CN104093209A - 一种动态认知网络资源分配方法 - Google Patents

Abstract

本发明公开了一种动态认知网络资源分配方法，属于无线通信技术领域。该方法基于主用户历史信息和业务特性预测主用户授权频带占用情况，根据频谱预测信息及从用户业务需求信息，认知基站执行从用户频谱及功率联合优化分配，以实现从用户联合能效最大化及切换次数最小化。本方法综合考虑了认知网络主用户频带占用状态，从用户业务需求及频带间切换所产生的切换代价，基于网络能效最大化准则执行联合资源分配，在保障从用户业务需求、减少切换导致的性能下降的同时，实现了从用户联合能效优化。

Description

一种动态认知网络资源分配方法

技术领域

本发明属于无线通信技术领域，涉及一种动态认知网络资源分配方法。

背景技术

随着无线通信技术的快速发展及无线应用需求的不断增长，各类通信应用对无线频谱的需求日益增加。传统的固定频谱分配方法导致部分频带竞争激烈，频谱资源严重匮乏，同时，部分频段大量已分配的频谱未得到充分使用，导致频谱利用率低下。为有效提高频谱资源利用率，缓解频谱资源匮乏问题，采用动态频谱接入机制的认知无线电技术近年来受到广泛关注。

认知无线电系统采用基于软件无线电技术的认知无线电终端，能够动态感知可用频谱，优化调整传输参数，执行软硬件重配置，在不影响授权用户(主用户)正常通信情况下动态、智能接入空闲频谱，实现未授权用户(从用户)的数据传输。认知无线电技术可有效实现频谱资源共享，提高频谱利用率，解决频谱资源匮乏的问题。

认知无线电网络中，从用户通过接入主用户空闲频谱或在不影响主用户正常工作的情况下与主用户共享频谱，可实现其通信需求。在存在多个从用户竞争接入主用户可用频谱的认知网络中，如何实现从用户频谱及功率分配，在确保不干扰主用户通信情况下，实现从用户的高效频谱占用，提高网络频谱资源利用率及用户QoS具有重要意义。

目前已经有一些研究考虑认知网络从用户资源的分配方案，比如针对认知网络中从用户功率分配的机制。该机制首先为各从用户分配至少一个子信道以保障用户间的公平性，继而为从用户优化功率分配，以最大化网络容量。还有就是动态认知无线电网络中考虑从用户异构服务需求的信道和功率分配机制。

以上方法仅考虑主用户授权信道信息确定情况下从用户信道和功率分配问题，未考虑实际应用场景中主用户业务需求的随机性，以及因此导致的各信道主用户到达时间、业务持续时间的不确定性问题，致使从用户可能因主用户的到达而被迫中止传输或切换至其他频谱，导致从用户业务传输的连续性和综合性能严重受限。

发明内容

有鉴于此，本发明的目的在于提供一种动态认知网络资源分配方法，该方法综合考虑了认知网络主用户频带占用状态，从用户业务需求及频带间切换所产生的切换代价，基于网络能效最大化准则执行联合资源分配。

为达到上述目的，本发明提供如下技术方案：

一种动态认知网络资源分配方法，在该方法中，认知基站基于网络能效最大化及用户切换次数最小化准则进行频谱、时隙及功率联合优化分配；分别设置了主用户业务分析模块、历史信息收集模块、频谱状态预测模块、从用户业务分析模块和联合资源分配模块；所述主用户业务分析模块用于分析主用户授权频谱业务特性，为频谱状态预测模块提供输入参考数据；所述历史信息收集模块用于收集主用户占用频谱历史信息输入至频谱状态预测模块；所述频谱状态预测模块用于接收主用户业务分析模块和历史信息收集模块的数据，根据主用户占用频谱情况及信道特性，预测主用户到达时刻及频带占用时隙，并输出至联合资源分配模块；所述从用户业务分析模块用于分析从用户业务特性，输入至联合资源分配模块；所述联合资源分配模块用于接收频谱状态预测模块及从用户业务分析模块的数据，基于联合资源分配准则执行从用户频谱、时隙及功率联合分配。

