CN104066059B - 认知无线网络中多播传输联合接入控制及预编码计算方法 - Google Patents

Abstract

本发明提出一种认知无线网络中多播传输联合接入控制及预编码计算方法。包括：收集认知基站的资源信息和期望接收多播业务的用户信息，以建立认知场景下的多天线多描述编码多播的业务接入控制和预编码矩阵的问题模型；固定问题模型中的预编码矩阵，以计算每个多播组中的目标传输用户集合；对问题模型进行修正以得到修正模型，固定修正模型中的目标传输速率，并利用半正定放松和基于功率因子放缩的预编码矩阵随机化算法求解修正模型，以计算预编码矩阵；利用计算出的预编码矩阵迭代求解修正模型，以获得迭代后的预编码矩阵和迭代后的目标传输速率。本发明最大化认知无线网络可得效益，还完成了问题的数学建模与算法设计。

Description

认知无线网络中多播传输联合接入控制及预编码计算方法

技术领域

本发明属于无线通信数据传输技领域，特别是一种认知无线网络中多播传输联合接入控制及预编码计算方法。

背景技术

随着多媒体业务的普及，多播传输已成为无线通信网络必不可少的一部分，如何设计资源有效的多播传输方案已引起学术界与工业界的高度重视。

随着多媒体业务的普及，多播传输技术也引起了业界的重视。由于能在一次传输中同时服务多个用户，多播技术可以有效提升网络资源利用效率。但是，多播传输中，接收用户地理位置分布离散，他们的接收信道条件以及硬件接收能力往往差异较大，为了满足所有用户都能成功接收传输数据，传统多播传输的目标传输速率往往需要设置的比较小，这严重影响了多播传输带来的用户分集增益。这就是多播技术研究中常说的最差用户限制。

为了克服该限制，目前已经引入多描述编码多播和多天线传输技术。多描述编码是指在发送端，信息源被多描述编码器编码成多个描述，每个描述通过独立的信道传输至解码端，解码端接收到描述的数目越多，信源的恢复效果越好，反之越差。这样，基于多描述编码的多播技术，不再受限于最差信道条件的用户，但是在基站处需要考虑的是，如何以提升系统容量为目标，来选择合适的目标传输用户。天线传输技术是通过调整基站端的预编码向量，在每个用户的信道方向上合理分配能量，努力实现各个用户接收能量的均衡，避免能量浪费。这就自然引入一个问题，如何根据多播用户各自的传输信道条件，设置最优的预编码矩阵，以最大化网络的容量。

进一步，由于移动用户需求广泛，同一时刻基站往往需要传输多个多播业务，基站在选择预编码矩阵时，不仅需要考虑多播群内部用户间功率分配的均衡问题，还需要考虑如何减少多播群之间的相互干扰。因此，多业务多播传输中预编码矩阵计算更加复杂。

与此同时，考虑到基站资源受限，未必可以同时传输所有多播业务，基站需要根据待传多播业务的优先级以及相应用户的信道条件，合理地选择服务业务集合，以充分利用现有资源，最大程度的提升系统整体效益。这就带来新的问题，即如何设计业务接入控制算法，并将其与预编码矩阵计算有效结合，进一步提升系统资源利用效率。

最后，考虑到目前频谱资源越来越稀缺，能够有效地进行空闲频谱检测与复用的认知无线电技术变得越来越重要，认知无线网络将成为今后无线通信系统的一个重要支撑技术。已有的多播传输预编码矩阵设计技术往往是针对传统网络设计的，预编码矩阵计算往往只考虑了多播用户间功率均衡以及多播群间的干扰协调，没有考虑对主用户的干扰保护，无法应用到认知无线网络。

综上所述，针对认知无线网络中的多业务场景下的多描述编码多播传输，如何根据业务的优先级、用户的信道条件、主用户的干扰承受能力，合理地选择目标传输用户和可接入业务集合，并设计合适的预编码矩阵，对提升认知无线网络资源利用效率至关重要。

在现有技术中，具有一种单小区多播mimo移动通信系统的下行多业务预编码方法。在该方法中，最大化所有多播群中所有用户的最小接收SINR。然而，这种方法具有如下缺点：

