CN103997745A - Lte-a异构网络中低功率节点自组织方法 - Google Patents

Abstract

本发明公开了一种LTE-A异构网络中基于频谱感知的低功率节点自组织方法。该方法包括：初始化智能低功率节点，通过频谱感知确定智能低功率节点感知到的各个方位及频段处的功率信息，针对每一功率节点建立感知模型；利用智能低功率节点与其他功率节点的方位几何关系及信道的互易性，建立对单功率节点的干扰模型；建立全局对外干扰模型；建立基于单扇区的自适应的最优频谱分配算法，得到最优的天线方向。本发明将LTE-A与自组织网络相结合，引入基于频谱感知的干扰协调策略，有效地改善了网络的覆盖性能与容量；通过分布式处理进行低功率节点的自配置与自优化，降低复杂度与提高灵活性的同时能够较好的满足网络适时性与容错性的要求。

Description

LTE-A异构网络中低功率节点自组织方法

技术领域

本发明涉及移动通信技术领域，具体涉及一种LTE-A异构网络中低功率节点的自组织优化方法。

背景技术

HetNet(异构网络，Heterogeneous Network)作为3GPP LTE-A中的关键技术手段之一，采用了宏蜂窝、射频拉远以及LPN(Low Power Node，低功率节点)在内的混合结构。其中LPN包括pico-cells、femto-cells、中继等形式，它不仅可以有效解决蜂窝网络的覆盖问题,还能够更高效的使用频谱。SON(自组织网络，Self-organization Network)则在LTE-A HetNet中至关重要，一方面它能够有效降低同频干扰管理的复杂度，另外在抑制同频干扰的功率优化及节能上也具有更大的自由度。SON主要涉及自优化、自治愈、自配置几个方面，其中，自优化主要针对无线参数的实时控制，自配置作为安装过程的一部分能够使网络设备自身完成动态设置。同时，SON分为集中式、分布式和混合式三种结构，其中分布式结构具有更强的适时性和容错能力。

CR(Cognitive Radio，认知无线电)是基于认知能力和重配置能力并通过与环境的动态交互来改变发射机参数实现频谱高效利用的重要手段。CR又包括频谱感知与频谱管理，通过频谱感知可以获取发射机周边的频谱功率状况，而频谱管理则可以实现高效的频谱利用。同构网络中的静态干扰协调技术，如PFR、FFR，通过划分频谱分别用于小区内外两部分，可以有效的改善小区的整体覆盖性能，针对覆盖盲区与数据热点，异构网络采用LPN来提升小区的覆盖性能与容量，但与此同时，传统的干扰协调策略未能充分考虑到异构网络中的同层干扰与跨层干扰，或者只考虑提升LPN的性能而忽视了网络的整体性能。

发明内容

为了改善网络的整体覆盖性能与容量，本发明提供了一种LTE-A异构网络中基于频谱感知的低功率节点自组织方法。本发明采用分布式SON架构来完善自优化和自配置，在LTE-A异构网络中以LPN的自组织优化作为关键并引申出SLPN(Smart LPN，智能低功率节点)的概念。SLPN利用频谱感知结果通过建立完善的对外干扰模型来确定频谱分配与天线方向。

