初始化拉格朗日算子λ_R，设定步长值s_R。

步骤205：设MBS端迭代次数为l_R=1，最大迭代次数为l_{R_max}。

步骤206：采用凸优化方法优化MBS端的子载波功率

步骤207：采用次梯度方法计算拉格朗日算子λ_R。

步骤208：在BS端，初始化拉格朗日算子λ_R，设定步长值s_R。

步骤209：设BS端的迭代功率优化，设迭代次数为l_B，最大迭代次数为l_{B_max}。

步骤210：BS端的子载波依次迭代优化，设当前优化的子载波编号m=1:N。

步骤211：固定优化BS端第m(m=1,2,...,N)个子载波功率更新第m个子载波的功率值为当前优化得到的功率值，返回步骤210，直至N个子载波的优化功率全部更新完毕，且每个子载波功率收敛于固定值

步骤212：计算BS处的拉格朗日算子。

步骤213：判断BS与MBS处的和是否收敛于固定值，如果否，返回步骤303，如果是，进入步骤214。

步骤214：输出BS与MBS端最终优化得到的各个子载波的功率值。

所述步骤201，BS与MBS处的功率分别服从不同的功率约束P_B和P_R。

所述步骤201，MBS只进行每个子载波上功率的重新分布，没有译码和在编码功能。

所述步骤201中，在BS端第m个子载波传输的数据，在MBS处仍旧在第m个载波传输。如有完整的载波配对算法，也可以按照载波配对算法，在BS端第m个子载波传输的数据，可以在MBS端第n个子载波传输。

所述步骤202中，也可先对MBS端的子载波功率进行初始化，优先的按步骤208-步骤212先对BS端子载波进行功率优化，再按步骤204-步骤207对MBS端子载波进行功率优化。

本发明产生的有益效果：在高铁通信架构下，通过对BS端和MBS端的子载波功率分配，对抗BS-MBS链路的Doppler干扰，提高系统容量，优化系统性能。

附图说明

图1是示出高铁下的移动基站通信架构。

图2是示出高铁通信架构下的功率分配流程图。

图3是示出本发明实施例中，在不同的SNR下，采用本发明的功率分配算法性能改进对比图。

图4是示出本发明实施例中，随着BS端和MBS端的功率迭代优化次数，在不同SNR下，系统容量增加对比图。

图5是示出本发明实施例中，在不同归一化多普勒下，采用本发明的功率分配算法性能改进对比图。

具体实施方式：

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参照附图2，示出了本发明高铁高架桥场景下基于测量数据的理论建模方法流程示意图，包括：

步骤201：建立系统模型，计算目标函数。

我们考虑高铁下的OFDMA系统，含有N个子载波，地面上的BS通过车厢顶部的MBS与车厢内部的UE通信。假设在连续的两跳中，信道的瞬时增益保持不变。在第一跳中，BS将信号发送到MBS，在第二跳中，MBS重新分配载波和功率，并将信号转发给用户。和分别表示分配给BS处第m个子载波的功率和MBS处第m个子载波的功率。我们进一步定义和是第m个子载波在BS-MBS链路和MBS-UE链路的信道系数，。则相应的信干噪比(signal-to-interference-and-noise-ratio SINR)为and其中和分别是两跳链路中加性高斯白噪声的方差，是ICI产生的干扰功率。考虑到的准确表达式较为复杂且不直观，我们利用ICI的统计平均功率值进行计算（参考文献“Wang,Tiejun,et al."Performance degradation of OFDM systems due to Dopplerspreading."Wireless Communications,IEEE Transactions on5.6(2006):1422-1432.”）表达式如下：

其中f_d为最大Doppler，T_s为系统采样周期。

则通过子载波对从BS通过MBS到达用户k的OFDMA的系统容量可表示为：

其中

令则

所以总的系统容量优化问题可以表示为：

服从

其中P_B和P_R分别表示BS处和MBS处总的发射功率。C4和C5分别是在BS处和MBS处的功率约束。

上述的联合优化是一个非凸的函数，尤其是在分母中含有ICI表达式。因此，我们首先固定在BS处的子载波的功率，优化MBS的功率，然后迭代的优化BS的功率直到BS与MBS的子载波功率全部收敛。