(1)、只适用于非认知无线网络，没有建模主用户干扰，所提算法不能适用于认知无线网络。

(2)、只适用于传统多播网络，所提算法不能适用于多描述编码多播网络。

(3)、只考虑了给定多播业务的预编码矩阵计算，没有考虑业务接入问题。

(4)、所提预编码矩阵计算方法性能较差，有待进一步改善。

发明内容

本发明实施方式提出一种认知无线网络中多播传输联合接入控制及预编码计算方法，利用认知无线网络现有资源，在保证主用户正常通信的前提下，最大化认知无线网络的容量。

本发明实施方式的技术方案如下：

一种认知无线网络中多播传输联合接入控制及预编码计算方法，该方法包括：

收集认知基站的资源信息和期望接收多播业务的用户信息，以建立认知场景下的多天线多描述编码多播的业务接入控制和预编码矩阵的问题模型；

固定所述问题模型中的预编码矩阵，以计算每个多播组中的目标传输用户集合；

对所述问题模型进行修正以得到修正模型，固定所述修正模型中的目标传输速率，并利用半正定放松和基于功率因子放缩的预编码矩阵随机化算法求解所述修正模型，以计算预编码矩阵；

利用所述计算出的预编码矩阵迭代求解所述修正模型，以获得迭代后的预编码矩阵和迭代后的目标传输速率，其中当所述目标传输速率收敛时停止所述迭代。

所述问题模型为Q，其中：

SINR_m,k≥γ_m,k∈S_m,m＝1,2,...,M；

S_m∈K_m,m＝1,2,...,M

其中ln(1+γ_m)为多播组m的目标传输速率；γ_m为目标传输信干噪比；g_l∈C^N×1为认知基站到主用户l的干扰信道矩阵；I_th和P_th分别为主用户的干扰门限和次网络的功率门限值；w_m为多播组m的预编码矩阵；ω_m为多播组m的业务权重；(·)^H表示共轭转置运算；M是多播组数；l是主用户编号；L是主用户数；m是多播组编号；

SINR_m,k为多播用户k∈K_m的接收信干噪比；

其中h_m,k∈C^N×1为认知基站到用户k∈K_m的传输信道矩阵，为用户k∈K_m的接收噪声与干扰的和。

所述固定所述问题模型中的预编码矩阵，以计算每个多播组中的目标传输用户集合包括：

固定所述问题模型中的预编码矩阵，以求得每个多播组中每个用户的接收信干噪比，对每个多播组中所有用户的信干噪比按大小进行降序排列，计算使加权和速率最大的用户集合，即为每个多播组中的目标传输用户集合。