本发明提出的一种LTE-A异构网络中基于频谱感知的低功率节点自组织方法包括以下步骤：

步骤1：初始化智能低功率节点，通过频谱感知确定智能低功率节点所感知到的各个方位及各个频段处的功率信息，并针对感知到的每一功率节点建立感知模型；

步骤2：根据所述感知模型，利用智能低功率节点与其他功率节点的方位几何关系及信道的互易性，建立对单功率节点的干扰模型；

步骤3：基于所述对单功率节点的干扰模型，建立全局对外干扰模型；

步骤4：根据所述全局对外干扰模型，以最小化对外干扰为目标建立基于单扇区的自适应的最优频谱分配算法，得到最优的天线方向。

其中，所述智能低功率节点能够获取每段频谱的功率、通过频谱感知区分感知到的每个功率节点及其方位。

其中，所述感知模型还包括单功率节点的方位与频谱二维感知矩阵A_g，其中，g＝0,1,2,...,G-1表示功率节点的序号。

其中，所述步骤2通过对单功率节点的方位与频谱二维感知矩阵A_g结合几何关系与信道互易性，建立得到对单功率节点的干扰矩阵B_g。

其中，所述几何关系包括：

$l=\sqrt{r^2+d^2-2\mathrm{rd}\cos \mathrm{\α}}$

$\mathrm{\δ}=\arccos \left(\frac{d^2+l^2-r^2}{2\mathrm{dl}}\right)$

$\mathrm{\β}=\arcsin \left(\frac{r}{l}\right),$

β₁＝β+δ

β₂＝β-δ

其中，r为某功率节点的扇区覆盖半径，d为该功率节点与智能低功率节点之间的距离，α为该功率节点与该智能低功率节点之间的连线和该功率节点与其扇区中心之间的连接的夹角，l为该智能低功率节点与该扇区中心之间的距离；δ为该功率节点与该智能低功率节点之间的连线和该智能低功率节点与该扇区中心之间的连线的夹角；β为智能低功率节点至该扇区两圆切线夹角的一半；β₁与β₂为该智能功率节点对该功率节点覆盖范围影响扩展角度的上限与下限。

其中，所述步骤3进一步包括以下步骤：

步骤31，基于所述对单功率节点干扰矩阵，结合低功率节点覆盖区域分层、功率分配，将多个所述对单功率节点干扰矩阵B_g转换为方位、频谱与层数的三维对外干扰矩阵R；

步骤32，基于覆盖区域多扇区化，将所述方位、频谱与层数的三维对外干扰矩阵R转换为扇区、频谱与层数的全局三维对外干扰矩阵。

其中，所述步骤31中，将每一个智能低功率节点的覆盖区域等距划分为由内到外的N层，每层采用的发射功率为：

$P_n=\frac{{\mathrm{Pr}}_n^2}{\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{r}_k^2},$

其中，r_n为该智能低功率节点覆盖区域第n层的半径，n＝0,1,2,...,N-1，N为总层数，P为该智能低功率节点的发射总功率。

其中，所述方位、频谱与层数三维对外干扰矩阵R中，每层的对外干扰矩阵表示为：

$R_n=\underset{g\∈G_n}{\mathrm{\Σ}}\frac{P_n}{P_{\mathrm{Tg}}}{B}_g,$

其中，B_g为智能低功率节点对功率节点g的干扰矩阵，P_Tg为第g个功率节点的发射功率，G_n为第n层发射功率干扰到的功率节点组，d_g代表智能低功率节点至第g个功率节点的距离，为智能低功率节点的干扰半径，可以由解得，P_loss(·)代表路径损耗函数，W_loss,g表示穿墙损耗，P_lim为对外干扰功率的限定上界，P_loss(·)已知，W_loss,g由下式确定：P_Tg与P_Rg分别表示第g个功率节点的发射功率及其在智能低功率节点处的接收功率，d_g为智能低功率节点至功率节点g的距离。

其中，所述步骤32具体为：将智能低功率节点覆盖区域划分为M个扇区，通过扇区与方位的关系，将所述方位、频谱与层数的三维对外干扰矩阵R转换为扇区、频谱与层数的全局对外干扰矩阵。

其中，所述步骤4进一步包括以下步骤：

步骤41，对于任一天线方向偏移Δ，考虑到不同扇区之间可以采用相同的频段，而同一扇区不同层数之间必须使用不同的频段，建立针对扇区m尽可能降低对外干扰的目标函数；

步骤42，求解所述目标函数，得到固定天线方位偏移Δ时，扇区m的最优频谱分配状况；

步骤43，获取所有扇区的最优频谱分配策略之后，对该天线方向偏移Δ进行频谱分配策略评估，得到最优的天线方向。

本发明采用分布式SON架构来完善自优化和自配置，SLPN同时结合频谱感知、覆盖区域分层及扇区化、几何关系与信道互易性建立完善的对外干扰模型，在保证分布式策略的适时性与容错性能的同时体现了较好的精确性。本发明基于对外干扰模型通过采用匈牙利算法求解最优的频谱分配与天线方向来降低对网络的总体干扰，从而有效地改善了网络的覆盖性能与容量，同时保障了网络的灵活性以及自配置、自优化能力。