进一步，在该方法中，假设各用户占用某频谱的一个或多个时隙进行通信，定义优化变量 ${\mathrm{\β}}_{\mathrm{nm}}^k\∈\left\{\mathrm{0,1}\right\},n=\mathrm{1,2},...,N,m=\mathrm{1,2},...,M,k=\mathrm{1,2},...,K,$ 其中，N为网络中子信道总数，M为资源分配时段的总时隙数，K为从用户总数，表示第k个从用户在时隙m占用第n个子信道进行信息传输，表示第k个从用户在时隙m未占用第n个子信道；认知基站为各从用户优化确定对应从用户不同时隙最佳频带分配策略。

进一步，频谱状态预测模块根据以下公式确定子信道n在第m个时隙的空闲概率：

$\begin{array}{c}{P}_{\mathrm{nm}}^0=P\{t_n^A+T_n^D<t_{m-1}\}+P\{t_n^A>t_m\}\\ =\left\{\begin{array}{cc}1-e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}(t_{m-1}-T_n^D)}+e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}{t}_m}& t_{m-1}\&GreaterEqual;T_n^D\\ e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}{t}_m}& t_{m-1}<T_n^D\end{array}\right.\end{array}$

其中，表示主用户在频带n的到达时间，表示主用户在连续M个时隙内占用频带n的时长，t_m-1表示第m-1个时隙的结束时刻，表示主用户在频带n的业务到达率；若其中，κ_c为给定门限值，则可预测第m个时隙频带n空闲，以υ_nm＝1表示；若则预测主用户在时隙m占用频带n，以υ_nm＝0表示。

进一步，频谱状态预测模块根据预测得到各频带主用户时隙占用状态，若主用户占用子信道n的某时隙，根据公式得到从用户k在子信道n上，满足主用户SINR门限允许的最大传输功率即其中，表示子信道n上从用户k与PU接收端之间的信道增益，表示子信道n上主用户与其接收端之间的信道增益，表示主用户在子信道n的传输功率，表示从用户k与主用户共享子信道n时对应的传输功率，为主用户的SINR门限值；根据公式得到从用户k在子信道n上，满足从用户SINR门限允许的最小传输功率其中，h_kn表示子信道n上从用户k与其接收端之间的信道增益，表示子信道n上PU与从用户k接收端之间的信道增益，为从用户k的SINR门限值；若则从用户在时隙m可与主用户共享子信道n，反之，则从用户k无法在时隙m与主用户共享子信道n。

进一步，从用户业务分析模块用于分析从用户业务特性，从用户资源分配需满足其业务量需求，即：

$\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{\mathrm{nm}}^k{R}_{\mathrm{nm}}^{k}T\&GreaterEqual;L_k,$

其中，表示从用户k在子信道n上第m个时隙的传输速率，T为各时隙长度，L_k为从用户k的业务量需求。

进一步，根据公式：

$C_k=\underset{m=1}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n^{\&prime;}\&NotEqual;n}{\overset{N}{\underset{n^{\&prime;}=1}{\mathrm{\&Sigma;}}}}{\mathrm{\&beta;}}_{\mathrm{nm}}^k{\mathrm{\&beta;}}_{n^{\&prime;}(m+1)}^k$

确定从用户k的切换次数，为避免用户频繁切换，设定第k个从用户资源分配限定条件其中，表示第k个从用户可允许的最大切换次数。

进一步，根据公式确定从用户联合能效，其中，为从用户联合传输速率，P为从用户联合能耗，建模为 $P=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{\mathrm{nm}}^k({\mathrm{\&upsi;}}_{\mathrm{nm}}{P}_{\mathrm{kn}}^{\left(0\right)}+(1-{\mathrm{\&upsi;}}_{\mathrm{nm}})P_{\mathrm{kn}}^{\left(1\right)})+P_k^{\mathrm{cir}}),$ 其中，表示第k个从用户在子信道n上主用户空闲时的传输功率，表示从用户k的电路消耗功率。

