CN104219190A - 一种认知ofdm系统的子信道和功率分配方法 - Google Patents

Abstract

本发明公开了一种认知OFDM系统的子信道和功率分配方法，其特征在于：包括以下步骤：步骤1、对授权用户的信道占用进行建模，建模为两种不同的类型；步骤2、对于给定的授权用户的信道占用模型，感知得到空闲子载波集合，预测空闲信道的空闲持续时间的长短；步骤3、进行延迟敏感用户的子信道分配；步骤4、进行延迟容忍用户的子信道分配；步骤5、功率的增加过程1：延迟敏感用户与延迟容忍用户的功率交换；步骤6、功率的增加过程2：延迟容忍用户之间的功率交换。本发明动态的子信道和功率分配方案，满足认知系统中的两种不同业务类型的用户的不同QOS需求，即最小化延迟敏感的认知用户的切换时延，在此基础上最大化延迟容忍认知用户吞吐量。

Description

一种认知OFDM系统的子信道和功率分配方法

技术领域

本发明属于一种认知OFDM系统的子信道和功率分配方法。

背景技术

目前，针对认知OFDM无线网络的资源分配问题，国内外已经做了广泛研究，现有文献分别就单用户认知网络和多用户认知网络进行了探讨。针对单用户场景下的资源分配问题，文献将资源分配问题建模为一个多维的0-1背包问题(MDKP)，提出了一种称为“Max-Min”的贪婪算法，这种算法在单用户的场景下，性能接近最优算法，但是当把这种算法应用于多用户认知系统时，其计算量非常之大，显然，该算法不适用于多用户场景。现有文献还将认知系统发射功率约束及对授权用户的干扰约束转化成了归一化的系统容量，该算法在复杂度和系统容量方面达到了较好的均衡。不同于以往的干扰门限的约束，文献对授权用户的干扰约束采用了一种统计干扰约束，并在此基础上提出了一种基于OFDM的认知无线系统的最优的功率分配算法。

研究了多用户场景下的资源分配问题。认知系统的用户业务为非实时(NRT)应用的情况下，文献通过各个用户的数据速率的比例约束保证了用户之间的相对公平性。研究了最小干扰增加(MI)、最小功率增加(MP)和最小代价增加(MC)这三种贪婪分配算法在多用户认知OFDM系统资源分配中的应用。

值得一提的是，上述文献均假定频谱感知的结果是完全正确的，而在实际的无线通信中，由于硬件条件的不足、感知时间的受限(感知时间太长会影响用于认知用户传送数据的时间)等因素造成了获得动态无线环境的理想感知信息的难度，因此，漏检和虚警时常发生。另外，不同的认知用户会有不同的QOS需求，而上述文献均忽略了这一点。无线通信的快速发展要求未来认知无线网络能够满足多用户的不同QOS需求，近年来，已经致力于此类认知网络资源分配算法的研究。文献研究了多信道环境下的资源分配问题，利用频谱感知信息对授权用户的空闲信道和功率进行分配，在保证满足认知用户的最小传输速率的条件下，最大化整个认知网络的容量。文献还提出了一种联合频谱感知和资源分配的算法，该算法在资源分配的过程中同时考虑了漏检概率、虚警概率和检测门限，在保证了延迟敏感用户的最小延迟要求的基础上，使得延迟容忍用户的总容量达到了最大。

在研究认知无线网络资源分配算法时，一个很大的挑战就是：在授权频段上，授权用户对信道的使用具有一定的随机性，当授权用户要传输数据时，认知用户必须立即停止其传输，切换到其他可用信道上。频繁的信道切换必然会造成迟延的增加和吞吐量的减小，目前资源分配方面的文献很少考虑频谱切换迟延对系统造成的影响。当认知用户的业务为延迟容忍业务(非实时业务)时，这种因频谱切换造成的中断对资源管理的影响可以忽略不计，然而，当认知用户的业务是迟延敏感业务(实时业务)，那么在研究信道分配算法时必须要考虑到未来信道的可利用概率的大小，尽量减小因频繁切换产生的切换时延对迟延敏感用户的影响。基于以上的分析，设计能够减小频谱切换延迟的算法对于认知无线网络的延迟敏感用户有更实际的意义。一般来说，传输延迟正比于信道切换的次数，因而最有效的减小频谱切换延迟的算法就是尽量减少频谱切换的次数。

发明内容

为了克服现有技术的不足，本发明提供了一种认知OFDM系统的子信道和功率分配方案，该方案能满足认知系统中的两种不同业务类型的用户(延迟敏感用户和延迟容忍用户)的不同QOS需求，在最小化延迟敏感用户的切换时延的基础上，通过功率增强算法最大化延迟容忍用户的吞吐量。