所述修正模型为Q_m，其中：

k∈S_m,m＝1,2,...,M

其中为修正模型Q_m中SINR约束左侧γ_m的初始值。

所述利用半正定放松和基于功率因子放缩的预编码矩阵随机化算法求解所述修正模型，以计算预编码矩阵，包括：

引入对所述修正模型Q_m进行半正定放松得到以下修正模型Q_m,1：

s.t.X_m≥0,1≤m≤M

k∈S_m,m＝1,2,...,M

利用半正定规划对修正模型Q_m,1进行求解，得到最优的X_m,1≤m≤M；

采用随机化算法获得初始预编码矩阵，即对X_m进行奇异分解得到U_m、∑_m，并随机化产生初始预编码矩阵其中满足v_t～CN(0,I)；

对初始预编码矩阵进行功率放缩代入修正模型Q_m，求解最佳的p_m(t)，即令

优化下列子问题，以得到最佳解p_m(t),γm(t),1≤m≤M以及最优值其中称U(t)为网络收益；

s.t.p_m≥0,1≤m≤M

1≤m≤M,k∈S_m

重复随机化过程，并选择使目标函数最大的一次随机化结果作为预编码矩阵。

所述利用所述计算出的预编码矩阵迭代求解所述修正模型，以获得迭代后的预编码矩阵和迭代后的目标传输速率包括：

设计迭代搜索算法来获得所述问题模型Q的目标传输速率最佳解γ_m，即完成业务的接入控制，具体包括：首先，初始化目标传输速率γ_m的上下界1≤m≤M，给定

根据所述预编码矩阵获得最佳的修正模型的信干噪比

然后按照以下原则更新目标传输SINRγ_m的上下界：

继续迭代求解，直到γ_m收敛，即可获得所述问题模型的迭代后的预编码矩阵和迭代后的目标传输速率。

从上述技术方案可以看出，本发明包括：收集认知基站的资源信息和期望接收多播业务的用户信息，以建立认知场景下的多天线多描述编码多播的业务接入控制和预编码矩阵的问题模型；固定问题模型中的预编码矩阵，以计算每个多播组中的目标传输用户集合；对问题模型进行修正以得到修正模型，固定所述修正模型中的目标传输速率，并利用半正定放松和基于功率因子放缩的预编码矩阵随机化算法求解所述修正模型，以计算预编码矩阵；利用计算出的预编码矩阵迭代求解修正模型，以获得迭代后的预编码矩阵和迭代后的目标传输速率，其中当目标传输速率收敛时停止迭代。现有的多播传输预编码专利或文章，没有考虑多业务下的业务接入控制问题，也没有考虑认知无线网络中的多描述编码多播传输。本申请研究了认知无线网络多业务多描述编码多播传输场景中，联合业务接入控制与预编码矩阵计算的优化方案，在保证主用户干扰受限的前提下，通过自适应地选择接入多播业务和优化相应预编码矩阵，来最大化认知无线网络可得效益。本专利同时也完成了问题的数学建模与算法设计。

综上，本发明的保护点包括该方案中的三个算法：

(1)对于多描述编码多播场景，业务的接入与目标传输用户的选择不会相互影响，所以本专利提出了具有低复杂度的分步优化算法，在固定预编码矩阵的前提下，在多播组内选择最优的目标传输用户集合(算法1)。

(2)针对认知无线网络多业务预编码矩阵优化问题，本专利从原始域(算法2)提出联合求解业务控制和预编码矩阵的方案，通过该方案，认知基站可以在不影响主用户正常通信，以及保证不超过次网络能耗门限的前提下，充分利用基站现有能量，提升多播业务目标传输速率，最大化次网络容量。

(3)针对认知无线网络多业务多播传输中联合考虑业务接入控制与预编码矩阵计算的优化问题，本专利提出目标传输SINR迭代的思路(算法3)进行问题求解，给出问题的原始域求解算法。通过所提优化方案，认知基站可以在不影响主用户正常通信的前提下，提升次网络的容量。

附图说明

图1为根据本发明认知无线网络中多播传输联合接入控制及预编码计算方法流程图。

图2为本发明认知无线网络多业务多天线多播传输示意图。

图3为目标用户集合S_m选择算法流程图。

图4为问题Q_m原始域求解算法流程图。

图5为迭代搜索计算γ_m的算法流程图。

图6为认知无线网络多业务多播传输中联合业务接入控制与预编码矩阵计算的示范性流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

为了描述上的简洁和直观，下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显，本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案，一些实施方式没有进行细致地描述，而是仅给出了框架。下文中，“包括”是指“包括但不限于”，“根据……”是指“至少根据……，但不限于仅根据……”。由于汉语的语言习惯，下文中没有特别指出一个成分的数量时，意味着该成分可以是一个也可以是多个，或可理解为至少一个。

本申请将基于此，研究认知无线网络多业务多描述编码多播传输中联合目标传输用户选择、业务接入控制与预编码矩阵计算技术，充分利用认知无线网络现有资源，在保证主用户正常通信的前提下，最大化认知无线网络的容量。

图1为根据本发明认知无线网络中多播传输联合接入控制及预编码计算方法流程图。

如图1所示，该方法包括：

步骤101：收集认知基站的资源信息和期望接收多播业务的用户信息，以建立认知场景下的多天线多描述编码多播的业务接入控制和预编码矩阵的问题模型；

步骤102：固定所述问题模型中的预编码矩阵，以计算每个多播组中的目标传输用户集合；

步骤103：对所述问题模型进行修正以得到修正模型，固定所述修正模型中的目标传输速率，并利用半正定放松和基于功率因子放缩的预编码矩阵随机化算法求解所述修正模型，以计算预编码矩阵；

