CN104618291A - 基于余量自适应准则的资源分配方法及装置 - Google Patents

Abstract

本发明涉及无线通信技术领域，特别涉及基于余量自适应准则的资源分配方法及装置，所述方法包括根据用户优先级按比例分配子载波数给用户；根据信道条件确定调制方式；根据动力矩阵计算子载波分配矩阵，对子载波分配矩阵进行离散化处理，根据离散化处理后的子载波分配矩阵计算能量函数，如果达到退出条件，则退出迭代，否则更新动力矩阵后重复以上过程；本发明基于余量自适应准则，根据分配给用户的子载波数和所述调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵。

Description

基于余量自适应准则的资源分配方法及装置

技术领域

本发明涉及无线通信技术领域，特别涉及基于余量自适应准则的资源分配方法及装置。

背景技术

应用于正交频分多址系统(Orthogonal Frequency Division Multiple Access，简称OFDMA)的动态资源分配问题已经备受关注。在现有的技术中，往往将动态资源分配问题转化当给定每个用户所需的子载波数目和误比特率时，如何确定最小化总发送功率问题，由于此问题可通过一定的运算得到解，该解正确性很容易被检查，因此，此类问题为非确定性多项式(Non-deterministic Polynomial，简称NP)问题，所谓的非确定性是指可用一定数量的运算去解决多项式时间内可解决的问题。

在现有技术中，许多基于OFDMA系统资源分配的算法已被广泛关注。这些资源分配算法可分为两类：余量自适应(MA)准则和速率自适应(RateAdaptive，简称RA)准则。例如，在一个同带宽的条件下，一种功率分配算法被用于带有OFDMA频谱接入的单小区多用户认知无线电网络中，从而满足用户的速率要求。另外，在现有技术中基于OFDMA的多输入多输出(Multiple InputMultiple Output，简称MIMO)下行链路系统，提出了一种新的启发式策略的算法。这种启发式策略算法是根据不同组用户的平均信道质量，然后通过求解一系列低复杂度的分配问题解决原始问题。

为了同时满足多用户OFDMA系统下行链路的子载波、比特、速率和功率需求，有多种现有技术被提出。例如陈某等提出了实时加载算法，该算法试图最小化所需的发射功率，同时满足每个用户速率需求和数据错误率约束。李某等在多用户资源分配中采用分组方法构建了一个优化模型，在这个模型中独立地进行子载波分配和功率最优分配来保证用户比例约束中的公平性。高等人提出了一种最优分组分配方法，在不同功率控制策略下最大化关于用户平均速率的效用函数，相关优化问题被表述为非凸混合整数问题，最佳的方案可以通过拉格朗日双基梯度迭代得到。此外，基于块的资源分配方案也可以在其他类似的算法应用，包括在OFDMA下行链路系统中只为最好的资源块反馈部分信道质量信息，在OFDMA下行链路多天线的分布式系统为每个用户分配效果最好的天线。

进一步地，为了更好地解决无线资源分配的非确定性多项式问题，一种利用Hopfield神经网络(Hopfield Neural Network，简称HNN)分配子载波、比特和功率的方法被提出，该方法最小化OFDMA系统中多用户的整体发射功率。该HNN模型因为它的功能就类似人的视网膜，分配机制的合理性，成为常用的动态模型，但是该模型不容易收敛到全局最优。

Luonan Chen和Kazuyuki Aihara对HNN网络进行改进，引入了暂态产生的混纯动力，提出了暂态混纯神经网络(Transiently Chaotic Neural Network，简称TCNN)，即利用TCNN能量方程收敛过程给用户分配子载波、比特和功率，在用户子载波数、误比特率和总功率几个约束条件下，虽然找到了全局最优解但是收敛速度慢，优化率不高。

综上所述，在现有无线资源分配技术中，存在一个常见的问题，即由于动态资源分配本质是非确定性多项式(NP)问题，故而只存在次优解，也不能充分利用多用户分集增益。一些基于人工神经网络(HNN)模型的启发式分配算法虽然能有效的解决NP问题，但是该模型不容易收敛到全局最优。而基于暂态混沌神经网络(TCNN)模型的动态资源分配算法，虽然找到了全局最优解，但是收敛速度慢，优化率不高。