为解决上述问题，本发明所采用的技术方案是：

一种认知OFDM系统的子信道和功率分配方法，其特征在于：在集中式的认知无线网络中，随机分布着个认知用户，其中，包括K1个延迟敏感用户，K2个延迟容忍用户，网络中可用频谱被划分为N个正交的子载波，包括以下步骤：

步骤1、对授权用户的信道占用进行建模，建模为两种不同的类型：随机性的信道占用模型和确定性的信道占用模型，在两种不同的模型下，分别执行下述步骤；

步骤2、对于给定的授权用户的信道占用模型，感知得到空闲子载波集合预测空闲信道的空闲时间的长短

步骤3、进行延迟敏感用户的子信道分配；搜寻离目标速率要求相差最多的延迟敏感用户k^*，为其分配子载波n^*，从空闲子载波集合中移去所分配的子载波n^*，依次为其余的延迟敏感用户分配子信道，直到满足所有的延迟敏感用户的最小速率要求；

步骤4、进行延迟容忍用户的子信道分配；对于集合中的第n个子载波，寻找可获得最大传输速率的用户k^*，即：将子载波n分配给用户分配k^*；依次分配完剩余的空闲子载波；

步骤5、功率的增加过程1；延迟敏感用户与延迟容忍用户之间的功率交换：定义表征子载波效率函数的量：在延迟敏感用户的所分配的子载波集合Ω_k,k＝1,2,…K₁中搜寻效率最低的子载波设置子载波上功率的减小值：(δp₀为一个较小的经验值，为子载波上的初始功率)；设置功率的可能增加值：(为目前已分配功率和，Ω₀表示延迟容忍用户所分配的子载波集合)，计算延迟容忍用户在相应子载波上的潜在速率增加值：(c_n,表示每个子载波的数据速率)，寻找速率增加最多的子载波计算该子载波获得后总的干扰是否小于干扰门限，如果满足干扰约束，则将功率分配给该子载波。持续进行该过程，直到发现干扰超过门限，或者延迟敏感用户的实际速率小于最小速率要求为止；

步骤6、功率的增加过程2；延迟容忍用户之间的功率交换：功率交换的过程同步骤5，不同的是，功率交换的过程开始于效率最低的延迟容忍用户的子载波。

由于采用了上述技术方案，与现有技术相比，本发明认真考虑了授权用户的活动在资源分配算法中的重要作用，在此基础上，进行子信道的分配。在算法中，选择空闲信道的“空闲持续时间”作为子信道分配的指标，与传统的选择空闲信道的“平均空闲概率”相比，更加有效地减小了切换频率，减小了延迟敏感用户的切换时延。然后，通过功率增强算法提高了延迟容忍用户的吞吐量。在该资源分配算法中有两个优化等级不同的优化目标，上层优化目标是延迟敏感用户的切换时延，下层优化目标是延迟容忍用户的吞吐量。

同时下面结合附图和具体实施方式对本发明作进一步说明。

附图说明

图1为本发明一种实施例中基于OFDM的认知无线网的系统模型；

图2为本发明一种实施例中基于OFDM认知无线网的频谱接入图；

图3为本发明一种实施例中子信道m上概率P₁,P₂与授权用户占用子信道m的概率Pr(O_m)之间的关系图；

图4为本发明一种实施例中部分确定性流量模型图；

图5为本发明一种实施例中授权用户的信道空闲持续时间比较图；

具体实施方式

实施例：

如图1所示，为一典型的认知无线网络模型。在该认知网络中，共有K个认知用户，其中包括K1个迟延敏感用户(DS-CRs)和K2个迟延容忍用户(DT-CRs)。每个迟延敏感用户有不同的最小速率的需求，而对于迟延容忍用户来说，则假定有充足的分组需要传输。

整个授权用户系统的可利用带宽被分成N个子载波，这N个子载波由M个授权用户共同使用，每个授权用户子信道由一个或多个子载波组成，彼此互不重叠，如图2所示。假定每个授权用户子信道均为平坦衰落信道，并且每个授权用户的业务模式彼此独立。每个OFDM符号长度为T_s，资源分配算法的调度单位为一个符号周期，即在每一个符号开始，认知网络感知这M个子信道，伺机接入空闲子信道进行通信。为简单起见，忽略了感知时间，而且假定每个子载波只能分配给至多一个认知用户，以避免不同认知用户之间的干扰发生。同时，假定已知认知用户的接入点(AP)与认知用户之间以及认知用户的接入点与主用户接收机之间的理想的信道状态信息(CSI)。由于迟延敏感用户关心的是时延的大小，而延迟容忍用户则更关心所能传送的比特速率，因此，资源分配的目标就是在满足迟延敏感用户的最小速率的条件下，最小化迟延敏感用户的切换时延，在此基础上，最大化延迟容忍用户的和容量。