步骤202：初始化BS端子载波的功率。本实施中，初始化

步骤203：BS端与MBS端的迭代功率优化，初始化迭代次数l=1。

步骤204：首先进行MBS端的功率优化，初始化拉格朗日算子λ_R，设定步长值s_R，本实施例中，λ_R的初始化值设为0.0001，步长经验值设为0.0001。

步骤205：进入BS端的迭代功率优化，设迭代次数为l_R，最大迭代次数为l_{R_max}，本实施例中，l_{R_max}的经验值设为500。

步骤206：BS端子载波功率确定后，目标函数（4）相对于功率是凹的。因此可以采用对偶的方法解决优化问题。在OFDM的对偶优化函数与原目标函数之间存在非零间隙，但是文献“Y.Wei and R.Lui."Dual methods for nonconvex spectrum optimization ofmulticarrier systems."Communications,IEEE Transactions on54.7(2006):1310-1322.”证明，在OFDM的子载波个数足够多时，对偶间隙趋近于0。利用约束条件（6），拉格朗日函数可以表示为：

其中，λ_R是拉格朗日算子。令则对偶目标函数联合拉格朗日可表示为：

相应的对偶优化问题可以表示为：

服从λ_R≥0。

如果给定最大化问题（9）是一个凸优化问题，可以用KKT（Karush-Kuhn-Tucker——KKT）条件解决，最后得到的MBS处，第n个子载波的功率为：

其中

步骤207：采用次梯度方法（参考文献“Dual methods for nonconvex spectrumoptimization of multicarrier systems."Communications,IEEE Transactions on54.7(2006):1310-1322”）拉格朗日算子λ_R可以采用迭代的方法得到：

其中，上标l_R表示迭代次数，s_R表示步长。利用新得到的λ_R，返回步骤304，MBS处每个子载波的功率可根据公式（11）重新分配，如此反复迭代至最大迭代次数。

步骤208：再进行MBS端的功率优化，初始化拉格朗日算子λ_R，设定步长值s_R，本实施例中，λ_R的初始化值设为0.0001，步长经验值设为0.0001。

步骤209：进入BS端的迭代功率优化，设迭代次数为l_B，最大迭代次数为l_{B_max}，本实施例中，l_{B_max}的经验值设为500。

步骤210：BS端子载波依次迭代优化，设当前优化的子载波编号m(m=1,2,...,N)。

步骤211：在得到MBS处的功率分布后，BS处的功率也可以进行优化，与的优化不同，在优化目标函数的分母中含有ICI表达式。相应的，对偶目标函数可以表示为：

利用KKT条件，优化功率和λ_B必须满足下述表达式：

其中

从方程组（14）中，我们可以得到N+1个等式和N+1个变量，如果可以得到方程组的解，便可得到BS端的优化功率。但是，解方程组（14）非常困难，因为方程组含有N个非线性方程。因此，我们采用一种局部优化的方法得到（13）的次优解。

令则最大化问题（13）可以分解成N个子问题，表达式如下

优化算法如下，首先固定优化然后利用更新的和之前的优化如此依次进行。对于所有的m=1,2,...,N优化完成，第一轮的搜索结束，BS处所有子载波的功率全部更新。上述搜索可以持续进行直至功率收敛于一个固定的值。对于子载波m的功率，采用KKT条件，可以得到下述等式：

令得到子载波m上的次优功率分布：

其中

得到第m个子载波上的优化功率后，更新第m个子载波的功率值如公式（17）所示。返回步骤210，直至N个子载波的优化功率全部更新完毕，且每个子载波功率收敛于固定值。

步骤212：与（12）类似，拉格朗日算子λ_B可以表示为：

其中l_B表示迭代次数，s_B是步长。利用新得到的λ_B，返回步骤204，MBS处每个子载波的功率可根据公式（17）重新分配，如此反复迭代至最大迭代次数。

步骤213：判断BS与MBS处的和是否收敛于固定值，如果否，返回步骤203，如果是，进入步骤214。

步骤214：输出BS与MBS端最终优化得到的各个子载波功率值。

下面结合图3，图4和图5对本发明方案的有益效果进行分析。本发明的计算机仿真中，假设OFDM的子载波个数为N=16，BS-MBS链路和MBS-UE链路的信道服从独立的瑞利分布，且BS端的功率约束为40dBm，MBS端的功率约束为5dBm。定义和为BS-MBS链路和MBS-UE链路的平均信噪比。另外，用归一化Doppler表示BS-MBS链路的时变特性，定义为f_N=NT_sf_d。