步骤104：利用所述计算出的预编码矩阵迭代求解所述修正模型，以获得迭代后的预编码矩阵和迭代后的目标传输速率，其中当所述目标传输速率收敛时停止所述迭代。

在一个实施方式中，所述问题模型为Q，其中：

SINR_m,k≥γ_m,k∈S_m,m＝1,2,...,M；

S_m∈K_m,m＝1,2,...,M

其中ln(1+γ_m)为多播组m的目标传输速率；γ_m为目标传输信干噪比；g_l∈C^N×1为认知基站到主用户l的干扰信道矩阵；I_th和P_th分别为主用户的干扰门限和次网络的功率门限值；w_m为多播组m的预编码矩阵；ω_m为多播组m的业务权重；(·)^H表示共轭转置运算；M是多播组数；l是主用户编号；L是主用户数；m是多播组编号；

SINR_m,k为多播用户k∈K_m的接收信干噪比；

其中h_m,k∈C^N×1为认知基站到用户k∈K_m的传输信道矩阵，为用户k∈K_m的接收噪声与干扰的和。

在一个实施方式中：

所述固定所述问题模型中的预编码矩阵，以计算每个多播组中的目标传输用户集合包括：

固定所述问题模型中的预编码矩阵，以求得每个多播组中每个用户的接收信干噪比，对每个多播组中所有用户的信干噪比按大小进行降序排列，计算使加权和速率最大的用户集合，即为每个多播组中的目标传输用户集合。

在一个实施方式中：

所述修正模型为Q_m，其中：

k∈S_m,m＝1,2,...,M

其中为修正模型Q_m中SINR约束左侧γ_m的初始值。

在一个实施方式中：

所述利用半正定放松和基于功率因子放缩的预编码矩阵随机化算法求解所述修正模型，以计算预编码矩阵，包括：

引入对所述修正模型Q_m进行半正定放松得到以下修正模型Q_m,1：

s.t.Xm≥0,1≤m≤M

k∈S_m,m＝1,2,...,M

利用半正定规划对修正模型Q_m,1进行求解，得到最优的X_m,1≤m≤M；

采用随机化算法获得初始预编码矩阵，即对X_m进行奇异分解得到U_m、∑_m，并随机化产生初始预编码矩阵其中满足v_t～CN(0,I)；

对初始预编码矩阵进行功率放缩代入修正模型Q_m，求解最佳的p_m(t)，即令

优化下列子问题，以得到最佳解p_m(t),γ_m(t),1≤m≤M以及最优值其中称U(t)为网络收益；

s.t.p_m≥0,1≤m≤M

1≤m≤M,k∈S_m

重复随机化过程，并选择使目标函数最大的一次随机化结果作为预编码矩阵。

在一个实施方式中，所述利用所述计算出的预编码矩阵迭代求解所述修正模型，以获得迭代后的预编码矩阵和迭代后的目标传输速率包括：

设计迭代搜索算法来获得所述问题模型Q的目标传输速率最佳解γ_m，即完成业务的接入控制，具体包括：首先，初始化目标传输速率γ_m的上下界1≤m≤M，给定

根据所述预编码矩阵获得最佳的修正模型的信干噪比

然后按照以下原则更新目标传输SINRγ_m的上下界：

继续迭代求解，直到γ_m收敛，即可获得所述问题模型的迭代后的预编码矩阵和迭代后的目标传输速率。

下面再对本发明实施方式进行更详细的描述。

图2为本发明认知无线网络多业务多天线多播传输示意图。

如图2所示，认知基站配有N个发送天线，移动台(用户)配置单个接收天线。基站使用主用户的授权频谱，同时传输M个经过多描述编码后的多播业务，每个多播业务有自己的接收用户集合K_m,1≤m≤M，假设一个用户同一时间只接收一个多播业务，即K_i∩K_j＝φ。

与此同时，在该授权频段上，有L个主用户正在通信，认知基站在进行多播传输时，会对主用户造成干扰，需要调整波束方向，减小主用户收到的干扰。

针对该场景进行问题建模与算法设计。

数学建模：

当基站端有很多多播业务需要传输，而基站可用资源受限(如可用频谱有限、最大发射功率有限)时，需要根据各个业务的优先级以及用户信道条件，针对每个多播组选择合适的目标传输用户，并且选择部分(包括全部)业务进行服务，同时设计合适的预编码矩阵，在充分利用基站现有资源以及保障主用户正常通信的前提下，最大化次网络的容量。