首先说明下干扰源。

一般来说，认知用户对授权用户的干扰来源于两个因素：一个是认知用户的带外辐射，另一个则来源于非理想的频谱感知。

认知系统采用OFDM调制作为其物理层技术有其优势所在，但是有一个不可避免的缺点就是它的带外辐射较大。认知用户的带外辐射将会对使用邻近信道的授权用户产生邻道干扰，干扰的大小不仅取决于认知用户所分配的功率、认知用户所占用的信道与授权用户的子信道之间的频谱距离，还与认知用户的发射机到授权用户接收机之间的信道状态密切相关。

另一个干扰源：即非理想的频谱感知。在实际系统中，有两种典型的频谱感知错误，即漏检和虚警。当授权用户的信号较弱时，认知系统会由于授权用户信号的强度低于感知门限而无法感知该授权用户的存在，从而导致漏检的发生。在这种情况下，虽然事实上该子信道被授权用户占用，但是认知系统因漏检而使用了该信道，于是导致共道干扰的发生。另一方面，由于每个子信道上噪声的变化，认知系统有时会把某个事实上空闲的信道识别为忙的状态，这种感知错误把它称为虚警，虚警会降低整个认知系统的吞吐量。

在机会式认知系统中，认知用户只有感知到空闲信道时才会接入。如果子信道m被检测到是忙的状态，那么占用该子信道的授权用户仅受到占用其他空闲子信道上认知用户的带外辐射的干扰。如果用表示子信道m被检测为忙的事件，用O_m表示该子信道m事实上为忙的事件，用表示子信道m被检测为空闲的事件，用V_m表示子信道m确实空闲的事件，那么，子信道m上授权用户受到的干扰将与概率密切相关。概率指的是子信道m被检测到为忙的状态，事实上也是忙状态的概率，根据贝叶斯定理和全概率公式，得到的计算公式如下：

$\begin{array}{c}{P}_{O_m{\hat{O}}_m}=\mathrm{Pr}\left\{O_m\right|{\hat{O}}_m\}=\frac{\mathrm{Pr}\left\{{\hat{O}}_m\right|O_m\left\}\mathrm{Pr}\right\{O_m\}}{\mathrm{Pr}\left\{{\hat{O}}_m\right\}}\\ =\frac{\mathrm{Pr}\left\{{\hat{O}}_m\right|O_m\left\}\mathrm{Pr}\right\{O_m\}}{\mathrm{Pr}\left\{{\hat{O}}_m\right|O_m\left\}\mathrm{Pr}\right\{O_m\}+\mathrm{Pr}\{{\hat{O}}_m\left|V_m\right\}\mathrm{Pr}\left\{V_m\right\}}\\ =\frac{(1-q_{\mathrm{md}}^m)\mathrm{Pr}\left\{O_m\right\}}{(1-q_{\mathrm{md}}^m)\mathrm{Pr}\left\{O_m\right\}+q_{\mathrm{fa}}^m(1-\mathrm{Pr}\{O_m\left\}\right)}\end{array}---\left(1\right)$

其中，和分别表示漏检和虚警概率。Pr(O_m)表示子信道m被授权用户占用的概率，该概率取决于授权用户的流量模式。假定表示检测到的空闲子载波的集合，根据公式(1)，子信道m上授权用户受到的干扰可计算如下：

其中，

$n_i^m={\left|h\right|}^2{T}_s{\∫}_{d_{i,m}+\frac{B_m}{2}}^{d_{i,m}+\frac{B_m}{2}}{\left(\frac{\sin \mathrm{\πf}{T}_s}{\mathrm{\πf}{T}_s}\right)}^2\mathrm{df}---\left(3\right)$

表示使用第i子载波的认知用户对第m个授权用户的干扰因子。其中，d_i,m表示第i子载波到第m个授权用户的频带的中心点之间的距离，T_s为OFDM的符号长度，B_m为第m个授权用户的频带宽度，h表示的是认知用户的发射端到第m个授权用户接收端的信道增益。

如果子信道m被检测为空闲的状态，那么，该子信道的授权用户不仅会受到使用其它空闲子信道的认知用户带外辐射的干扰，还会受到使用子信道m的认知用户的共道干扰。共道干扰的大小与概率密切相关。表示的是子信道m检测为空闲状态，事实上处于忙状态的概率。因此，在这种情况下，子载波上的认知用户对子信道m的干扰为：

$I_i^m=\left\{\begin{array}{c}{P}_{O_m{\hat{O}}_m}{\mathrm{\η}}_i^m,i\≠m\\ P_{O_m{\hat{V}}_m}{\mathrm{\η}}_i^m,i=m\end{array}\right.---\left(4\right)$