图3示出，在MBS-UE链路的平均SNR为20dB，归一化多普勒为0.1的条件下，系统容量随BS-MBS链路的平均SNR变化示意图。其中“○”的曲线表示OFDM在子载波功率平均分配的条件下，系统容量随平均SNR变化的趋势，即在BS端，在MBS端，“□”曲线表示OFMD在采用本发明的功率分配算法，系统容量随平均SNR变化的趋势。由图3可以得出，本发明的功率分配算法能增大系统容量，改进系统性能。在低信噪比下，性能改进较小，但随着平均信噪比的增大，容量改进明显，在SNR=20dB时，采用本发明提出的功率分配算法，系统容量可增大3bit/s/Hz。

图4示出，在MBS-UE链路的平均SNR为20dB，归一化多普勒为0.1的条件下，采用本发明的功率分配算法，对BS端和MBS端的子载波功率迭代优化，在BS端不同的平均SNR下，随着迭代次数的增加，系统容量增加的曲线。由图4可得，在BS端的平均SNR为12dB，20dB和28dB时，随着迭代次数的增加，系统容量也随着增加，但是在迭代次数大于6时，容量变化不明显，趋近于一个固定值。

图5示出，在BS-MBS链路和MBS-UE链路的平均SNR均为20dB时，随着BS-MBS链路归一化Doppler增加，系统容量改变曲线。其中“○”的曲线表示OFDM在子载波功率平均分配的条件下，系统容量随归一化Doppler变化的曲线，即在BS端，在MBS端，“□”曲线表示OFMD在采用本发明的功率分配算法下，系统容量随归一化Doppler变化的曲线。由图3可以得出，随着归一化Doppler的增加，系统容量降低，且在归一化Doppler大于0.4后，系统容量呈线性变化。而采用本发明的功率分配算法，能够提高系统容量，改进系统性能。显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (1)

1.一种高铁通信架构下的功率分配方法，其特征在于，所述方法包括以下步骤：

步骤201：建立系统模型，计算系统容量，高铁下的OFDM系统，含有N个子载波，地面上的基站BS通过车厢顶部的车载移动基站MBS与车厢内部用户UE通信，假设在连续的两跳中，信道的瞬时增益保持不变，在第一跳中，BS将信号发送到MBS，在第二跳中，MBS重新分配载波功率，并将信号转发给UE，和分别表示分配给BS端第m个子载波的功率和MBS端第m个子载波的功率，则优化的系统容量目标函数表达式为：

$C=\underset{p_m^{\left(1\right)},p_m^{\left(2\right)}}{max}\left(\underset{m=1}{\overset{N}{\mathrm{\Σ}}}{C}_m\right)---(1-1)$

服从

约束条件C1:

约束条件C2:

约束条件C3:

其中P_B和P_R分别表示BS处和MBS处总的发射功率，C_m的表达式为：

$\begin{array}{c}{C}_m=\frac{1}{2}{\log }_2\left(1+\frac{r_m^{\left(1\right)}{p}_m^{\left(1\right)}{r}_m^{\left(2\right)}{p}_m^{\left(2\right)}}{1+r_m^{\left(1\right)}{p}_m^{\left(1\right)}+r_m^{\left(2\right)}{p}_m^{\left(2\right)}}\right)\\ =\frac{1}{2}{\log }_2\left(1+\frac{p_m^{\left(1\right)}{p}_m^{\left(2\right)}}{\left(a_m+{\mathrm{\ρ}}_m\underset{j\≠m}{\overset{N}{\underset{j=1}{\mathrm{\Σ}}}}\frac{p_j^{\left(1\right)}}{{\left(j-m\right)}^2}\right)\·b_m+b_m{p}_m^{\left(1\right)}+\left(a_m+{\mathrm{\ρ}}_m\underset{j\≠m}{\overset{N}{\underset{j=1}{\mathrm{\Σ}}}}\frac{p_j^{\left(1\right)}}{{\left(j-m\right)}^2}\right)p_m^{\left(2\right)}}\right)\\ =\frac{1}{2}{\log }_2\left(1+\frac{p_m^{\left(1\right)}{p}_m^{\left(2\right)}}{\left(a_m+{\mathrm{\ρ}}_m\underset{j\≠m}{\overset{N}{\underset{j=1}{\mathrm{\Σ}}}}\frac{p_j^{\left(1\right)}}{{\left(j-m\right)}^2}\right)\left(b_m+p_m^{\left(2\right)}\right)+b_m{p}_m^{\left(1\right)}}\right)\end{array}---\left(1-5\right)$