发明内容

针对上述问题，本发明提出基于余量自适应准则的资源分配方法及装置。

本发明的基于余量自适应准则的资源分配方法，包括：

101、根据用户优先级按比例分配子载波数给用户；

102、根据信道条件确定调制方式，根据所述调制方式确定用户k在子载波n上的每符号比特数；

103、根据分配给用户的子载波数和调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵；

所述最小化系统总发射功率，输出最优子载波分配矩阵，包括：根据动力矩阵计算子载波分配矩阵，对子载波分配矩阵进行离散化处理，根据离散化处理后的子载波分配矩阵计算能量函数，如果达到退出条件，则退出迭代，否则更新动力矩阵后重复以上过程。

优选地，所述根据信道条件确定调制方式包括：

$M_s=\left\{\begin{array}{cc}0,& {\mathrm{SNR}}_n\&le;T_0\\ M_0,& T_0<{\mathrm{SNR}}_n\&le;T_1\\ M_1,& T_1<{\mathrm{SNR}}_n\&le;T_2\\ & \&CenterDot;\&CenterDot;\&CenterDot;\\ M_{s-1},& T_{s-1}<{\mathrm{SNR}}_n\end{array}\right.$

其中，SNR_n是子载波n的信噪比值，T_s(s＝0,1,2,.....,s-1)为信噪比阈值；

优选地，所述根据所述调制方式确定用户k在子载波n上的每符号比特数为 表示向上取整运算。

优选地，所述根据动力矩阵计算子载波分配矩阵包括：

$V_{k,n}\left(t\right)=\frac{1}{1+\exp (-U_{k,n}\left(t\right)\&times;u0)}$

其中，V_k,n(t)是子载波分配矩阵，u0是激励函数的增益因子，U_k,n(t)是动力矩阵，矩阵中的元素初始值是[-1,1]之间的随机数。

优选地，所述对子载波分配矩阵离散化处理包括：

$V_{k,n}=\left\{\begin{array}{cc}1,& \mathrm{if}{V}_{k,n}\&GreaterEqual;\frac{1}{K\&times;N}{\mathrm{\&Sigma;}}_{k=1}^K{\mathrm{\&Sigma;}}_{n=1}^N{V}_{k,n}\\ 0,& \mathrm{others}\end{array}\right.$

其中，V_k,n(t)是子载波分配矩阵，K是用户数，N是子载波总数。

优选地，所述计算能量函数包括：

$\begin{array}{c}E=\frac{A_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\frac{f\left(C_{k,n}\right)}{{\left|H_{k,n}\right|}^2}+\frac{B_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}{V}_{h,n}\\ +\frac{C_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-S_k)}^2+\frac{D_e}{2}{(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-N)}^2\\ +\frac{F_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}(1-V_{k,n})\end{array}$

其中，A_e，B_e，C_e，D_e和F_e为惩罚参数，均为正的常数，V_k,n(t)是子载波分配矩阵，K是用户数，N是子载波总数，V_k,nV_h,n表示子载波块n是否同时分配给用户k和h，S_k表示用户k分得的子载波数，|H_k,n|²为信道增益， $f\left(C_{k,n}\right)=\frac{N_0}{3}{\left[Q^{-1}\left(\frac{P_e}{4}\right)\right]}^2(2^{C_{k,n}}-1),$ P_e为误比特率，Q^-1(.)是Q(.)的反函数， $Q\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}\underset{x}{\overset{\&infin;}{\&Integral;}}{e}^{{{-t}_0}^2/2}{\mathrm{dt}}_0,$ N₀为噪声功率普密度，C_k,n为用户k在子载波n上的每符号比特数。

优选地，所述退出条件包括：迭代次数已超过IN次，IN为最大迭代次数；或者，能量函数持续保持较小，即能量函数连续2次以上小于能量阈值。

优选地，所述更新动力矩阵包括：

$\begin{array}{c}{U}_{k,n}(t+1)={\mathrm{\&lambda;U}}_{k,n}\left(t\right)-{\mathrm{\&alpha;A}}_e\frac{f\left(c_{k,n}\right)}{2{\left|H_{k,n}\right|}^2}-{\mathrm{\&alpha;B}}_e\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}{V}_{h,n}\left(t\right)\\ -{\mathrm{\&alpha;C}}_e(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-S_k)-{\mathrm{\&alpha;D}}_e(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-N)\\ -{\mathrm{\&alpha;F}}_e(\frac{1}{2}-V_{k,n}\left(t\right))-z_{k,n}\left(t\right)(V_{k,n}\left(t\right)-I_0)+{\tilde{n}}_{k,n}\left(t\right)\end{array}$