于是，子信道m受到的干扰总和为：

其中，计算如下：

$\begin{array}{c}{P}_{O_m{\hat{V}}_m}=\mathrm{Pr}\left\{O_m\right|{\hat{V}}_m\}=\frac{\mathrm{Pr}\left\{{\hat{V}}_m\right|O_m\left\}\mathrm{Pr}\right\{O_m\}}{\mathrm{Pr}\left\{{\hat{V}}_m\right\}}\\ =\frac{\mathrm{Pr}\left\{{\hat{V}}_m\right|O_m\left\}\mathrm{Pr}\right\{O_m\}}{\mathrm{Pr}\left\{{\hat{V}}_m\right|O_m\left\}\mathrm{Pr}\right\{O_m\}+\mathrm{Pr}\{{\hat{V}}_m\left|V_m\right\}\mathrm{Pr}\left\{V_m\right\}}\\ =\frac{q_{\mathrm{md}}^m\mathrm{Pr}\left\{O_m\right\}}{q_{\mathrm{md}}^m\mathrm{Pr}\left\{O_m\right\}+\left({1-q}_{\mathrm{fa}}^m\right)(1-\mathrm{Pr}\{O_m\left\}\right)}\end{array}---\left(6\right)$

令根据式(1)和式(6)，可以得到子信道m上概率P₁,P₂与授权用户占用子信道m的概率Pr(O_m)之间的关系，如图3。随着Pr(O_m)的增加，P₁呈现增加的趋势，P2则呈现减少的趋势。当Pr(O_m)＝0时，认为不会有虚警的发生，此时，P₁＝0，P₂＝1；同样地，当Pr(O_m)＝1时，认为不会有漏检的发生，此时P₁＝1，P₂＝0。在Pr(O_m)和一定的条件下，随着的增加，P₁呈现减小的趋势，它反映了检测到的子信道确实忙的概率在减小；而在Pr(O_m)和一定的条件下，随着的减小，P₂在增加，它反映了检测到的子信道确实空闲的可靠性在增加。

授权用户信道占用模型

传统的认知无线领域的研究工作总是着眼于寻找更加有效准确的频谱感知算法，或者致力于对认知用户之间更好的频谱共享技术的研究，忽略了授权用户时变的频谱(信道)占用模型的设计。事实上，合理的授权用户信道占用模型的设计，对于研究认知系统的资源分配算法起着举足轻重的作用。下文为两类典型的授权用户信道占用模型：一类为确定信道模型，另一类为随机信道模型。

确定性的授权用户信道占用模型，即确定信道模型。

电视网络中电视信号传输的模式是常见的确定性的授权用户信道占用模型的原型。电视信号传输的周期很长，从几个小时到几天，有时候甚至长达几个星期，其网络业务流量可以认为是周期性的ON-OFF模式，其中，周期通常是固定不变的，而ON时间固定不变或者每个周期随机变化。把周期和ON时间均固定不变的模式称为完全确定性模型；而把周期固定不变，ON时间随机变化的模式称为部分确定性流量模型。如图4所示为部分确定性流量模型，在这个模型中，授权用户到达的周期是固定的，在每个周期中，每次占用的时间T_on又是随机变化的。

在研究资源分配算法时，采用的是部分确定性的流量模型，即每一授权用户的到达周期是固定的，但M个授权用户的到达周期各不相同，在各自的周期中，每个用户的占用时间服从均匀分布，均匀分布的均值大小在一定程度上反映了授权用户业务流量的大小。

随机性的授权用户信道占用模型

众所周知，授权用户的频谱占用随着时间和空间在动态变化。无记忆的泊松过程常常用来在传统的电话网络和其他一些网络中进行流量分析，在本发明中，随机性的授权用户信道占用模型依然采用泊松过程来近似。第m(m＝1,2,…M)个授权用户的子信道的占用情况，采用一个到达速率为λ_m的泊松过程来近似，而授权用户每次占用信道后的使用时间则用指数分布来近似，相比较来说，该模型比马尔科夫链的模型具有更大的灵活性。

在到达速率为λ_m的假设下，子信道m占用次数为k_m的概率为：

$\mathrm{Pr}(k_m,{\mathrm{\λ}}_m)=\frac{{\mathrm{\λ}}_m^{k_m}{e}^{-{\mathrm{\λ}}_m}}{k_m!}---\left(7\right)$

第m个授权用户两次占用该子信道的时间间隔t(m)服从参数为λ_m的指数分布，其概率密度函数为：

$f\left(t\left(m\right)\right)=\left\{\begin{array}{cc}{\mathrm{\&lambda;}}_m{e}^{-{\mathrm{\&lambda;}}_{m}t\left(m\right),}& t\left(m\right)\&GreaterEqual;0\\ 0,& t\left(m\right)<0\end{array}\right.---\left(8\right)$

假设第m个授权用户每次对该子信道的占用时间用t_on(m)表示，可以用服从参数为μ_m的指数分布来对占用时间加以近似，于是有：

$f\left(t_{\mathrm{on}}\left(m\right)\right)=\left\{\begin{array}{cc}{\mathrm{\&mu;}}_m{e}^{-{\mathrm{\&mu;}}_m{t}_{\mathrm{on}}\left(m\right)},& t_{\mathrm{on}}\left(m\right)\&GreaterEqual;0\\ 0,& t_{\mathrm{on}}\left(m\right)<0\end{array}\right.---\left(9\right)$