附图说明

图1是LTE-A异构网络中基于频谱感知的低功率节点自组织方法原理框图。

图2A是单功率节点感知模型示意图，图2B是单功率节点的方位与频谱二维感知矩阵示意图。

图3A是单功率节点对外干扰模型示意图，图3B是单功率节点的方位与频谱二维对外干扰矩阵示意图。

图4A是覆盖区域分层策略示意图，图4B是方位、频谱与层数的三维对外干扰矩阵示意图。

图5A是扇区、频谱与层数的三维对外干扰矩阵示意图，图5B是某一扇区的频谱与层数二维对外干扰矩阵示意图。

图6是传统同构网络的SINR分布图。

图7是基于普通LPN的异构网络SINR分布图。

图8是基于SLPN的异构网络SINR分布图。

图9是普通LPN和SLPN异构网络SINR覆盖性能的曲线分布对比图。

图10是普通LPN和SLPN异构网络速率覆盖性能的曲线分布对比图。

图11是覆盖区域分层策略及多扇区化策略对系统容量的影响曲线图。

具体实施方式

本发明的LTE-A异构网络中基于频谱感知的低功率节点自组织方法的基本思想是：针对LTE-A异构网络中的复杂干扰类型，频谱感知可以作为已知信息用于干扰协调，通过建立精确的对外干扰协调模型并充分考虑灵活性要求设计覆盖区域分层及其功率分配、频谱分配与天线方向选择方案。一方面分布式SON架构保证了网络较好的适时性和容错性，不需要与宏站间进行信令交互，另一方面通过灵活的干扰协调优化策略有效提升了了网络的覆盖性能和容量。为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1为LTE-A异构网络中基于频谱感知的低功率节点自组织方法原理框图。如图1所示，该方法包括以下各步骤：

步骤1：初始化智能低功率节点(SLPN，Smart LPN)，通过频谱感知确定智能低功率节点所感知到的各个方位及各个频段处的功率信息，并针对感知到的每一功率节点(LPN)建立感知模型；

在该步骤中，假定SLPN具有较强的频谱感知能力，除了能够获取每段频谱的功率之外，还可以通过频谱感知区分感知到的每个功率节点及其方位。针对任一感知到的功率节点可以建立如图2A所示的感知模型，其中，g＝0,1,2,...,G-1表示功率节点的序号。所述智能低功率节点还可以通过识别方位信息和功率节点ID确定感知到的功率节点的所有频谱信息，从而建立针对单功率节点的方位与频谱二维感知矩阵A_g，如图2B所示，其中，j表示频谱f序号，j＝0,1,2,...,J-1，J为划分频谱总数，i表示方位θ序号，i＝0,1,2,...,I-1，I为划分方位总数，图2B中，颜色越深代表SLPN感知到的功率越高。

步骤2：根据所述感知模型，利用智能低功率节点与其他功率节点的方位几何关系及信道的互易性，建立对单功率节点的干扰模型；

所述方位与频谱二维感知矩阵A_g表征单功率节点在SLPN处各频段的影响状况，其可以通过信道的互易性与几何关系转换为SLPN对某一功率节点g覆盖区域的干扰状况。也就是说，通过对单功率节点的方位与频谱二维感知矩阵A_g结合几何关系与信道互易性，可以建立得到对单功率节点的干扰矩阵。如图3A所示，以下以功率节点g的一个扇区为例对于所述几何关系进行说明，所述几何关系包括：