其中，A_e，B_e，C_e，D_e和F_e为惩罚参数，均为正的常数，V_k,n(t)和V_h,n(t)是子载波分配矩阵，U_k,n(t)是动力矩阵，K是用户数，N是子载波总数，λ是神经膜的阻尼系数，α是输入正的比例参数，S_k是用户k分得的子载波数，z_k,n(t)＝(1-β₁)z_k,n(t-1)是神经元k,n自反馈连接权值，I₀是正的参数，β₁是自反馈模拟退火衰减因子，为引入的噪声动力，β₂噪声模拟退火衰减因子，|H_k,n|²为信道增益，P_e为误比特率，Q^-1(.)是Q(.)的反函数，N₀为噪声功率普密度，C_k,n为用户k在子载波n上的每符号比特数，t是迭代次数。

本发明的基于余量自适应准则的资源分配装置，包括

子载波分配模块，用于根据用户优先级按比例分配子载波数给用户

调制方式确定模块，用于根据信道条件确定调制方式，根据所述调制方式确定用户k在子载波n上的每符号比特数；

最小化系统总发射功率模块，用于根据分配给用户的子载波数和调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵；

所述最小化系统总发射功率模块包括：

动力矩阵生成单元，用于生成动力矩阵和更新动力矩阵

子载波分配矩阵计算单元，根据动力矩阵计算子载波分配矩阵；

矩阵离散化处理单元，用于对子载波分配矩阵进行离散化处理；

能量函数计算单元，根据离散化处理后的子载波分配矩阵计算能量函数；

判断单元，用于判断如果达到退出条件，则退出迭代，输出最优子载波分配矩阵。

优选地，所述根据动力矩阵计算子载波分配矩阵包括：

$V_{k,n}\left(t\right)=\frac{1}{1+\exp (-U_{k,n}\left(t\right)\&times;u0)}$

所述对子载波分配矩阵离散化处理包括：

$V_{k,n}=\left\{\begin{array}{cc}1,& \mathrm{if}{V}_{k,n}\&GreaterEqual;\frac{1}{K\&times;N}{\mathrm{\&Sigma;}}_{k=1}^K{\mathrm{\&Sigma;}}_{n=1}^N{V}_{k,n}\\ 0,& \mathrm{others}\end{array}\right.$

所述计算能量函数包括：

$\begin{array}{c}E=\frac{A_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\frac{f\left(C_{k,n}\right)}{{\left|H_{k,n}\right|}^2}+\frac{B_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}{V}_{h,n}\\ +\frac{C_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-S_k)}^2+\frac{D_e}{2}{(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-N)}^2\\ +\frac{F_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}(1-V_{k,n})\end{array}$

所述退出条件包括：迭代次数已超过IN次，IN为最大迭代次数；或者，能量函数持续保持较小，即能量函数连续2次以上小于能量阈值；

所述更新动力矩阵包括：

$\begin{array}{c}{U}_{k,n}(t+1)={\mathrm{\&lambda;U}}_{k,n}\left(t\right)-{\mathrm{\&alpha;A}}_e\frac{f\left(c_{k,n}\right)}{2{\left|H_{k,n}\right|}^2}-{\mathrm{\&alpha;B}}_e\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}{V}_{h,n}\left(t\right)\\ -{\mathrm{\&alpha;C}}_e(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-S_k)-{\mathrm{\&alpha;D}}_e(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-N)\\ -{\mathrm{\&alpha;F}}_e(\frac{1}{2}-V_{k,n}\left(t\right))-z_{k,n}\left(t\right)(V_{k,n}\left(t\right)-I_0)+{\tilde{n}}_{k,n}\left(t\right)\end{array}$

以上各式中，A_e，B_e，C_e，D_e和F_e为惩罚参数，均为正的常数，V_k,n(t)和V_h,n(t)是子载波分配矩阵，V_k,nV_h,n表示子载波块n是否同时分配给用户k和h；U_k,n(t)是动力矩阵，矩阵中的元素初始值是[-1,1]之间的随机数，u0是激励函数的增益因子，K是用户数，N是子载波总数，λ是神经膜的阻尼系数，α是输入正的比例参数，S_k是用户k分得的子载波数，z_k,n(t)＝(1-β₁)z_k,n(t-1)是神经元k,n自反馈连接权值，I₀是正的参数，β₁是自反馈模拟退火衰减因子，为引入的噪声动力，β₂噪声模拟退火衰减因子，|H_k,n|²为信道增益， $f\left(C_{k,n}\right)=\frac{N_0}{3}{\left[Q^{-1}\left(\frac{P_e}{4}\right)\right]}^2(2^{C_{k,n}}-1),$ P_e为误比特率，Q^-1(.)是Q(.)的反函数， $Q\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}\underset{x}{\overset{\&infin;}{\&Integral;}}{e}^{{{-t}_0}^2/2}{\mathrm{dt}}_0,$ N₀为噪声功率普密度，C_k,n为用户k在子载波n上的每符号比特数，t是迭代次数。