很显然，在到达速率一定的情况下，一个信道如果具有较短的t_on时间，意味着这个信道有较长的空闲时间，这样的信道更适合于迟延敏感用户进行数据的传送。

资源分配问题的建模

认知OFDM无线系统采用的是机会式的频谱接入方式，即认知用户周期性的感知授权用户的频谱，一旦发现授权用户所在的子信道空闲，则认知系统按照一定的资源分配算法给认知用户分配合适的子信道和合适的功率进行数据传输，以优化已知的目标函数。

本发明在授权用户的干扰门限和认知用户功率预算的约束下，将资源分配问题建模为一个双层规划(BLPP)：上层优化的目标是最小化延迟敏感用户的切换次数，下层优化目标是最大化延迟容忍用户的容量。

假设认知无线网络中，用集合表示认知用户，集合表示迟延敏感用户(DS‐CRs)，集合表示迟延容忍用户(DT‐CRs)，显然， 表示认知系统检测到的空闲频谱的集合。R_k,n表示第k个认知用户在第n个子载波上传输的数据速率，其表示如下：

$R_{k,n}=\log (1+\frac{p_{k,n}{\left|h_{k,n}\right|}^2}{N_{0}B})---\left(10\right)$

其中，h_k,n表示第k个认知用户在第n个子载波上的信道增益，N₀表示加性高斯白噪声的功率谱密度，B表示子载波的带宽。需要说明的是，为了简单起见，在(10)的表达式中忽略了授权用户对认知用户造成的干扰，这种忽略不会影响到对资源分配算法的分析。

在进行建模之前，做了如下假设：

a)假定每一个子载波只能分配给一个认知用户，即不允许多个认知用户共享一个子载波。如果用二进制索引ρ_k,n∈{0,1}来表示子载波的分配，则有：

b)传输功率约束：所有认知用户在空闲子载波上的发射功率总和不能超过功率预算。假设P_total表示认知网络的功率预算，p_k,n表示k^th认知用户在n^th子载波上的发射功率，则有：

c)保证满足延迟敏感用户的最小速率要求

用表示k^th延迟敏感用户的最小速率要求，则该用户的实际传输速率Rk应该满足：

d)干扰门限的约束

假定每一个授权用户都有相同的干扰门限I_th，则有：

在以上约束条件下，资源分配问题建模为一个双层规划，用数学公式表示如下：

其中，为上层优化目标函数，为下层优化目标函数。f_n反映的是使用子载波n的延迟敏感用户在未来会发生的切换次数，这个函数值与子载波n未来信道的空闲状态密切相关。在实际中，其实很难定量地去描述切换次数与信道状态之间的关系，介绍资源分配算法时，将通过空闲信道的“空闲持续时间”来定性地描述切换次数与信道状态之间的关系。

资源分配算法实现

一般来说，即使是对于一个线性的BLPP问题，都是一个强NP-hard问题。而在OP1问题中涉及到的不但有二进制变量ρ_k,n，还有实变量p_k,n，虽然少了下层对上层的制约，但是，这样的一个混合整数的非线性的BLPP问题的求解也是非常复杂的。本算法将分层去求解OP1，首先，按照一定的原则给每个空闲子载波分配初始功率，在此基础上，分配子载波给延迟敏感用户以优化其目标函数，接下来延迟容忍用户在剩余空闲子载波集合中进行优化匹配，目的是为了最大化其吞吐量。最后，执行一个功率增强算法，以进一步优化延迟容忍用户的容量。

子信道分配算法

凭直觉，为了减小信道的切换频率，信道的“平均空闲概率”应该是信道分配的一个不错的指标。然而，近年来研究表明，在认知无线网络中，把空闲信道的“空闲持续时间”作为信道分配的指标能更有效地减小信道的切换频率。如图5所示，授权用户2的空闲概率明显大于授权用户1，但是授权用户2的每次空闲的时间要远小于授权用户1的空闲时间，如果一个延迟敏感用户选择在授权用户2的信道上传输，在相同的调度时间内，其切换的次数明显高于选择授权用户1的信道。显而易见，从减小认知用户切换频率的角度讲，选择将空闲信道的“空闲持续时间”作为信道分配的指标更为合理。

初始功率分配：为了确保在分配子载波的过程中，始终满足功率预算和干扰约束，初始功率定为：

$p_{k,n}=\min (P_{\mathrm{total}}/N,{\min }_{m\&Element;M}(I_{\mathrm{th}}/I_n^m))---\left(17\right)$

