CN104581963A - 一种基于lte的认知网络下行链路资源分配方法 - Google Patents

Abstract

本发明涉及一种基于LTE的认知网络下行链路资源分配方法，包括以下步骤：根据比例公平分配子载波；分配每个用户的功率；根据注水法分配每个用户在各个子载波上的功率。本发明先进行子载波分配，然后采用线性时间复杂度的计算进行子载波功率分配，最终兼顾了公平比例原则，同时满足了系统的总发射功率约束和主用户干扰门限约束，最大化了系统容量。

Description

一种基于LTE的认知网络下行链路资源分配方法

技术领域

本发明涉及认知无线电系统资源分配技术领域，特别是涉及一种基于LTE的认知网络下行链路资源分配方法。

背景技术

随着智能移动终端的爆发式增长，广大移动终端用户对于上网宽带化及泛在化的需求越来越强烈。无线网络接入的泛在化及宽带化己经成为了移动通信系统发展的一大趋势。顺应该趋势3GPP(3rd Generation Partnership Project)启动了无线接入网的长期演进LTE(Long Term Evolution)，目的在于提供随时随地的高速网络接入服务。另一方面，移动通信系统经过多年的高速发展,现实网络环境中存在多种通信系统。过多的通信系统造成频段拥挤，导致现有频谱资源无法提供足够有效的大带宽频谱资源，无法满足LTE的高速数据传输要求。但是大部分时间段内，这些授权频段却是处于空闲。为克服上述困难，基于LTE的认知网络被提出。LTE可以借助于大带宽的频谱资源提供随时随地高速的宽带上网接入服务，而认知网络可以有效使用处于空闲状态的频谱资源，为LTE找寻并汇聚大带宽的频谱资源。

认知无线电(Cognitive Radio)技术是1999年由Joseph Mitola博士提出的一种新的无线通信技术，它可以智能的感知外部环境，并从环境中学习，通过与周围环境交互信息来感知周围环境的可用频谱，并将其分配给非授权用户(以下称认知用户)使用，从而提高频谱的利用率，是解决无线通信需求不断增长与频谱资源日益短缺之间矛盾的一种有效途径。认知用户可以采用共享式或者机会式接入主用户频谱的方式进行信号传输，但由于认知用户对无线频谱的使用权限低于主用户，所以认知用户在传输的过程中，必须考虑对主用户的保护。另外，由于可用频谱资源是动态变化的，所以在认知无线电系统中必须采用灵活高效的传输技术。

LTE是由3GPP提出的专注于移动通信网络中无线局域接入网络的长期演进计划；与之并行的另一项长期演进计划System Architecture Evolution，简称SAE，则专注于移动通信网络中核心网的全IP化演进。这两项长期演进共同主导了3GPP今后的通信标准演进。LTE能够保证用户接入网络的宽带化及泛在化，但是在复杂的现实异构网络环境条件下，缺少可用于传输的大带宽制约着LTE的发展。改进接入网的网络架构的同时，LTE还引入了先进的物理层技术以提高无线端的通信传输速率。下行链路将正交频分复用多址接入OFDMA和多天线技术MIMO作为物理层核心技术。正交频分复用(Orthogonal FrequencyDivision Multiplexing，OFDM)是宽带无线通信系统采用的一种频分复用技术，它具有较高的传输效率以及较强的抵抗由信道选择性衰落所引起的符号间干扰的能力。OFDM技术具有随时加载和卸载子载波的能力，它可以灵活分配子载波并且控制子载波上的发射功率，因此非常适合于认知无线电的动态频谱分配场合。OFDM技术也因此被看作未来认知无线电系统理想的备选技术之一。LTE也为进一步的演进及扩展预留方案：LTE的调制方式、占用频段、工作带宽均可以动态配置。这为LTE与认知网络的结合提供了实现的可能性。

目前用于解决认知无线电动态资源分配问题的技术方案，大多是保持系统总发射功率和误码率不变的前提下，为可变速率的认知用户分配资源，以实现系统容量最大化；或者是在保证系统中固定速率用户的传输速率要求的情况下，为其分配资源，使得用户的总发射功率最小化。根据上述两种优化目标，相应的算法可以分为速率最大化算法和功率最小化算法，速率最大化算法主要用于只有可变速率认知用户存在的认知无线电系统，在功率受限的条件下最大化可变速率用户的总吞吐量；功率最小化算法主要用于只有固定速率认知用户存在的认知无线电系统，在保证用户速率满足要求的前提下最小化系统的发射功率。