这里，我们将联合目标传输用户选择、业务接入控制与预编码矩阵计算建模如下：

SINR_m,k≥γ_m,k∈S_m,m＝1,2,...,M

S_m∈K_m,m＝1,2,...,M (1)

其中ln(1+γ_m)为多播组m的目标传输速率，γ_m为目标传输信干噪比(SINR)，g_l∈C^N×1为认知基站到主用户l的干扰信道矩阵，I_th和P_th分别为主用户的干扰门限和次网络的功率门限值，w_m为多播组m的预编码矩阵，ω_m为多播组m的业务权重，与该业务的优先级有关。

SINR_m,k为多播用户k∈K_m的接收SINR，计算如下

其中h_m,k∈C^N×1为认知基站到用户k∈K_m的传输信道矩阵，为用户k∈K_m的接收噪声与干扰的和，如主用户干扰。

S_m为多播组m内，接收SINR大于目标传输SINR的用户的集合，即

S_m＝{k∈K_m,SINR_m,k≥γ_m},m＝1,2,...,M；

在模型Q中，通过将每个业务的目标传输SINRγ_m设为变量，通过数学优化，自适应求解最佳的γ_m，最大化次网络容量。在这过程中，多播业务接入控制由γ_m的优化取值潜在完成：当某个业务的γ_m＝0时，就表示该业务的优先级较低或者其接收用户信道较差，当前时刻传输该业务会造成资源浪费，所以取消该业务的传输。

下面描述算法设计。本发明采用分步优化的方式对优化模型Q求解。我们首先确定目标传输用户集合S_m，然后联合求解γ_m和w_m，完成业务接入控制与预编码矩阵设计部分。

目标传输用户集合S_m的选择：

由于目标传输用户的选择与用户的接收SINR关系紧密，又由公式(2)可以知道，用户的接收SINR与基站的预编码矩阵w_m有关。同时，由前面的数学模型可以知道，目标传输用户集合的选择与业务接入控制无关。

所以，本专利先固定预编码矩阵，设计算法完成对每个多播组目标传输用户集合S_m的选择，步骤如下：

算法1：基于已知的预编码方案选择目标传输用户集合Sm算法。

图3为目标用户集合Sm选择算法流程图。

步骤1：：信息收集，包括多播用户信道信息h_m,k、多用户噪声与干扰的和值基站总功率P_th，其中m＝1,2,...,M。

步骤2：固定预编码矩阵I_N为N×1的单位向量，m＝1,2,...,M。

步骤3：根据公式(2)计算SINR_m,k，m＝1,2,...,M，k∈K_m，对多播组m中所有用户按SINR_m,k大小进行降序排列，用SINR_m,(k)表示排在第k位的SINR，k＝1表示SINR值最大的用户。

步骤4：根据排序后的SINR，将多播组m分为|K_m|个用户集合Ψ_m,1,…,其中Ψ_m,1由k＝1(即SINR最大)的用户组成，Ψ_m,2由k＝1,2(即SINR最大和次大)的用户组成，依次类推，是k＝1,…,|K_m|(即多播组m中所有用户)的组合。