(1)对于该扇区，根据余弦公式可以得到SLPN与该扇区中心之间的距离l：

$l=\sqrt{r^2+d^2-2\mathrm{rd}\cos \mathrm{\α}},$

其中，r为该扇区的覆盖半径，d为该扇区所属功率节点与SLPN之间的距离，α为该扇区所属功率节点与SLPN之间的连线和该扇区所属功率节点与其扇区中心连线的夹角；

(2)该扇区所属功率节点与SLPN之间的连线和SLPN与该扇区中心连线的夹角δ为：

$\mathrm{\δ}=\arccos \left(\frac{d^2+l^2-r^2}{2\mathrm{dl}}\right),$

(3)SLPN至该扇区的两圆切线夹角的一半β为：

$\mathrm{\β}=\arcsin \left(\frac{r}{l}\right),$

(4)SLPN对该扇区的干扰扩展角度为：

β₁＝β+δ，

β₂＝β-δ

其中，β₁与β₂分别表示SLPN对该扇区覆盖范围影响扩展角度的上限与下限。

对于任意功率节点，公式(1)-(4)均成立。对外干扰矩阵B_g可由A_g根据下式确定：

B_g(θ′,:)＝A_g(θ_i,:)，

其中，θ′＝θ_i-β₁,θ_i-β₁+1,...,θ_i+β₂，θ_i为功率节点相对SLPN的方位角，i为该方位角所对应的方位序号。图3B给出了由矩阵A_g扩展得到的单功率节点对外干扰矩阵B_g的示意图。

步骤3：基于所述对单功率节点的干扰模型，建立全局对外干扰模型；

所述步骤3具体为结合低功率节点覆盖区域分层、功率分配以及覆盖区域多扇区化，得到所述全局对外干扰模型。

所述步骤3进一步包括以下步骤：

步骤31，基于所述对单功率节点干扰矩阵，结合低功率节点覆盖区域分层、功率分配，将多个所述对单功率节点干扰矩阵B_g转换为方位、频谱与层数的三维对外干扰矩阵R；

考虑到干扰协调与用户公平性，针对SLPN构建的微小区进行分层将实现更好的覆盖性能与能量效率。如图4A所示，将每一个智能低功率节点的覆盖区域等距划分为由内到外的N层，考虑到外层相比内层采用更大的功率，对任意n＝0,1,2,...,N-1层，每层采用的发射功率由下式定义：

$P_n=\frac{{\mathrm{Pr}}_n^2}{\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{r}_k^2},$

其中，r_n为该智能低功率节点覆盖区域第n层的半径，N为总层数，P为该智能低功率节点的发射总功率。

根据每层发射功率的不同，定义不同层发射功率干扰到的功率节点组为：

$G_n=\left\{g\right|d_g<l_g^n\},$

其中，d_g代表SLPN至第g个功率节点的距离，为SLPN的干扰半径，可以由下式确定：

$\frac{P_n}{P_{\mathrm{loss}}\left(l_g^n\right)\&CenterDot;W_{\mathrm{loss},g}}=P_{\lim },$

P_loss(·)代表路径损耗函数，W_loss,g表示穿墙损耗，P_lim为对外干扰功率的限定上界，取决于用户对干扰的容忍程度，其中，P_loss(·)已知，W_loss,g可由下式确定：

$P_{\mathrm{loss}}\left(d_g\right)\&times;W_{\mathrm{loss},g}=\frac{P_{\mathrm{Tg}}}{P_{\mathrm{Rg}}},$

其中，P_Tg与P_Rg分别表示第g个功率节点的发射功率及其在SLPN处的接收功率。

因此，针对不同的发射功率，每层的对外干扰矩阵为：

$R_n=\underset{g\&Element;G_n}{\mathrm{\&Sigma;}}\frac{P_n}{P_{\mathrm{Tg}}}{B}_g,$

其中，B_g为功率节点g的对外干扰矩阵。

这样，就可以基于覆盖区域分层及其功率分配策略，将二维方位与频谱对外干扰矩阵转换为方位、频谱与层数的三维对外干扰矩阵，根据上式获得的方位、频谱与层数三维对外干扰矩阵R如图4B所示。

步骤32，基于覆盖区域多扇区化，将所述方位、频谱与层数的三维对外干扰矩阵R转换为扇区、频谱与层数的全局三维对外干扰矩阵。

所述步骤32具体为：将SLPN覆盖区域划分为M个扇区，通过扇区与方位的关系，将所述方位、频谱与层数的三维对外干扰矩阵R转换为扇区、频谱与层数的全局对外干扰矩阵，如图5A所示。

为了充分利用空分复用能力，将SLPN覆盖区域划分为序号为m＝0,1,2,...,M-1的M个扇区，每个扇区复用全部的频谱资源。定义三维矩阵R中第i个方位、第j段频谱与第n层的元素考虑天线方位偏移Δ，则矩阵R的循环偏移矩阵R′可以描述为：