接下来，将以空闲信道的“空闲持续时间”作为延迟敏感用户子信道分配的指标。由于信道空闲时间的预测不是重点，因此在子信道分配时，假定已获得信道空闲时间的理想估计值。由于每个延迟敏感用户的最小速率要求是不同的，离各自最小速率要求相差的多少决定了用户选择信道的优先级，速率相差越远的用户其优先级越高。也就是说，空闲时间最长的信道将分配给优先级最高的延迟敏感用户，依次类推，直到所有的延迟敏感用户的最小速率要求都得到了满足。接下来，剩余子载波将分配给延迟容忍用户，其目标是最大化延迟容忍用户的吞吐量。

具体分配算法如下：

1)初始化

a)设表示当前帧检测到的空闲子载波的集合，且即空闲子载波的个数为N_v；设Ω_k表示第k个用户所分配子载波的集合，初始值

b)设子载波的初始功率值： $p_{k,n}=\min (P_{\mathrm{total}}/N,{\min }_{m\&Element;M}(I_{\mathrm{th}}/I_n^m)),\&ForAll;k,\&ForAll;n.$

c)设用户的初始速率为零，即：R_k＝0,k＝1,2,…K。

d)每个空闲子信道的空闲持续时间为均为OFDM符号周期的整数倍。

2)子信道分配(当前调度帧为OFDM信号的第一帧)

延迟敏感用户的子信道分配：

且 $R_k<R_k^{\min },k=\mathrm{1,2},...K_1,\mathrm{do}$

a)搜寻离最小速率要求相差最多的延迟敏感用户k^*，即搜寻用户k^*满足：

$R_{k^{*}}-R_{k^{*}}^{\min }<R_k-R_k^{\min }.$

b)对于搜寻到的用户k^*，寻找空闲时间最长的子载波n^*，即有：

c)为用户k^*分配子载波n^*，更新用户k^*的速率：

$R_{k^{*}}=R_{k^{*}}+\log (1+\frac{p_{k^{*},n^{*}}{\left|h_{k^{*},n^{*}}\right|}^2}{N_{0}B})$

d)更新用户k^*的子载波分配集合 更新空闲子载波集合

End while

延迟容忍用户的子信道分配：

i.对于集合中的第n个子载波，寻找可获得最大传输速率的用户k^*，即：

$R_{k^{*},n}\&GreaterEqual;R_{k,n},k=K_1+1,K_2+1,...K.$

ii.把第n个子载波分配给第k^*个用户，更新第k^*个用户的所分配子载波集合 同时更新第k^*个用户的数据速率：

$R_{k^{*}}=R_{k^{*}}+\log (1+\frac{p_{k^{*},n}{\left|h_{k^{*},n}\right|}^2}{N_{0}B}).$

End for

End while

3)子信道分配(当前调度帧不是OFDM信号的第一帧)

延迟敏感用户的子信道分配：

a)设集合Ω'_k,k＝1,2,…K₁是上一帧分配给第k延迟敏感用户的子载波集合的子集，该子集中的子载波在上一帧是空闲的，当前帧仍然判决为空闲。集合则表示当前帧才变成空闲状态的子载波集合，也就是说，这些子载波在上一帧是处于忙的状态。

b)为了减小延迟敏感用户的切换频率，集合Ω'_k,k＝1,2,…K₁中的子载波仍然分配给上一帧使用该子载波的用户，计算K₁个延迟敏感用户的速率，同时更新其子载波分配集合。

For k＝1to K₁

$R_k=\underset{n\&Element;{\mathrm{\&Omega;}}_k^{\&prime;}}{\mathrm{\&Sigma;}}\log (1+\frac{p_{k,n}{\left|h_{k,n}\right|}^2}{N_{0}B});$

Ω_k＝Ω_k∪Ω'_k；

End for

c)并且 $R_k<R_k^{\min },k=\mathrm{1,2},...K_1$

i.搜寻离最小速率要求相差最多的延迟敏感用户k^*，即搜寻用户k^*满足：

$R_{k^{*}}-R_{k^{*}}^{\min }<R_k-R_k^{\min }.$

ii.对于搜寻到的用户k^*，寻找空闲时间最长的子载波n^*，即有：

$\mathrm{idle}\_{\mathrm{dura}}_{n^{*}}>\mathrm{idle}\_{\mathrm{dura}}_n,\&ForAll;n\&Element;{\mathrm{\&Omega;}}_v$

iii.为用户k^*分配子载波n^*，更新用户k^*的速率：

$R_{k^{*}}=R_{k^{*}}+\log (1+\frac{p_{k^{*},n^{*}}{\left|h_{k^{*},n^{*}}\right|}^2}{N_{0}B})$

iv.更新用户k^*的子载波分配集合 更新空闲子载波集合Ω_v：

Ω_v＝Ω_v\n^*。

End while

延迟容忍用户子信道的分配：

For n＝1to length(Ω_v)

i.对于Ω_v集合中的第n子载波，寻找可获得最大传输速率的用户k^*，即：

$R_{k^{*},n}\&GreaterEqual;R_{k,n},k=K_1+1,K_2+1,...K.$

ii.把第n个子载波分配给第k^*个用户，更新第k^*个用户的所分配子载波集合 同时更新第k^*个用户的数据速率：

$R_{k^{*}}=R_{k^{*}}+\log (1+\frac{p_{k^{*},n}{\left|h_{k^{*},n}\right|}^2}{N_{0}B}).$