进一步，认知基站统一优化分配网络中各从用户子信道及时隙资源，以实现认知网络能效最大化及从用户切换次数最小化；定义从用户k的子信道及时隙分配矩阵为

${\mathrm{\&beta;}}_k=\left[\begin{array}{c}\begin{array}{cccc}{\mathrm{\&beta;}}_{11}^k& {\mathrm{\&beta;}}_{12}^k& ...& {\mathrm{\&beta;}}_{1M}^k\end{array}\\ \begin{array}{cccc}{\mathrm{\&beta;}}_{21}^k& {\mathrm{\&beta;}}_{22}^k& ...& {\mathrm{\&beta;}}_{2M}^k\end{array}\\ ...\\ \begin{array}{cccc}{\mathrm{\&beta;}}_{N1}^k& {\mathrm{\&beta;}}_{N2}^k& ...& {\mathrm{\&beta;}}_{\mathrm{NM}}^k\end{array}\end{array}\right],$ 功率分配矢量为 $P_k=(P_{k1}^{\left(0\right)},P_{k2}^{\left(0\right)},...,P_{\mathrm{kN}}^{\left(0\right)},P_{k1}^{\left(1\right)},P_{k2}^{\left(1\right)},...,P_{\mathrm{kN}}^{\left(1\right)}),$ $k=\mathrm{1,2},...,K,$ 给定从用户业务量、接收SINR、最小切换次数限定条件及主用户SINR限定条件，基于最大能效优化准则，可得认知网络联合子信道、时隙及功率优化分配方案，即：

$({\mathrm{\&beta;}}_1^{*},{\mathrm{\&beta;}}_2^{*},...P_K^{*},P_1^{*},P_2^{*},...P_K^{*})=\underset{{\mathrm{\&beta;}}_1,{\mathrm{\&beta;}}_2,...{\mathrm{\&beta;}}_K,P_1,P_2,...P_K}{\arg \max }\mathrm{\&eta;},$ 对应从用户联合子信道、时隙及功率优化分配策略。

本发明的有益效果在于：本发明所述方法综合考虑了认知网络主用户频带占用状态，从用户业务需求及频带间切换所产生的切换代价，基于网络能效最大化准则执行联合资源分配，在保障从用户业务需求、减少切换导致的性能下降的同时，实现从用户联合能效优化，有效提高频谱利用率，缓解频谱资源紧张问题。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为一个认知无线网络的场景示意图；

图2为本发明实现动态认知网络资源分配的架构示意图。

图3为子信道的时隙分配图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为能够实现本发明的一个认知无线网络的场景示意图，认知无线网络由多个主用户、多个从用户、主基站和认知基站构成，认知基站与主基站交互信息并负责为各从用户时隙、信道及功率的联合分配。

图2为本发明实现动态认知网络资源分配的架构示意图，包括：网络信息预测平面、资源分配平面、从用户交互平面。其中，主用户业务分析模块、历史信息收集模块、频谱状态预测模块位于网络信息预测平面；从用户业务分析模块、联合资源分配模块位于资源分配平面；业务需求模块、资源执行模块位于从用户交互平面，通过从用户交互平面连接多个从用户。各模块及动态认知网络资源分配方法具体实施方式如下：

主用户业务分析模块：分析主用户授权频谱业务特性，为频谱状态预测模块提供输入参考数据。该模块分析各主用户在授权频谱上的业务到达率等业务特性，为预测模块提供主用户在频带n上的业务到达率的参考数据为：

历史信息收集模块：收集主用户占用频谱历史信息传送至频谱状态预测模块。该模块基于资源分配时段T，根据多个历史时间长度为T的历史信息时间段内，主用户占用授权频带的时间长度，得到主用户在预测时间T内占用频带n的时间长度

频谱状态预测模块：接收主用户业务分析模块和历史信息收集模块的数据，根据主用户占用频谱情况及信道特性，预测主用户到达时刻及频带占用时隙，并输出至联合资源分配模块。

图3给出了本发明中子信道的时隙分配图，预测时段共包含M个时隙，时刻t_m-1表示第m-1个时隙的结束时间。基于主用户业务分析模块和历史信息收集模块得到的主用户在频带n上的业务到达率和主用户在预测时间内占用频带n的时间长度根据公式

$\begin{array}{c}{P}_{\mathrm{nm}}^0=P\{t_n^A+T_n^D<t_{m-1}\}+P\{t_n^A>t_m\}\\ =\left\{\begin{array}{cc}1-e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}(t_{m-1}-T_n^D)}+e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}{t}_m}& t_{m-1}\&GreaterEqual;T_n^D\\ e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}{t}_m}& t_{m-1}<T_n^D\end{array}\right.\end{array}$