步骤5：计算集合Ψ_m,i的加权和速率R_m,i＝|Ψ_m,i|ln(1+SINR_m,(i)),i＝1,…,|K_m|,m＝1,…,M。

步骤6：选择加权和速率R_m,i最大的用户集合作为目标传输用户集合，即其中

下面描述优化业务接入控制γ_m与预编码矩阵设计w_m。

在获得了每个多播组的目标传输用户集合S_m后，优化模型Q可以写为：

SINR_m,k≥γ_m,k∈S_m,m＝1,2,...,M

展开以上模型中的接收SINR约束，可得

可见该约束非凸，γ_m与w_j,j≠m相互耦合。

为了解决该耦合问题，我们使用迭代法进行求解。首先，对于问题进行适当修正，消除γ_m与w_j,j≠m间的耦合，修正问题Q_m如下所示：

k∈Sm,m＝1,2,...,M

其次，假设问题Q_m的最佳解是可以得到下述定理，帮助确认证明原始问题最佳解范围。

定理1：

当问题Q_m的最佳解为时，原始问题的最佳解必然落在与之间，即

其中为问题Q_m中SINR约束左侧γ_m的初始值。

这样，我们可以使用迭代搜索法求解最佳的γ_m。下面分两部分阐述如何求解问题进行认知无线网络联合业务接入控制与预编码矩阵计算。

(1)问题Q_m求解

这里我们从原始域设计问题Q_m的求解算法。引入变量并进行半正定放松，舍弃约束Rank(X_m)＝1，得到新问题：

s.t.Xm≥0,1≤m≤M

k∈S_m,m＝1,2,...,M

其中针对该问题，可以使用凸优化进行求解，如cvx工具包，这里不再细述。

在求得最佳X_m,1≤m≤M后，需要根据X_m,1≤m≤M求得w_m,1≤m≤M，随机化生成步骤描述如下：

子算法2-1：基于功率因子放缩的预编码矩阵随机化算法

步骤1：初始化：随机化次数T，以及初始计数值t＝1。

步骤2：对X_m进行奇异分解得到U_m、∑_m，并随机化产生初始预编码矩阵其中满足v_t～CN(0,I)。

步骤3：对初始预编码矩阵进行功率放缩代入原始问题，求解最佳的p_m(t)，即令优化下面子问题，得到最佳解p_m(t),γ_m(t),1≤m≤M以及最优值这里称U(t)为网络收益；

s.t.pm≥0,1≤m≤M

1≤m≤M,k∈S_m

步骤：更新t＝t+1。判决：若t≤T，跳回步骤Step2，否则，终止迭代，跳到步骤步骤。

步骤5：结束，选择网络效益最大的计数值，即输出t^*＝argmax_1≤t≤TU(t)，输出

这样，基于原始域求解，问题Q_m的求解过程总结如下：

算法2：问题Q_m的原始域求解算法。

图4为问题Qm原始域求解算法流程图。

步骤1：初始化，多播业务权重ω_m以及给定其中m＝1,2,...,M，基站总功率P_th以及主用户干扰门限

步骤2：进行信息收集，包括多播用户信道信息h_m,k、多用户噪声+干扰信息主用户干扰信道信息gl。在此基础上进行问题数学建模，得到修正问题Q_m。

步骤3：令并对原始问题进行半正定放松，得到放松问题Q_m1。

步骤4：利用半正定规划SDP，求解子问题Q_m1，得到最佳解X_m,m＝1,2,...,M。

步骤5：利用子算法2-1进行矩阵随机化处理，得到最终的预编码矩阵和目标传输SINR，即γ_m＝γ_m(t^*)。

对于迭代算法实现业务接入控制：

在完成问题Q_m的求解后，依据上述定理1，可设计如下迭代搜索算法，求原始问题的最佳解γ_m。

算法3：原始问题最佳解γ_m的迭代搜索算法。

步骤1：初始化，多播业务目标传输SINRγ_m的上下界

步骤2：给定调用算法2，优化求解问题Q_m，得到最佳的解

步骤3：更新目标传输SINRγ_m的上下界，更新原则如下

步骤4：判决，如果目标传输SINRγ_m收敛，即则转入下一步；否则，跳回步骤2。

步骤5：结束，输出最终目标传输SINRγ_m，

图6为认知无线网络多业务多播传输中联合业务接入控制与预编码矩阵计算的示范性流程图。

本发明的关键点包括：

(1)针对多业务多播传输场景，在已有的预编码矩阵优化基础上，进一步考虑多描述编码多播所涉及的用户选择和业务接入控制问题。研究多业务场景下的联合业务接入控制与预编码矩阵计算方法，依据该方法，基站可以根据每个多播业务的优先级以及用户当前信道条件，选择部分(包括全部)多播业务进行传输，并同时设计合适的预编码矩阵，充分利用基站现有资源，在保障主用户正常通信的前提下，最大化认知无线网络的整体效益。

(2)针对认知无线网络多业务多播传输中预编码矩阵计算问题以及联合业务接入控制与预编码矩阵计算问题，本专利提出迭代搜索算法，在初始化目标传输速率之后，利用半定放松与矩阵随机化处理联合求解预编码矩阵，然后更新目标传输速率直至其收敛，此时即可获得最优的预编码矩阵和业务接入集合。