End for

End while

功率分配算法

当完成了子信道分配之后，OP1问题中的二进制变量对每一个用户来说变成了确定值，此时，OP1问题可以转化成式(18)表示的OP2问题。

很显然，式(18)定义的是一个凸优化的问题，其最优解的求解是一个非常复杂的过程，不适合于信道变化频繁的无线通信系统中，本发明采用一种功率增强的算法，该算法通过子载波之间功率的交换来最大化延迟容忍用户的吞吐量。

为更好地描述每个子载波对于增加认知网络吞吐量的潜在能力，定义了如下的效率函数：

整个功率交换的过程分为两轮。第一轮是延迟敏感用户与延迟容忍用户的功率交换，第二轮功率交换则发生在延迟容忍用户之间。由于延迟敏感用户只需满足最小速率要求即可，而在子信道分配后，延迟敏感用户的速率可能会大于其最小速率要求，因此在第一轮，将延迟敏感用户的冗余功率从效率函数值较低的子载波重新分配给效率函数值较高的延迟容忍用户。第二轮功率交换首先从延迟容忍用户的效率函数值最低的子载波开始，从子载波上减小的功率在其他子载波上会有不同的潜在速率的增加，潜在速率增加最多的子载波在获得与减小功率成比例的额外功率分配后，如果仍然满足授权用户的干扰门限，则实施功率交换。这个功率交换的过程一直重复，直到吞吐量不再增加为止。

说明：为了表达简单起见，在下面的功率增强算法中，省略了g_k,n和p_k,n中的k，由于子信道已经分配完成，这种省略不会引起歧义。用R_k,k＝1,2,…K₁表示每个认知用户在所有子载波上的速率和，而用表示每个子载波上用户的速率。

具体算法如下：

1)初始化

a)设Ω₀表示延迟容忍用户所分配的子载波集合，Ω_k,k＝1,2,…K₁分别表示K₁个延迟敏感用户所分配的子载波集合。

b)计算每个子载波的效率函数：

c)设置功率分配标志：

d)计算目前已分配的功率的和：

2)第一轮功率交换(发生在延迟敏感用户和延迟容忍用户之间)

For k＝1to K₁

$\mathrm{While\; fla}{g}_k=0\mathrm{and}{p}_{\stackrel{\&OverBar;}{n}}>0$

a)在集合Ω_k中搜寻效率函数值最小的子载波，即寻找子载波满足：

$\stackrel{\&OverBar;}{n}=\underset{n\&Element;{\mathrm{\&Omega;}}_k}{\arg \min }{g}_n.$

b)设置δp₀为一个较小的值，如：

c)设置子载波上功率的减小值：

d)设置功率的可能增加值：

e)计算延迟容忍用户的每个子载波上的潜在速率的增加值：

$\mathrm{\&Delta;}{c}_n^{+}=c_n(p_n+{\mathrm{\&Delta;p}}_{\hat{n}})-c_n\left(p_n\right),\&ForAll;n\&Element;{\mathrm{\&Omega;}}_0.$

f)计算子载波上速率减小值： $\mathrm{\&Delta;}{c}_{\stackrel{\&OverBar;}{n}}^{-}=c_{\stackrel{\&OverBar;}{n}}\left(p_{\stackrel{\&OverBar;}{n}}\right)-c_{\stackrel{\&OverBar;}{n}}(p_{\stackrel{\&OverBar;}{n}}-\mathrm{\&Delta;}{p}_{\stackrel{\&OverBar;}{n}}).$

g)搜寻延迟容忍用户潜在速率增加最多的子载波

h)假设功率交换在子载波和子载波之间发生，计算功率交换后对授权用户产生的干扰

i.子载波功率增加 $p_{\hat{n}}=p_{\hat{n}}+\mathrm{\&Delta;}{p}_{\hat{n}}.$

ii.子载波功率减小 $p_{\stackrel{\&OverBar;}{n}}=p_{\stackrel{\&OverBar;}{n}}-\mathrm{\&Delta;}{p}_{\stackrel{\&OverBar;}{n}}.$

iii.总功率更新： $\hat{P}=\hat{P}+\mathrm{\&Delta;}{p}_{\hat{n}}-\mathrm{\&Delta;}{p}_{\stackrel{\&OverBar;}{n}}.$

iv.更新其它参数：

Else

flag_k＝1。

End if

End while

End for

3)第二轮功率交换(发生在延迟容忍用户之间)