确定子信道n在第m个时隙的空闲概率，其中，表示主用户在频带n的到达时间，表示主用户在连续M个时隙内占用频带n的时长，t_m-1表示第m-1个时隙的结束时刻，表示主用户在频带n的业务到达率；若其中，κ_c为给定门限值，则可预测第m个时隙频带n空闲，以υ_nm＝1表示；若则预测主用户在时隙m占用频带n，以υ_nm＝0表示。

从用户业务分析模块：分析从用户业务特性，输入至联合资源分配模块提供数据。

联合资源分配模块：接收频谱状态预测模块及从用户业务分析模块的数据，基于网络能效最大化及用户切换次数最小化准则进行频谱、时隙及功率联合优化分配。具体包括：

⑴定义优化变量 ${\mathrm{\&beta;}}_{\mathrm{nm}}^k\&Element;\left\{\mathrm{0,1}\right\},n=\mathrm{1,2},...,N,m=\mathrm{1,2},...,M,k=\mathrm{1,2},...,K,$ 其中，N为网络中子信道总数，M为资源分配时段T的总时隙数，K为从用户总数，表示第k个从用户在时隙m占用第n个子信道进行信息传输，表示第k个从用户在时隙m未占用第n个子信道；

⑵根据频谱状态预测模块预测得到的各频带主用户时隙占用状态，及从用户业务分析模块，确定从用户可否与主用户共享信道进行传输。

若主用户占用子信道n的某时隙，根据公式得到从用户k在子信道n上，满足主用户SINR门限允许的最大传输功率即其中，表示子信道n上从用户k与PU接收端之间的信道增益，表示子信道n上主用户与其接收端之间的信道增益，表示主用户在子信道n的传输功率，表示从用户k与主用户共享子信道n时对应的传输功率，为主用户的SINR门限值；根据公式得到从用户k在子信道n上，满足从用户SINR门限允许的最小传输功率其中，h_kn表示子信道n上从用户k与其接收端之间的信道增益，表示子信道n上PU与从用户k接收端之间的信道增益，为从用户k的SINR门限值；若则从用户在时隙m可与主用户共享子信道n，反之，则从用户k无法在时隙m与主用户共享子信道n。

⑶建模从用户资源分配限定条件

从用户资源分配需满足业务量需求及切换次数限定条件：即其中，表示从用户k在子信道n上第m个时隙的传输速率，T为各时隙长度，L_k为从用户k的业务量需求；根据公式确定从用户k的切换次数，其应满足其中，表示第k个从用户可允许的最大切换次数。

⑷建模从用户资源分配优化函数

根据公式建模从用户联合能效，其中，为从用户联合传输速率，为第m个时隙第k个从用户在第n个信道的传输速率，P为从用户联合能耗，可建模为 $P=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{\mathrm{nm}}^k({\mathrm{\&upsi;}}_{\mathrm{nm}}{P}_{\mathrm{kn}}^{\left(0\right)}+(1-{\mathrm{\&upsi;}}_{\mathrm{nm}})P_{\mathrm{kn}}^{\left(1\right)})+P_k^{\mathrm{cir}}),$ 其中，表示第k个从用户在子信道n上主用户空闲时的传输功率，表示从用户k的电路消耗功率；统一优化分配网络中各从用户子信道及时隙资源，以实现认知网络能效最大化及从用户切换次数最小化；定义从用户k的子信道及时隙分配矩阵为：

${\mathrm{\&beta;}}_k=\left[\begin{array}{c}\begin{array}{cccc}{\mathrm{\&beta;}}_{11}^k& {\mathrm{\&beta;}}_{12}^k& ...& {\mathrm{\&beta;}}_{1M}^k\end{array}\\ \begin{array}{cccc}{\mathrm{\&beta;}}_{21}^k& {\mathrm{\&beta;}}_{22}^k& ...& {\mathrm{\&beta;}}_{2M}^k\end{array}\\ ...\\ \begin{array}{cccc}{\mathrm{\&beta;}}_{N1}^k& {\mathrm{\&beta;}}_{N2}^k& ...& {\mathrm{\&beta;}}_{\mathrm{NM}}^k\end{array}\end{array}\right],$ 功率分配矢量为 $P_k=(P_{k1}^{\left(0\right)},P_{k2}^{\left(0\right)},...,P_{\mathrm{kN}}^{\left(0\right)},P_{k1}^{\left(1\right)},P_{k2}^{\left(1\right)},...,P_{\mathrm{kN}}^{\left(1\right)}),$ $k=\mathrm{1,2},...,K,$ 给定从用户业务量、接收SINR、最小切换次数限定条件及主用户SINR限定条件，基于最大能效优化准则，可得认知网络联合子信道、时隙及功率优化分配方案，即： $({\mathrm{\&beta;}}_1^{*},{\mathrm{\&beta;}}_2^{*},...P_K^{*},P_1^{*},P_2^{*},...P_K^{*})=\underset{{\mathrm{\&beta;}}_1,{\mathrm{\&beta;}}_2,...{\mathrm{\&beta;}}_K,P_1,P_2,...P_K}{\arg \max }\mathrm{\&eta;},$ 对应从用户联合子信道、时隙及功率优化分配策略。