现有的多播传输预编码专利或文章，没有考虑多业务下的业务接入控制问题，也没有考虑认知无线网络中的多描述编码多播传输。本专利研究了认知无线网络多业务多描述编码多播传输场景中，联合业务接入控制与预编码矩阵计算的优化方案，在保证主用户干扰受限的前提下，通过自适应地选择接入多播业务和优化相应预编码矩阵，来最大化认知无线网络可得效益。本专利同时也完成了问题的数学建模与算法设计。

综上，本发明的保护点包括该方案中的三个算法：

(1)对于多描述编码多播场景，业务的接入与目标传输用户的选择不会相互影响，所以本专利提出了具有低复杂度的分步优化算法，在固定预编码矩阵的前提下，在多播组内选择最优的目标传输用户集合(算法1)。

(2)针对认知无线网络多业务预编码矩阵优化问题，本专利从原始域(算法2)提出联合求解业务控制和预编码矩阵的方案，通过该方案，认知基站可以在不影响主用户正常通信，以及保证不超过次网络能耗门限的前提下，充分利用基站现有能量，提升多播业务目标传输速率，最大化次网络容量。

(3)针对认知无线网络多业务多播传输中联合考虑业务接入控制与预编码矩阵计算的优化问题，本专利提出目标传输SINR迭代的思路(算法3)进行问题求解，给出问题的原始域求解算法。通过所提优化方案，认知基站可以在不影响主用户正常通信的前提下，提升次网络的容量。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种认知无线网络中多播传输联合接入控制及预编码计算方法，其特征在于，该方法包括：

收集认知基站的资源信息和期望接收多播业务的用户信息，以建立认知场景下的多天线多描述编码多播的业务接入控制和预编码矩阵的问题模型；

固定所述问题模型中的预编码矩阵，以计算每个多播组中的目标传输用户集合；

对所述问题模型进行修正以得到修正模型，固定所述修正模型中的目标传输速率，并利用半正定放松和基于功率因子放缩的预编码矩阵随机化算法求解所述修正模型，以计算预编码矩阵；

利用所述计算出的预编码矩阵迭代求解所述修正模型，以获得迭代后的预编码矩阵和迭代后的目标传输速率，其中当所述目标传输速率收敛时停止所述迭代；

所述问题模型为Q，其中：

其中ln(1+γ_m)为多播组m的目标传输速率；γ_m为目标传输信干噪比；为认知基站到主用户l的干扰信道矩阵；I_th和P_th分别为主用户的干扰门限和次网络的功率门限值；w_m为多播组m的预编码矩阵；ω_m为多播组m的业务权重；(·)^H表示共轭转置运算；M是多播组数；l是主用户编号；L是主用户数；m是多播组编号；S_m为多播组m内，接收信干噪比大于目标传输信干噪比的用户的集合；为多播组m的接收用户集合；

SINR_m,k为多播用户的接收信干噪比；

其中为认知基站到用户的传输信道矩阵，为用户的接收噪声与干扰的和。

2.根据权利要求1所述的认知无线网络中多播传输联合接入控制及预编码计算方法，其特征在于，所述固定所述问题模型中的预编码矩阵，以计算每个多播组中的目标传输用户集合包括：

固定所述问题模型中的预编码矩阵，以求得每个多播组中每个用户的接收信干噪比，对每个多播组中所有用户的信干噪比按大小进行降序排列，计算使加权和速率最大的用户集合，即为每个多播组中的目标传输用户集合。

3.根据权利要求2所述的认知无线网络中多播传输联合接入控制及预编码计算方法，其特征在于，所述修正模型为Q_m，其中：

其中为修正模型中SINR约束左侧γ_m的初始值。

4.根据权利要求3所述的认知无线网络中多播传输联合接入控制及预编码计算方法，其特征在于，所述利用半正定放松和基于功率因子放缩的预编码矩阵随机化算法求解所述修正模型，以计算预编码矩阵，包括：