本发明基于余量自适应准则，根据分配给用户的子载波数和所述调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵。

附图说明

图1为现有OFDMA下行链路多用户六边形蜂窝网络的资源分配模型图；

图2为本发明基于余量自适应准则的资源分配方法优选实施例流程示意；

图3为本发明最小化系统总发射功率输出最优子载波分配矩阵的优选实施例流程示意；

图4为本发明基于余量自适应准则的资源分配装置优选实施例结构示意；

图5为本发明基于余量自适应准则的资源分配装置最小化系统总发射功率模块优选实施例结构示意；

图6为现有收敛到全局最优解过程的仿真效果图；

图7为本发明收敛到全局最优解过程的仿真效果图；

图8为本发明与传统算法BER性能比较示意图；

图9为本发明与传统算法传输速率比较示意图。

具体实施方式

本发明基于余量自适应准则的资源分配方法，优选实施例如图2所示，实施过程可以分为以下步骤：

101、根据用户优先级按比例分配子载波数给用户；

102、根据信道条件确定调制方式，根据所述调制方式确定用户k在子载波n上的每符号比特数；

103、根据分配给用户的子载波数和调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵；所述最小化系统总发射功率，输出最优子载波分配矩阵，包括：根据动力矩阵计算子载波分配矩阵，对子载波分配矩阵进行离散化处理，根据离散化处理后的子载波分配矩阵计算能量函数，如果达到退出条件，则退出迭代，否则更新动力矩阵后重复以上过程。

本发明方法实施过程如下：

首先根据步骤101确定每个用户的子载波数量，使用户总功率最小过程中，作为用户子载波分配约束条件。然后根据步骤102确定每个子载波调制方式，目的是不同的调制方式有不同的比特数需求，在通过最小化系统总发射功率寻找子载波分配方案时，根据分配的子载波，即可同时得到用户功率，进而得到用户信噪比，其值仍然和用户比特数有关，然后根据102自适应编码规则，确定每个用户比特数，再给定信道增益结合步骤101，用户就获得了用户数据速率和功率，数据速率用于优化目标的约束，有了以上约束和误比特率约束，就可以构造最小化用户总发送功率的优化目标，最后运用步骤103，寻找满足优化目标，即用户总功率最小时，子载波分配方案。以上约束和构造的优化目标同样用于步骤103的NCNN能量运动方程的构造。因此，步骤101、102、103是相辅相成的。

本发明基于余量自适应准则的资源分配装置，优选实施例如图4、图5所示，包括：

子载波分配模块，用于根据用户优先级按比例分配子载波数给用户

调制方式确定模块，用于根据信道条件确定调制方式，根据所述调制方式确定用户k在子载波n上的每符号比特数；

最小化系统总发射功率模块，用于根据分配给用户的子载波数和调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵；

所述最小化系统总发射功率模块进一步包括：

动力矩阵生成单元，用于生成动力矩阵和更新动力矩阵

子载波分配矩阵计算单元，根据动力矩阵计算子载波分配矩阵；

矩阵离散化处理单元，用于对子载波分配矩阵进行离散化处理；

能量函数计算单元，根据离散化处理后的子载波分配矩阵计算能量函数；

判断单元，用于判断如果达到退出条件，则退出迭代，输出最优子载波分配矩阵。

为了使本发明的目的和技术方案以及优点更加清楚明白，以下结合附图及实施，对本发明方法和装置做进一步详细说明。

需要特别说明的是，由于本发明方法和装置基于同一发明构思，为节省篇幅，对方法和装置中采用相同发明构思的实施方式不作区分地描述，也即是说，以下描述的实施例，虽然某些部分是以实现方法的语气进行描述，但同样可以作为装置的实施例。

图1为本发明OFDMA系统下行链路多用户六边形蜂窝网络，每个蜂窝小区有一个位于小区中心的基站BS和随机分布在小区内的K(k＝1,2,…,K)个用户。

该系统的总带宽B分给N(n＝1,2,…,N)个子载波，系统总发送功率是P_T，P_n是子载波n的发送功率。|H_k,n|²是用户k在子载波n上的信道增益。N₀是加性高斯白噪声(AWGN)的功率谱密度。它假定BS可以完全接收所有用户的上行链路信道信息，并通过反馈信息分配无线资源(包括子载波和功率分配，比特加载等)给用户。