业务需求模块：该模块获取从用户业务量需求信息L_k，并将其发送给联合资源分配模块。

资源执行模块：该模块将联合资源分配模块输出的资源分配信息传输至各从用户，以实现从用户在所分配的信道、时隙以指定功率进行数据传输。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (8)

1.一种动态认知网络资源分配方法，其特征在于：在该方法中，认知基站基于网络能效最大化及用户切换次数最小化准则进行频谱、时隙及功率联合优化分配；分别设置了主用户业务分析模块、历史信息收集模块、频谱状态预测模块、从用户业务分析模块和联合资源分配模块；所述主用户业务分析模块用于分析主用户授权频谱业务特性，为频谱状态预测模块提供输入参考数据；所述历史信息收集模块用于收集主用户占用频谱历史信息输入至频谱状态预测模块；所述频谱状态预测模块用于接收主用户业务分析模块和历史信息收集模块的数据，根据主用户占用频谱情况及信道特性，预测主用户到达时刻及频带占用时隙，并输出至联合资源分配模块；所述从用户业务分析模块用于分析从用户业务特性，输入至联合资源分配模块；所述联合资源分配模块用于接收频谱状态预测模块及从用户业务分析模块的数据，基于联合资源分配准则执行从用户频谱、时隙及功率联合分配。

2.根据权利要求1所述的一种动态认知网络资源分配方法，其特征在于：在该方法中，假设各用户占用某频谱的一个或多个时隙进行通信，定义优化变量 ${\mathrm{\&beta;}}_{\mathrm{nm}}^k\&Element;\left\{\mathrm{0,1}\right\},$ $n=\mathrm{1,2},...,N,m=\mathrm{1,2},...,M,k=\mathrm{1,2},...,K,$ 其中，N为网络中子信道总数，M为资源分配时段的总时隙数，K为从用户总数，表示第k个从用户在时隙m占用第n个子信道进行信息传输，表示第k个从用户在时隙m未占用第n个子信道；认知基站为各从用户优化确定对应从用户不同时隙最佳频带分配策略。

3.根据权利要求1所述的一种动态认知网络资源分配方法，其特征在于：频谱状态预测模块根据以下公式确定子信道n在第m个时隙的空闲概率：

$\begin{array}{c}{P}_{\mathrm{nm}}^0=P\{t_n^A+T_n^D<t_{m-1}\}+P\{t_n^A>t_m\}\\ =\left\{\begin{array}{cc}1-e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}(t_{m-1}-T_n^D)}+e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}{t}_m}& t_{m-1}\&GreaterEqual;T_n^D\\ e^{-{\mathrm{\&lambda;}}_n^{\mathrm{pu}}{t}_m}& t_{m-1}<T_n^D\end{array}\right.\end{array}$

其中，表示主用户在频带n的到达时间，表示主用户在连续M个时隙内占用频带n的时长，t_m-1表示第m-1个时隙的结束时刻，表示主用户在频带n的业务到达率；若其中，κ_c为给定门限值，则可预测第m个时隙频带n空闲，以υ_nm＝1表示；若则预测主用户在时隙m占用频带n，以υ_nm＝0表示。