其中和分别为BS-MBS链路和MBS-UE链路中第m个子载波上的信干噪比，和分别是第m个子载波在BS-MBS链路和MBS-UE链路的信道系数，和分别是BS-MBS链路和MBS-UE链路中加性高斯白噪声的方差，是ICI产生的干扰功率，表达式为：

${\mathrm{\σ}}_{ICI}^2=E\[|\underset{j\≠m}{\overset{N}{\underset{j=1}{\mathrm{\Σ}}}}{\mathrm{\α}}_j\sqrt{p_j^{\left(1\right)}}{|}^2\]=\frac{{\left({\mathrm{NT}}_s{f}_d\right)}^2}{2}\underset{j\≠m}{\overset{N}{\underset{j=1}{\mathrm{\Σ}}}}\frac{p_j^{\left(1\right)}}{{(j-m)}^2}---(1-6)$

其中f_d为最大Doppler，T_s为系统采样周期，且

令C_m可重新表示为

$C_m=\frac{1}{2}{\log }_2(1+\frac{p_m^{\left(1\right)}{p}_m^{\left(2\right)}}{A_m})---(1-7)$

步骤202：初始化BS端每个子载波功率，

步骤203：进入BS端与MBS端的迭代功率优化，初始化迭代次数l＝1；

步骤204：在MBS端，初始化拉格朗日算子λ_R，设定步长值s_R；

步骤205：设MBS端迭代次数为l_R＝1，最大迭代次数为l_{R_max}；

步骤206：采用凸优化方法优化MBS端的子载波功率

$p_m^{\left(2\right)}={\[\frac{b_m{p}_m^{\left(1\right)}}{2d_m}(\sqrt{1+\frac{2d_m}{ln2b_m{p}_m^{\left(1\right)}{\mathrm{\λ}}_R}}-1)-b_m\]}^{+}---(6-1)$

其中[x]⁺＝max{x,0}，

步骤207：采用次梯度方法计算拉格朗日算子λ_R：

${\mathrm{\λ}}_R^{(l_R+1)}={\[{\mathrm{\λ}}_R^{\left(l_R\right)}+s_R*(\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{p}_n^{\left(2\right)}-P_R)\]}^{+}---(7-1)$

其中，上标l_R表示迭代次数，s_R表示步长，利用新得到的λ_R，返回步骤205，l_R＝l_R+1，MBS处每个子载波的功率可根据公式(6-1)重新分配，如此反复迭代至最大迭代次数l_R＝l_{R_max}；

步骤208：在BS端，初始化拉格朗日算子λ_R，设定步长值s_R；

步骤209：设BS端迭代次数为l_B＝1，最大迭代次数为l_{B_max}；

步骤210：BS端的子载波依次迭代优化，设当前优化的子载波编号m＝1:N；

步骤211：固定优化BS端第m个子载波上的优化功率

$p_m^{\left(1\right)}={\[\frac{\sqrt{T_2^2-4T_1{T}_3}-T_2}{2T_1}\]}^{+}---(11-1)$

其中，

$T_1=b_m(b_m+p_m^{\left(2\right)}),---(11-2)$

$T_2=(2b_m+p_m^{\left(2\right)})(A_m-b_m{p}_m^{\left(1\right)}),---(11-3)$

$T_3={(A_m-b_m{p}_m^{\left(1\right)})}^2-\frac{p_m^{\left(2\right)}(A_m-b_m{p}_m^{\left(1\right)})}{2\ln 2{\mathrm{\λ}}_B}---(11-4)$

更新第m个子载波的功率值为当前优化得到的功率值，返回步骤210，直至N个子载波的优化功率全部更新完毕，且每个子载波功率收敛于固定值；

步骤212：计算BS处的拉格朗日算子λ_B，

${\mathrm{\λ}}_B^{(l_B+1)}={\[{\mathrm{\λ}}_B^{\left(l_B\right)}+s_B*(\underset{m=1}{\overset{N}{\mathrm{\Σ}}}{p}_m^{\left(1\right)}-P_B)\]}^{+}---(12-1)$

其中l_B表示迭代次数，s_B是步长，利用新得到的λ_B，返回步骤209，MBS处每个子载波的功率可根据公式(11-1)重新分配，如此反复迭代至最大迭代次数l_B＝l_{B_max}；

步骤213：判断BS与MBS处的和是否收敛于固定值，如果否，返回步骤203，如果是，进入步骤214；

步骤214：输出BS与MBS端最终优化得到的各个子载波功率值。