值得一提的是，用户根据其需求，可以分得多个子载波，但是一个子载波至多只能同时被分配给一个用户，V_k,n是指示子载波n分配给用户k的情况，当子载波n被分配给用户k时，V_k,n＝1，其它情况V_k,n＝0。此外，每个子载波都可以采用自适应调制和编码(AMC)技术。

在运用NCNN寻找最佳子载波方案过程中，子载波n上的用户k可获得的数据速率为：

$R_{k,n}=\frac{B}{N}{\log }_2(1+{\mathrm{SNR}}_{k,n})---\left(1\right)$

用户k在子载波n上的的信噪比为：

${\mathrm{SNR}}_{k,n}=\frac{P_n{\left|H_{k,n}\right|}^2}{{\mathrm{BN}}_0/N}---\left(2\right)$

用户k总的传输速率为：

在图1系统中，本发明实施步骤101，即，根据用户优先级按比例分配子载波数给用户如下：

本发明资源分配就是完成资源的优化配置，主要目的是要分配有限的无线资源，对于频率资源有限的系统，即所需子载波的总数目大于或等于可用的子载波，用户将相互竞争有限的频率资源。

为了良好地兼顾系统的吞吐量和用户之间的公平性，在本发明中，所有的子载波依据服务优先级按比例被分配给用户，描述如下：

S₁:S₂:…:S_K＝η₁:η₂:…:η_K  (4)

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{S}_k=N---\left(5\right)$

其中，η_k(k＝1,2,…,K)是用户k的服务优先级，S_k(k＝1,2,…,K)是用户k分得的子载波数目。这样用户k依据服务优先级公平的获得子载波数就确定了，所述服务优先级可以是业务等级、来电优先级等。

在系统依据用户优先级将子载波按比例分配给用户后，在子载波n上的用户k可以获得的数据速率为：

$R_{k,n}=\frac{B}{N}{\log }_2(1+{\mathrm{SNR}}_{k,n})---\left(6\right)$

本发明所述根据信道条件确定调制方式的具体思路如下：

不同的调制方式对子载波n上每个符号进行的调制时所需的比特数C_k,n不同，因此，自适应调制的主要思想是，当信道条件变更好的时候，更高阶的调制方式可以提高系统的吞吐量。另一方面，如果信道质量恶化，就使用较低阶调制方式。

在OFDMA系统中，系统的宽带被分给许多子载波，由于信道的频率选择性衰落的特性，导致其中每个用户的信道质量不同。因此，所有用户在所有子载波上的信道质量是差的概率非常小。通过动态子载波分配算法和自适应调制，用M进制QAM调制后的个子载波上可以获得更高的数据速率。

下面对每个子载波如何选择适当的调制方式进行说明，一般来说，通过基站发送参考信号给用户，用户根据接收到的参考信号计算信噪比SNR，通过反馈SNR值给基站，基站再根据反馈的SNR值建立一个CQI信息表，基站根据CQI信息表设置几个开关阈值，这些阈值可以通过比较CQI信息表里给定的误码率和信噪比曲线来获得，信噪比曲线是所用用户反馈的SNR值连接成的曲线。

假设采用s进制M_s(s＝0,1,2,.....,s-1)的调制模式，根据T_s(s＝0,1,2,.....,s-1)信噪比阈值，将SNR值的范围划分成S+1个非重叠的连续区间。当一个SNR值是对应相应的时间间隔时，就选择该对应区间的调制方式。这一规则给出如下：

$M_s=\left\{\begin{array}{cc}0,& {\mathrm{SNR}}_n\&le;T_0\\ M_0,& T_0<{\mathrm{SNR}}_n\&le;T_1\\ M_1,& T_1<{\mathrm{SNR}}_n\&le;T_2\\ & \&CenterDot;\&CenterDot;\&CenterDot;\\ M_{s-1},& T_{s-1}<{\mathrm{SNR}}_n\end{array}\right.---\left(7\right)$

其中SNR_n是子载波n的信噪比SNR值，T₀是最低阀值。当SNR_i≤T₀时候不进行调制，这意味着由于信道条件太差，该子载波将被放弃。

本发明基于余量自适应(MA)准则，根据分配给用户的子载波数和所述调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵，见方法的步骤103和装置的最小化系统总发射功率模块。