While|Ω₀|>1,do

a)在集合Ω₀中搜寻效率函数值最小的子载波，即寻找子载波满足：

$\stackrel{\&OverBar;}{n}=\underset{n\&Element;{\mathrm{\&Omega;}}_0}{\arg \min }{g}_n.$

b)设置δp₀为一个较小的值，如：

c)设置子载波上功率的减小值：

d)设置功率的可能增加值：

e)计算延迟容忍用户的其余子载波上的潜在速率的增加值：

$\mathrm{\&Delta;}{c}_n^{+}=c_n(p_n+{\mathrm{\&Delta;p}}_{\hat{n}})-c_n\left(p_n\right),\&ForAll;n\&Element;{\mathrm{\&Omega;}}_0\backslash \stackrel{\&OverBar;}{n}.$

f)计算子载波上速率减小值： $\mathrm{\&Delta;}{c}_{\stackrel{\&OverBar;}{n}}^{-}=c_{\stackrel{\&OverBar;}{n}}\left(p_{\stackrel{\&OverBar;}{n}}\right)-c_{\stackrel{\&OverBar;}{n}}(p_{\stackrel{\&OverBar;}{n}}-\mathrm{\&Delta;}{p}_{\stackrel{\&OverBar;}{n}}).$

g)搜寻延迟容忍用户潜在速率增加最多的子载波

h)假设功率交换在子载波和子载波之间发生，计算功率交换后对授权用户产生的干扰

i.子载波功率增加 $p_{\hat{n}}=p_{\hat{n}}+\mathrm{\&Delta;}{p}_{\hat{n}}.$

ii.子载波功率减小 $p_{\stackrel{\&OverBar;}{n}}=p_{\stackrel{\&OverBar;}{n}}-\mathrm{\&Delta;}{p}_{\stackrel{\&OverBar;}{n}}.$

iii.总功率更新： $\hat{P}=\hat{P}+\mathrm{\&Delta;}{p}_{\hat{n}}-\mathrm{\&Delta;}{p}_{\stackrel{\&OverBar;}{n}}.$

iv.更新其它参数：

$\mathrm{If}{p}_{\stackrel{\&OverBar;}{n}}=0\mathrm{then}$

flag₀＝1

${\mathrm{\&Omega;}}_0={\mathrm{\&Omega;}}_0-\left\{\stackrel{\&OverBar;}{n}\right\}$

End if

Else

flag₀＝1

${\mathrm{\&Omega;}}_0={\mathrm{\&Omega;}}_0-\left\{\stackrel{\&OverBar;}{n}\right\}$

End if

End while

Claims (1)

1.一种认知OFDM系统的子信道和功率分配方法，其特征在于：在集中式的认知无线网络中，随机分布着K个认知用户，其中，包括K1个延迟敏感用户，K2个延迟容忍用户，网络中可用频谱被划分为N个正交的子载波，包括以下步骤：

步骤1、对授权用户的信道占用进行建模，建模为两种不同的类型：随机性的信道占用模型和确定性的信道占用模型，在两种不同的模型下，分别执行下述步骤；

步骤2、对于给定的授权用户的信道占用模型，感知得到空闲子载波集合预测空闲信道的空闲时间的长短

步骤3、进行延迟敏感用户的子信道分配；搜寻离目标速率要求相差最多的延迟敏感用户k^*，为其分配子载波n^*，从空闲子载波集合中移去所分配的子载波n^*，依次为其余的延迟敏感用户分配子信道，直到满足所有的延迟敏感用户的最小速率要求；

步骤4、进行延迟容忍用户的子信道分配；对于集合中的第n个子载波，寻找可获得最大传输速率的用户k^*，即：将子载波n分配给用户分配k^*；依次分配完剩余的空闲子载波；

步骤5、功率的增加过程1；延迟敏感用户与延迟容忍用户之间的功率交换：定义表征子载波效率函数的量：在延迟敏感用户的所分配的子载波集合Ω_k,k＝1,2,…K₁中搜寻效率最低的子载波设置子载波上功率的减小值：(δp₀为一个较小的经验值，为子载波上的初始功率)；设置功率的可能增加值：(为目前已分配功率和，Ω₀表示延迟容忍用户所分配的子载波集合)，计算延迟容忍用户在相应子载波上的潜在速率增加值：(c_n,表示每个子载波的数据速率)，寻找速率增加最多的子载波计算该子载波获得后总的干扰是否小于干扰门限，如果满足干扰约束，则将功率分配给该子载波。持续进行该过程，直到发现干扰超过门限，或者延迟敏感用户的实际速率小于最小速率要求为止；

步骤6、功率的增加过程2；延迟容忍用户之间的功率交换：功率交换的过程同步骤5，不同的是，功率交换的过程开始于效率最低的延迟容忍用户的子载波。