${\left[R_{\mathrm{n\&Delta;}}^{\&prime;}\right]}_{m,j}=r_{\mathrm{mj}}^{\&prime;\mathrm{\&Delta;n}}=\underset{i=\mathrm{\&Delta;}}{\overset{\mathrm{\&Delta;}+(m+1)\frac{I}{M}-1}{\mathrm{\&Sigma;}}}{r}_{\mathrm{mod}(i,I)j}^n,$

其中，mod(i,I)表示i对方位总数I求余，针对方位偏移为Δ序号为m的扇区，其频谱与层数二维对外干扰矩阵可以表述为：

${\left[S_{\mathrm{m\&Delta;}}\right]}_{n,j}=s_{\mathrm{nj}}^{\mathrm{m\&Delta;}}=r_{\mathrm{mj}}^{\&prime;\mathrm{n\&Delta;}}.$

进而可以得到扇区、频谱与层数的全局对外干扰矩阵，图5B为某一扇区的频谱与层数二维对外干扰矩阵示意图。

步骤4：根据所述全局对外干扰模型，以最小化对外干扰为目标建立基于单扇区的自适应的最优频谱分配算法，得到最优的天线方向。

所述步骤4具体为：根据所述全局对外干扰矩阵信息，建立基于单扇区的层间频谱分配指派问题模型，并通过匈牙利算法求解最优的频谱分配策略，同时循环补偿方位Δ，寻找最优的天线方向。

所述步骤4进一步包括以下步骤：

步骤41，对于任一天线方向偏移Δ，考虑到不同扇区之间可以采用相同的频段，而同一扇区不同层数之间必须使用不同的频段，建立针对扇区m尽可能降低对外干扰的目标函数：

$\min C^{\mathrm{m\&Delta;}}=\underset{n=0}{\overset{\text{hN-1}}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{J-1}{\mathrm{\&Sigma;}}}{f}_{\mathrm{nj}}^{\mathrm{m\&Delta;}}{s}_{\mathrm{mod}(n,N)j}^{\mathrm{m\&Delta;}}$

$s.t.\underset{j=0}{\overset{J-1}{\mathrm{\&Sigma;}}}{f}_{\mathrm{nj}}^{\mathrm{m\&Delta;}}=1(n=\mathrm{0,1,2},...,\mathrm{hN}-1)$

$\underset{n=0}{\overset{\mathrm{hN}-1}{\mathrm{\&Sigma;}}}{f}_{\mathrm{nj}}^{\mathrm{m\&Delta;}}=1\mathrm{or}0(j=\mathrm{0,1,2},...,J-1),$

m＝0，1，2，...，M-1

$f_{\mathrm{nj}}^{\mathrm{m\&Delta;}}=0\mathrm{or}1;s_{\mathrm{nj}}^{\mathrm{m\&Delta;}}\&GreaterEqual;0$

其中，C^mΔ为天线方位偏移为Δ时扇区m总体对外干扰状况，表示频段f_j是否为扇区m的第n层所用，h为每层所使用的频带数目。

步骤42，采用匈牙利算法求解所述目标函数，得到固定天线方位偏移Δ时，扇区m的最优频谱分配状况；

上式是一个0-1线性规划问题，一般情况下J≥N，此时上式可以进一步表述为：

$\min C^{\mathrm{m\&Delta;}}=\underset{n=0}{\overset{\text{hN-1}}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{J-1}{\mathrm{\&Sigma;}}}{f}_{\mathrm{nj}}^{\mathrm{m\&Delta;}}{s}_{\mathrm{mod}(n,N)j}^{\mathrm{m\&Delta;}}+K\underset{n=\mathrm{hN}}{\overset{J-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{J-1}{\mathrm{\&Sigma;}}}{f}_{\mathrm{nj}}^{\mathrm{m\&Delta;}}$

$s.t.\underset{j=0}{\overset{J-1}{\mathrm{\&Sigma;}}}{f}_{\mathrm{nj}}^{\mathrm{m\&Delta;}}=1(n=\mathrm{0,1,2},...,J-1)$

$\underset{n=0}{\overset{J-1}{\mathrm{\&Sigma;}}}{f}_{\mathrm{nj}}^{\mathrm{m\&Delta;}}=1(j=\mathrm{0,1,2},...,J-1),$

m＝(0，1，2，...，M-1)