余量自适应(MA)准则是指在传输速率固定的条件下，满足用户误比特率BER要求，达到系统发射功率的最小化。

假设每个子载波都可以由多进制正交幅度调制(Multi-band OrthogonalAmplitude Modulation，简称M-QAM)来调制。是用户k在子载波n上采用步骤102调制方式时的每符号比特数，表示向上取整运算。

子载波n传输_Ck,n所需的功率为：

$P_n=\frac{f\left(C_{k,n}\right)}{{\left|H_{k,n}\right|}^2}---\left(8\right)$

其中P_e为误比特率，Q^-1(.)是Q(.)的反函数， $Q\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}\underset{x}{\overset{\&infin;}{\&Integral;}}{e}^{{{-t}_0}^2/2}{\mathrm{dt}}_0.$

综上所述，当给定噪声功率普密度N₀，信道增益|H_k,n|²，误比特率P_e和采用的调制方式对子载波n上每个符号进行的调制时的比特数C_k,n，则用户k在子载波n上的传输功率就确定了。

正如我们所知，当给定用户的数据传输速率{R₁,R₂,....,R_k}和误比特率时，以最小化总的发送功率为目的的余量自适应准则可以表示为：

$\arg \min P_t=\arg \min \underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}{P}_n=\arg \min \underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\frac{f\left(C_{k,n}\right)}{{\left|H_{k,n}\right|}^2}---\left(9\right)$

其中，(9)是为最小化系统总发送功率而构造的优化目标函数，此完成此优化目标，需要受到以下条件的约束：

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{R}_{k,n}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{B}{N}{\log }_2(1+\frac{P_n{\left|H_{k,n}\right|}^2}{{\mathrm{BN}}_0/N})=R_{\mathrm{total}}---\left(10\right)$

P_e＝α  (11)

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{V}_{k,n}=1---\left(12\right)$

V_k,n＝{0,1}  (13)

(10)式是用户总的数据速率限制，(11)是误比特率P_e，其值等于α，α是定值，根据用户调制方式所确定。显然，由于f(.)函数的非线性特性，余量自适应准则是非确定性多项式问题(NP)，因此，搜索全局最优解是非常困难的。

虽然子载波，比特及功率应共同分配，以达到最佳的系统性能，但是为降低计算复杂度总是用一些次优化算法。因此，在本文中，一个通过分离子载波，比特及功率分配的两步算法被用来有效地解决问题。

确定每个用户所需的子载波和每个子载波的调制方式后，本发明主要研究如何通过自适应子载波和功率分配可以使系统总的发送功率最小。

本发明利用NCNN丰富的混沌神经动力找到最佳解决方案。

具体地，所述根据分配给用户的子载波数和所述调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵，如图3所示，包括：

103A、设置动力矩阵U_k,n(t)初值

所述动力矩阵U_k,n(t)为K×N的矩阵，矩阵中的元素(又叫神经元)初始值是[-1,1]之间的随机数。

103B、根据动力矩阵计算子载波分配矩阵

$V_{k,n}\left(t\right)=\frac{1}{1+\exp (-U_{k,n}\left(t\right)\&times;u0)}---\left(14\right)$

其中，V_k,n(t)是动力矩阵U_k,n(t)根据激励函数(14)计算出的子载波分配矩阵。其中，u0是激励函数的增益因子，它影响激励函数的陡度，激励函数(14)根据实际应用相应选择，u0根据选用的激励函数相应取值，一般范围为[1，10]，本发明实施例设为7。

103C、对子载波分配矩阵离散化处理

对子载波分配矩阵离散化处理就是将子载波分配矩阵中的元素(又称神经元)变成0或1；

作为一种可实现方式，所述对子载波分配矩阵离散化处理为：

$V_{k,n}=\left\{\begin{array}{cc}1& \mathrm{if}{V}_{k,n}\&GreaterEqual;0\\ 0& \mathrm{if}{V}_{k,n}<0\end{array}\right.---\left(15\right)$

优选地，为了进一步加快NCNN能量函数的收敛，使用神经元输出的均值作为阈值来更新神经元输出规则去触发神经元，即，更快速地分离最终输出为0或1，所述对子载波分配矩阵离散化处理为：

$V_{k,n}=\left\{\begin{array}{cc}1,& \mathrm{if}{V}_{k,n}\&GreaterEqual;\frac{1}{K\&times;N}{\mathrm{\&Sigma;}}_{k=1}^K{\mathrm{\&Sigma;}}_{n=1}^N{V}_{k,n}\\ 0,& \mathrm{others}\end{array}\right.---\left(16\right)$