迄今为止，大部分的认知无线电系统资源分配技术都是以最大化系统容量为优化目标，考虑多个认知用户之间公平性的算法比较少，且不能实现子载波和载波功率分配的联合最优化，因此，需要研究基于认知用户间公平性的最优化资源分配算法。

另外，现存的认知无线电系统资源分配技术大都需要比较高的计算复杂度，但是这在实际应用中，尤其是在事实系统中，是不太能解释过高的计算复杂。因此需要提出一种复杂度较低的资源分配技术

发明内容

本发明所要解决的技术问题是提供一种基于LTE的认知网络下行链路资源分配方法，能够保证公平的资源分配。

本发明解决其技术问题所采用的技术方案是：提供一种基于LTE的认知网络下行链路资源分配方法，包括以下步骤：

(1)根据比例公平分配子载波；

(2)分配每个用户的功率；

(3)根据注水法分配每个用户在各个子载波上的功率。

所述步骤(1)包括以下子步骤：

(11)计算每个认知用户在所有子载波上的平均信道增益因子，并对其进行由大到小的排序，确定各认知用户的优先级；

(12)依据平均信道增益因子大优先分配子载波的原则，分别给每个认知用户分配一个子载波。

所述步骤(12)后如果还有多余的子载波，则将其按照用户的QOS需求进行分配，分配采取自适应过程，根据对各个用户的速率估计来确定是否为其分配子载波。

所述步骤(3)中每个用户在各个子载波上的功率为其中，P_k为用户k分配到的功率，N_k为用户k分配到的子载波数量，H_k,n为认知用户k在子载波n上的信干噪比增益因子。

所述步骤(3)后当每个用户在各个子载波上的功率大于子载波上的主用户干扰门限时，去除该子载波，并在剩余的子载波中重新利用注水法进行功率分配。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明先进行子载波分配，然后采用线性时间复杂度的计算进行子载波功率分配，最终兼顾了公平比例原则，同时满足了系统的总发射功率约束和主用户干扰门限约束，最大化了系统容量，同时本发明计算复杂度低，系统容量更大，可以应用于实际的无线通信系统中。

附图说明

图1是认知系统场景描述图；

图2是主用户和认知用户分享相邻频段示意图；

图3是本发明的资源分配的流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

图1所示为认知系统和授权用户系统并存情况下的场景描述。认知系统包括一个认知基站和K＝16个认知用户，其中基站是主控节点，负责收集各认知用户的频谱感知信息和系统内的信道状态信息，然后以此为依据进行动态自适应的子载波分配，将分配结果通过控制信道发送给各认知用户，认知用户收到基站的分配信息后可以进行动态频谱接入，在空闲子载波上采用OFDM进行数据传输。

用户的信道增益H_k,n独立同分布，服从Rayleigh分布。主用户和认知用户使用相邻的频段。主用户占用信道带宽B＝1MHz，是子载波带宽的整数倍。认知用户在主用户频段的两侧，如图2所示，认知用户的带宽被均分成N＝64个子载波，每个子载波的带宽为Δf＝15.625KHz。SNR差额Γ为3.3。加性高斯白噪声功率谱密度为N₀＝10^-7W/Hz，受限子载波上的干扰门限为0.02W。

第一步：分配子载波

为每个用户分配子载波，在最大化系统容量的同时兼顾一定的公平性。首先，计算每个认知用户在所有子载波上的平均信道增益因子，并对其进行由大到小的排序，确定各认知用户的优先级；然后，依据平均信道增益因子大优先分配子载波的原则，分别给每个认知用户分配一个子载波。在分配完成后，如果还有多余的子载波，则将其按照用户的QOS需求进行分配，分配采取自适应过程，根据对各个用户的速率估计来确定是否为其分配子载波。

设N_k表示用户k被分配得到的子载波数量，R_k表示第k用户的发射速率。c_k,n表示第k个用户对第n个子载波的占用情况，当且仅当子载波n分配给认知用户k时,c_k,n＝1，Ω_k表示用户k被分配到的子载波集合，A表示可用子载波的集合，P_total表示认知用户的最大总发射功率，N为子载波的数量，φ_k是一组预定义的归一化比例常数，其保证了认知用公平性的重要直指标。算法采用如下子载波分配流程：