4.根据权利要求1所述的一种动态认知网络资源分配方法，其特征在于：频谱状态预测模块根据预测得到各频带主用户时隙占用状态，若主用户占用子信道n的某时隙，根据公式得到从用户k在子信道n上，满足主用户SINR门限允许的最大传输功率即其中，表示子信道n上从用户k与PU接收端之间的信道增益，表示子信道n上主用户与其接收端之间的信道增益，表示主用户在子信道n的传输功率，表示从用户k与主用户共享子信道n时对应的传输功率，为主用户的SINR门限值；根据公式得到从用户k在子信道n上，满足从用户SINR门限允许的最小传输功率其中，h_kn表示子信道n上从用户k与其接收端之间的信道增益，表示子信道n上PU与从用户k接收端之间的信道增益，为从用户k的SINR门限值；若则从用户在时隙m可与主用户共享子信道n，反之，则从用户k无法在时隙m与主用户共享子信道n。

5.根据权利要求1所述的一种动态认知网络资源分配方法，其特征在于：从用户业务分析模块用于分析从用户业务特性，从用户资源分配需满足其业务量需求，即：

$\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{\mathrm{nm}}^k{R}_{\mathrm{nm}}^{k}T\&GreaterEqual;L_k,$

其中，表示从用户k在子信道n上第m个时隙的传输速率，T为各时隙长度，L_k为从用户k的业务量需求。

6.根据权利要求5所述的一种动态认知网络资源分配方法，其特征在于：根据公式：

$C_k=\underset{m=1}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{n^{\&prime;}\&NotEqual;n}{\overset{N}{\underset{n^{\&prime;}=1}{\mathrm{\&Sigma;}}}}{\mathrm{\&beta;}}_{\mathrm{nm}}^k{\mathrm{\&beta;}}_{n^{\&prime;}(m+1)}^k$

确定从用户k的切换次数，为避免用户频繁切换，设定第k个从用户资源分配限定条件其中，表示第k个从用户可允许的最大切换次数。

7.根据权利要求1所述的一种动态认知网络资源分配方法，其特征在于：根据公式确定从用户联合能效，其中，为从用户联合传输速率，P为从用户联合能耗，建模为 $P=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{\mathrm{nm}}^k({\mathrm{\&upsi;}}_{\mathrm{nm}}{P}_{\mathrm{kn}}^{\left(0\right)}+(1-{\mathrm{\&upsi;}}_{\mathrm{nm}})P_{\mathrm{kn}}^{\left(1\right)})+P_k^{\mathrm{cir}}),$ 其中，表示第k个从用户在子信道n上主用户空闲时的传输功率，表示从用户k的电路消耗功率。

8.根据权利要求1所述的一种动态认知网络资源分配方法，其特征在于：认知基站统一优化分配网络中各从用户子信道及时隙资源，以实现认知网络能效最大化及从用户切换次数最小化；定义从用户k的子信道及时隙分配矩阵为 ${\mathrm{\&beta;}}_k=\left[\begin{array}{c}\begin{array}{cccc}{\mathrm{\&beta;}}_{11}^k& {\mathrm{\&beta;}}_{12}^k& ...& {\mathrm{\&beta;}}_{1M}^k\end{array}\\ \begin{array}{cccc}{\mathrm{\&beta;}}_{21}^k& {\mathrm{\&beta;}}_{22}^k& ...& {\mathrm{\&beta;}}_{2M}^k\end{array}\\ ...\\ \begin{array}{cccc}{\mathrm{\&beta;}}_{N1}^k& {\mathrm{\&beta;}}_{N2}^k& ...& {\mathrm{\&beta;}}_{\mathrm{NM}}^k\end{array}\end{array}\right],$ 功率分配矢量为 $P_k=(P_{k1}^{\left(0\right)},P_{k2}^{\left(0\right)},...,P_{\mathrm{kN}}^{\left(0\right)},P_{k1}^{\left(1\right)},P_{k2}^{\left(1\right)},...,P_{\mathrm{kN}}^{\left(1\right)}),k=\mathrm{1,2},...,K,$ 给定从用户业务量、接收SINR、最小切换次数限定条件及主用户SINR限定条件，基于最大能效优化准则，可得认知网络联合子信道、时隙及功率优化分配方案，即：

$({\mathrm{\&beta;}}_1^{*},{\mathrm{\&beta;}}_2^{*},...P_K^{*},P_1^{*},P_2^{*},...P_K^{*})=\underset{{\mathrm{\&beta;}}_1,{\mathrm{\&beta;}}_2,...{\mathrm{\&beta;}}_K,P_1,P_2,...P_K}{\arg \max }\mathrm{\&eta;},$ 对应从用户联合子信道、时隙及功率优化分配策略。