103D、计算能量函数

本发明构造一个能量函数，包括一个优化的目标函数和多个约束条件。该优化问题的目标是最小化能量函数：

$\begin{array}{c}E=\frac{A_e}{2}f{\left(u\right)}^{*}+\frac{B_e}{2}{E}_1+\frac{C_e}{2}{E}_2+\frac{D_e}{2}{E}_3+\frac{F_e}{2}{E}_4\\ =\frac{A_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\frac{f\left(C_{k,n}\right)}{{\left|H_{k,n}\right|}^2}+\frac{B_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}{V}_{h,n}\\ +\frac{C_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-S_k)}^2+\frac{D_e}{2}{(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-N)}^2\\ +\frac{F_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}(1-V_{k,n})\end{array}---\left(17\right)$

其中式(17)中参数将分以下几点介绍：

1)上式A_e，B_e，C_e，D_e和F_e为惩罚参数，均为正的常数，本发明设为

A_e＝0.15,B_e＝2.5,C_e＝6,D_e＝2,F_e＝3.

2)在右边的第一项为优化目标函数NCNN达到稳定状态时，优化目标将收敛到最小正数。

3)E₁为同频干扰约束

如果多个用户同时占用相同的子载波，那将会导致用户在小区之间的相互干扰。因此，每个子载波至多被同时分配给一个用户。此规则描述如下：

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}{V}_{h,n}---\left(18\right)$

其中，k和h表示用户，V_k,nV_h,n表示子载波块n是否同时分配给用户k和h(k不能等于h)。如果它的值是1(即V_k,n＝1且V_h,n＝1)，那么将发生干扰。相反，它的值是0，就可以避免干扰。式(18)表示，为避免同频干扰，子载波分配矩阵v的每列至多有一个1。当和至少一个为0时，式(18)为0，另外当他们都为1时候，用户间将产生干扰。

4)E₂为子载波需求约束

每个用户有不同的服务需求，因此都有不同的子载波的要求。每个用户根据业务优先级确定所需子载波数目后，我们专注于如何利用NCNN保证用户间的公平性，以满足每个用户的需求。当分配给每个用户的子载波的数目等于其需求时，其值为0，该规则由下式给出：

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-S_k)}^2---\left(19\right)$

5)E₃总子载波约束；

当分配给所有用户的子载波数等于可用子载波数时，其值将收敛到0。

该规则由下式给出：

${(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-N)}^2---\left(20\right)$

6)E₄为加速收敛项；

为了加快NCNN的收敛速度，下面的公式被添加到能量函数来强制神经元输出接近0或1，只有当所有神经元的输出等于0或1，它的值是0。则描述为：

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}(1-V_{k,n})---\left(21\right)$

综上，能量函数E已经被证实为正的并具有边界，因此根据NCNN，其值逐渐减小，如果NCNN的各种参数被精确地设置，其能量函数在迭代过程就可以逐渐收敛到一个稳定的状态。也就是NCNN搜索到了最优解V_k,n，这时目标函数将收敛到一个最小正的常数，即使NCNN不断运行，目标函数值也不会降低，而其他约束项都将等于零。

103E、若达到退出条件，则将子载波分配矩阵输出，否则，进入103F；

所述退出条件为以下条件之一：

迭代次数已超过IN次，IN为最大迭代次数，取值1000次以上。

或者能量函数持续保持较小，即能量函数连续2次以上小于能量阈值_，所述能量阈值根据子载波分配矩阵维数、规模和优化的实际问题(比如：最小化功率、最大化吞吐量等)确定

103F、更新动力矩阵，转至步骤103B进行下一次迭代

$\begin{array}{c}{U}_{k,n}(t+1)={\mathrm{\&lambda;U}}_{k,n}\left(t\right)-{\mathrm{\&alpha;A}}_e\frac{f\left(c_{k,n}\right)}{2{\left|H_{k,n}\right|}^2}-{\mathrm{\&alpha;B}}_e\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}{V}_{h,n}\left(t\right)\\ -{\mathrm{\&alpha;C}}_e(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-S_k)-{\mathrm{\&alpha;D}}_e(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-N)\\ -{\mathrm{\&alpha;F}}_e(\frac{1}{2}-V_{k,n}\left(t\right))-z_{k,n}\left(t\right)(V_{k,n}\left(t\right)-I_0)+{\tilde{n}}_{k,n}\left(t\right)\end{array}---\left(23\right)$

z_k,n(t)＝(1-β₁)z_k,n(t-1)   (24)