(1)初始化。

$c_{k,n}=0,\∀k,0$

$\begin{array}{cc}{N}_k=0,R_k=0,{\mathrm{\Ω}}_k=0,\∀k& A=\{\mathrm{1,2},...,N\}\end{array}$

$\stackrel{\‾}{p}=\frac{P_{\mathrm{total}}}{N}$

(2)for 1to K

将H_k,n按升序排列

find n＝arg max_n∈A|H_k,n|

c_k,n＝1,N_k＝N_k+1

Ω_k＝Ω_k∪{n},A＝A-{n}

$R_k=\mathrm{\Δf}{\log }_2(1+{\stackrel{\‾}{p}}_{k,n}{H}_{k,n})$

end

(3)while

K＝{1，2，...,K} find k＝arg min_k∈K|R_k/φ_k|

find n＝arg max_n∈A|H_k,n|

c_k,n＝1,N_k＝N_k+1

Ω_k＝Ω_k∪{n},A＝A-{n}

$R_k=R_k+\mathrm{\Δf}{\log }_2(1+{\stackrel{\‾}{p}}_{k,n}{H}_{k,n})$

end。

第二步：分配用户间功率

通过如下各式得到各个用户的功率P_k

$P_1=(P_{\mathrm{total}}-\underset{k=2}{\overset{K}{\mathrm{\Σ}}}\frac{b_k}{a_{k,k}})/(1-\underset{k=2}{\overset{K}{\mathrm{\Σ}}}\frac{1}{a_{k,k}})$

P_k＝(b_k-P₁)/a_k,k,for k＝2,...,K

$a_{k,k}=-\frac{N_1}{N_k}\frac{H_{k,1}{W}_k}{H_{\mathrm{1,1}}{W}_1}$

$b_k=\frac{N_1}{H_{\mathrm{1,1}}}(W_k-W_1+\frac{H_{\mathrm{1,1}}{V}_1{W}_1}{N_1}-\frac{H_{k,1}{V}_k{W}_k}{N_k})$

$V_k=\underset{n=2}{\overset{N_k}{\mathrm{\Σ}}}\frac{H_{k,n}-H_{k,1}}{H_{k,n}{H}_{k,1}}$

$W_k={\left(\underset{n=2}{\overset{N_k}{\mathrm{\Π}}}\frac{H_{k,n}}{H_{k,1}}\right)}^{\frac{1}{N}}$

第三步：每个用户的子载波功率分配

得到用户k的总功率P_k后，根据注水法得到每个用户的各自子载波的功率如下：

$p_{k,n}=p_{k,1}+\frac{H_{k,n}-H_{k,1}}{H_{k,n}{H}_{k,1}}$

其中

$p_{k,1}=\frac{P_k-V_k}{N_k}$

当每个用户在各个子载波上的功率大于子载波上的主用户干扰门限时，去除该子载波，并在剩余的子载波中重新利用注水法进行功率分配，如此循环迭代直至所有受限子载波都满足其干扰门限时约束。

Claims (5)

1.一种基于LTE的认知网络下行链路资源分配方法，其特征在于，包括以下步骤：

(1)根据比例公平分配子载波；

(2)分配每个用户的功率；

(3)根据注水法分配每个用户在各个子载波上的功率。

2.根据权利要求1所述的基于LTE的认知网络下行链路资源分配方法，其特征在于，所述步骤(1)包括以下子步骤：

(11)计算每个认知用户在所有子载波上的平均信道增益因子，并对其进行由大到小的排序，确定各认知用户的优先级；

(12)依据平均信道增益因子大优先分配子载波的原则，分别给每个认知用户分配一个子载波。

3.根据权利要求2所述的基于LTE的认知网络下行链路资源分配方法，其特征在于，所述步骤(12)后如果还有多余的子载波，则将其按照用户的QOS需求进行分配，分配采取自适应过程，根据对各个用户的速率估计来确定是否为其分配子载波。

4.根据权利要求1所述的基于LTE的认知网络下行链路资源分配方法，其特征在于，所述步骤(3)中每个用户在各个子载波上的功率为其中，P_k为用户k分配到的功率，N_k为用户k分配到的子载波数量，H_k,n为认知用户k在子载波n上的信干噪比增益因子。

5.根据权利要求1所述的基于LTE的认知网络下行链路资源分配方法，其特征在于，所述步骤(3)后当每个用户在各个子载波上的功率大于子载波上的主用户干扰门限时，去除该子载波，并在剩余的子载波中重新利用注水法进行功率分配。