引入对所述修正模型Q_m进行半正定放松得到以下修正模型Q_m,1：

利用半正定规划对修正模型Q_m,1进行求解，得到最优的X_m,1≤m≤M；

采用随机化算法获得初始预编码矩阵，即对X_m进行奇异分解得到U_m、∑_m，并随机化产生初始预编码矩阵其中满足

对初始预编码矩阵进行功率放缩代入修正模型Q_m，求解最佳的p_m(t)，即令

优化下列子问题，以得到最佳解p_m(t),γ_m(t),1≤m≤M以及最优值其中称U(t)为网络收益；

<mrow> <munder> <mi>min</mi> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>m</mi> </msub> <mo>,</mo> <msub> <mi>p</mi> <mi>m</mi> </msub> </mrow> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>&amp;omega;</mi> <mi>m</mi> </msub> <mo>|</mo> <msub> <mi>S</mi> <mi>m</mi> </msub> <mo>|</mo> <msub> <mi>log</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msub> <mi>&amp;gamma;</mi> <mi>m</mi> </msub> <mo>)</mo> </mrow> </mrow>

s.t. p_m≥0,1≤m≤M

<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>m</mi> </msub> <msub> <mi>p</mi> <mi>m</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mrow> <mi>t</mi> <mi>h</mi> </mrow> </msub> </mrow> 2

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>a</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>m</mi> </mrow> </msub> <msub> <mi>p</mi> <mi>m</mi> </msub> <mo>-</mo> <msub> <mover> <mi>&amp;gamma;</mi> <mo>~</mo> </mover> <mi>m</mi> </msub> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>m</mi> </mrow> </munder> <msub> <mi>a</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>&amp;GreaterEqual;</mo> <msub> <mi>&amp;gamma;</mi> <mi>m</mi> </msub> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>k</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>m</mi> <mo>&amp;le;</mo> <mi>M</mi> <mo>,</mo> <mi>k</mi> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mi>m</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>

<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>b</mi> <mrow> <mi>l</mi> <mo>,</mo> <mi>m</mi> </mrow> </msub> <msub> <mi>p</mi> <mi>m</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>I</mi> <mrow> <mi>t</mi> <mi>h</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>l</mi> <mo>&amp;le;</mo> <mi>L</mi> </mrow>

重复随机化过程，并选择使目标函数最大的一次随机化结果作为预编码矩阵。

5.根据权利要求4所述的认知无线网络中多播传输联合接入控制及预编码计算方法，其特征在于，所述利用所述计算出的预编码矩阵迭代求解所述修正模型，以获得迭代后的预编码矩阵和迭代后的目标传输速率包括：

设计迭代搜索算法来获得所述问题模型Q的目标传输速率最佳解γ_m，即完成业务的接入控制，具体包括：首先，初始化目标传输速率γ_m的上下界给定

根据所述预编码矩阵获得最佳的修正模型的信干噪比

然后按照以下原则更新目标传输SINRγ_m的上下界：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>&amp;gamma;</mi> <mi>m</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>w</mi> </mrow> </msubsup> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>{</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>{</mo> <msub> <mover> <mi>&amp;gamma;</mi> <mo>~</mo> </mover> <mi>m</mi> </msub> <mo>,</mo> <msubsup> <mi>&amp;gamma;</mi> <mi>m</mi> <mo>*</mo> </msubsup> <mo>}</mo> <mo>,</mo> <msubsup> <mi>&amp;gamma;</mi> <mi>m</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>w</mi> </mrow> </msubsup> <mo>}</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>&amp;gamma;</mi> <mi>m</mi> <mrow> <mi>u</mi> <mi>p</mi> </mrow> </msubsup> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>{</mo> <mi>max</mi> <mo>{</mo> <msub> <mover> <mi>&amp;gamma;</mi> <mo>~</mo> </mover> <mi>m</mi> </msub> <mo>,</mo> <msubsup> <mi>&amp;gamma;</mi> <mi>m</mi> <mo>*</mo> </msubsup> <mo>}</mo> <mo>,</mo> <msubsup> <mi>&amp;gamma;</mi> <mi>m</mi> <mrow> <mi>u</mi> <mi>p</mi> </mrow> </msubsup> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

继续迭代求解，直到γ_m收敛，即可获得所述问题模型的迭代后的预编码矩阵和迭代后的目标传输速率。