$f_{\mathrm{nj}}^{\mathrm{m\&Delta;}}=1\mathrm{or}0;s_{\mathrm{nj}}^{\mathrm{m\&Delta;}}\&GreaterEqual;0$

上式可以采用匈牙利算法进行求解，K为惩罚因子，通过求解可以获取固定天线方位偏移Δ时，扇区m的上述最优解为C^mΔ，最优频谱分配状况表示天线方位偏移为Δ时扇区m由频段j在第n层的分配状况。

步骤43，获取所有扇区的最优频谱分配策略之后，对该天线方向偏移Δ进行评估，即轮询所有的天线方向偏移(Δ＝0,1,2,...,I/M-1)时的频谱分配策略，得到最优的天线方向。

为了获取最优的天线方向，定义角度向量T′：

$T^{\&prime;}=\mathrm{\&gamma;}\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}T[m,:]+(1-\mathrm{\&gamma;})\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\left|T\right[m,:]-T[\mathrm{mod}(m+1,M),:\left]\right|,$

获取其中T＝[C⁰C¹...C^Δ...C^I/M-1，C^Δ＝[C^0ΔC^1Δ...C^mΔ...C^(M-1)Δ]^T，则T′中最小值的序号即为最优的天线方位偏移Δ。其中，参数γ用于平衡扇区之间的公平性以及最小对外干扰，γ＝1时代指最小的对外干扰，γ＝0代指最优的扇区间公平性。

图6给出了传统同构网络中SINR的分布情况，可以看出在边缘区域的交界处或者高建筑区处存在覆盖盲区分布。为了覆盖这些区域，图7给出了采用一般LPN时异构网络的覆盖状况，从图中可以看出，虽然一部分盲区被LPN所覆盖，但是LPN的使用效率较低，LPN与网络之间存在较强的相互干扰。图8给出了采用SLPN时异构网络的覆盖状况，从图中可以看出，不仅盲区被全部覆盖，而且SLPN较好的控制了与网络之间的干扰，从而更有效地提升了网络的覆盖性能与容量。

图9给出的基于SINR阈值的覆盖概率曲线图更直观的显示了本发明的优势，从图中可以看出，边缘用户受到SLPN的干扰要明显小于普通LPN，而中心用户无论SLPN如何选择方向与频段总是受到同样的干扰。在相同覆盖概率的情况下，本发明的性能能够提升1-3dB。图10给出的基于速率阈值的覆盖概率曲线图同样可以证明本发明的优势。图11针对发明中的分层与扇区化策略进行了评估，从图中可以看出，随着层数的增加，平均容量逐渐提升，而当扇区数超过3时则因为引入了过多的区内干扰而导致了网络性能的下降。

综上，本发明通过频谱感知建立感知模型，考虑智能低功率节点的分层与多扇区化结构进行层间功率分配，结合几何关系建立对外干扰模型，利用对外干扰模型完成智能低功率节点的频谱分配和天线方向选择。本发明的LTE-A异构网络中基于频谱感知的低功率节点自组织方法充分利用了频谱感知技术的优势，采用SON分布式架构改善了异构网络中低功率节点的适时性和容错性，有效的提升了网络的覆盖性能和容量。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种LTE-A异构网络中基于频谱感知的低功率节点自组织方法，其特征在于，所述方法包括以下步骤：

步骤1：初始化智能低功率节点，通过频谱感知确定智能低功率节点所感知到的各个方位及各个频段处的功率信息，并针对感知到的每一功率节点建立感知模型；

步骤2：根据所述感知模型，利用智能低功率节点与其他功率节点的方位几何关系及信道的互易性，建立对单功率节点的干扰模型；

步骤3：基于所述对单功率节点的干扰模型，建立全局对外干扰模型；

步骤4：根据所述全局对外干扰模型，以最小化对外干扰为目标建立基于单扇区的自适应的最优频谱分配算法，得到最优的天线方向。

2.根据权利要求1所述的方法，其特征在于，所述智能低功率节点能够获取每段频谱的功率、通过频谱感知区分感知到的每个功率节点及其方位。

3.根据权利要求1所述的方法，其特征在于，所述感知模型还包括单功率节点的方位与频谱二维感知矩阵A_g，其中，g＝0,1,2,...,G-1表示功率节点的序号。

4.根据权利要求3所述的方法，其特征在于，所述步骤2通过对单功率节点的方位与频谱二维感知矩阵A_g结合几何关系与信道互易性，建立对单功率节点干扰矩阵B_g。

5.根据权利要求4所述的方法，其特征在于，所述几何关系包括：

$l=\sqrt{r^2+d^2-2\mathrm{rd}\cos \mathrm{\&alpha;}}$

$\mathrm{\&delta;}=\arccos \left(\frac{d^2+l^2-r^2}{2\mathrm{dl}}\right)$

$\mathrm{\&beta;}=\arcsin \left(\frac{r}{l}\right),$

β₁＝β+δ

β₂＝β-δ

其中，r为某功率节点的扇区覆盖半径，d为该功率节点与智能低功率节点之间的距离，α为该功率节点与该智能低功率节点之间的连线和该功率节点与其扇区中心之间的连接的夹角，l为该智能低功率节点与该扇区中心之间的距离；δ为该功率节点与该智能低功率节点之间的连线和该智能低功率节点与该扇区中心之间的连线的夹角；β为智能低功率节点至该扇区两圆切线夹角的一半；β₁与β₂为该智能功率节点对该功率节点覆盖范围影响扩展角度的上限与下限。

6.根据权利要求1所述的方法，其特征在于，所述步骤3进一步包括以下步骤：

步骤31，基于所述对单功率节点干扰矩阵，结合低功率节点覆盖区域分层、功率分配，将多个所述对单功率节点干扰矩阵B_g转换为方位、频谱与层数的三维对外干扰矩阵R；

步骤32，基于覆盖区域多扇区化，将所述方位、频谱与层数的三维对外干扰矩阵R转换为扇区、频谱与层数的全局三维对外干扰矩阵。

7.根据权利要求6所述的方法，其特征在于，所述步骤31中，将每一个智能低功率节点的覆盖区域等距划分为由内到外的N层，每层采用的发射功率为：

$P_n=\frac{{\mathrm{Pr}}_n^2}{\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{r}_k^2},$

其中，r_n为该智能低功率节点覆盖区域第n层的半径，n＝0,1,2,...,N-1，N为总层数，P为该智能低功率节点的发射总功率。

8.根据权利要求6所述的方法，其特征在于，所述方位、频谱与层数三维对外干扰矩阵R中，每层的对外干扰矩阵表示为：

$R_n=\underset{g\&Element;G_n}{\mathrm{\&Sigma;}}\frac{P_n}{P_{\mathrm{Tg}}}{B}_g,$

其中，B_g为智能低功率节点对功率节点g的干扰矩阵，P_Tg为第g个功率节点的发射功率，G_n为第n层发射功率干扰到的功率节点组，d_g代表智能低功率节点至第g个功率节点的距离，为智能低功率节点的干扰半径，可以由解得，P_loss(·)代表路径损耗函数，W_loss,g表示穿墙损耗，P_lim为对外干扰功率的限定上界，P_loss(·)已知，W_loss,g由下式确定：P_Tg与P_Rg分别表示第g个功率节点的发射功率及其在智能低功率节点处的接收功率，d_g为智能低功率节点至功率节点g的距离。

9.根据权利要求6所述的方法，其特征在于，所述步骤32具体为：将智能低功率节点覆盖区域划分为M个扇区，通过扇区与方位的关系，将所述方位、频谱与层数的三维对外干扰矩阵R转换为扇区、频谱与层数的全局对外干扰矩阵。

10.根据权利要求1所述的方法，其特征在于，所述步骤4进一步包括以下步骤：

步骤41，对于任一天线方向偏移Δ，考虑到不同扇区之间可以采用相同的频段，而同一扇区不同层数之间必须使用不同的频段，建立针对扇区m尽可能降低对外干扰的目标函数；

步骤42，求解所述目标函数，得到固定天线方位偏移Δ时，扇区m的最优频谱分配状况；

步骤43，获取所有扇区的最优频谱分配策略之后，对该天线方向偏移Δ进行频谱分配策略评估，得到最优的天线方向。