${\tilde{n}}_{k,n}\left(t\right)=(1-{\mathrm{\&beta;}}_2){\tilde{n}}_{k,n}\left(t\right)---\left(25\right)$

其中U_k,n(t)和V_k,n(t)分别是用户x第i个神经元的输入和输出，λ是神经膜的阻尼系数，本发明λ＝0.95，α是输入正比例参数，本发明α＝0.06，S_k是用户k分得的子载波数目，z_k,n(t)是神经元k,n自反馈连接权值，I₀是正的参数，本发明设I₀＝0.65，β₁自反馈模拟退火衰减因子，t是迭代次数。为引入的噪声动力，初始值随机产生，β₂噪声模拟退火衰减因子。

为说明本发明有益效果，现将现有的暂态混沌神经网络TCNN技术收敛到全局最优解过程的仿真效果图(图6)与本发明采用噪声混沌神经网络NCNN技术收敛到全局最优解过程的仿真效果图(图7)进行对比。

上述两种技术的仿真场景相同，采用的是二维的神经网络结构，由带有k个用户总子载波数N的K×N神经元和自适应分配的N个子载波组成，本发明k取6，N取64；初始内部状态U_k,n(t)由[-1，1]之间随机产生；一旦一个可行的办法被找到(如E1＝0、E2＝0、E3＝0、E4＝0)或迭代步数超过了设定的最大数目(仿真模拟设置为1000次)，TCNN或NCNN将停止运行。

参数设置相同，如下：

μ0＝7,α＝0.06,λ＝0.95,z(0)＝0.89,β＝0.02,A_e＝0.15,B_e＝2.5,C_e＝6,D_e＝2,F_e＝3

图6中可以看到TCNN可以很好地收敛到全局最优，但是需要超过100步才可以达到收敛状态，搜索能力较差，收敛速度慢。

图7随机选择的神经元NO(3，7)内部状态和输出在第一阶段(从1到约80个迭代步骤)的波动很大，通过强大的反转倍周期分岔动态的产生复杂混沌以便去接近全局最优解。最后，当模拟退火指数动态减小到一个较小的值(见曲线)时收敛于一个稳定状态。因此，能量函数也有类似的变化。这意味着，当NCNN达到平衡状态，在93步一个可行的解决方案被发现。

可以很明显的看到本发明所采用的技术与TCNN一样搜索到全局最优解，但是与图6相比本发明所采用的NCNN技术在收敛到全局最优的时候仅仅需要约93步，搜索能力和收敛速度方面都比现有TCNN技术明显的提升。

为了评价该自适应选择的调制模式的性能，在图8中，在有6个用户，64个子载波的情况下，比较本发明(prososed algorithm)和传统算法的BER性能。其中平均每比特信噪比定义为每比特的平均能量与噪声功率谱密度之比。固定的调制方式(FMM algorithm)的算法给出了每个子载波的调制模式。并且，增强子载波分配(ESA algorithm)算法是指由两个用户之间通过交换去分配子载波。如该图8，本发明达到最佳的误码率性能，也就是说与另外两个算法相比，在相同的信噪比情况下，采用本发明算法系统误码率最低。这是因为FMM不考虑信道状态的瞬时变化。如果信道质量变得差和固定调制方式，那么误码率会降低。此外，ESA算法动态分配子载波，但仍然不是最佳的子载波分配方案。因此，可以继续寻找子载波和用户之间的最佳匹配算法。

图9所示在本发明和FMM算法中，伴随着子载波数的增加每个码元上发送的比特数量也增加。正如预期的那样，和FMM、ESA算法相比，本发明达到最佳的传输效率，也就是说在相同的子载波数目下，使用本发明的算法比FMM、ESA算法获得更高的数据速率。这个原因是，当信道质量变得更好，FMM算法不能使用更高级别的调制模式，这致使不能改变数据速率。另外，ESA算法只找到的子载波分配的一个局部最优解。然而，本发明自适应地跟踪信道衰落从而采用动态调制方式，并找到子载波和用户之间的最佳匹配的子载波通过NCNN充分获得多用户分集增益。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

本发明所举实施方式或者实施例对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施方式或者实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围内。

Claims (10)

1.基于余量自适应准则的资源分配方法，包括：

101、根据用户优先级按比例分配子载波数给用户；

102、根据信道条件确定调制方式，根据所述调制方式确定用户k在子载波n上的每符号比特数；

103、根据分配给用户的子载波数和调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵；

其特征在于：所述最小化系统总发射功率，输出最优子载波分配矩阵，包括：根据动力矩阵计算子载波分配矩阵，对子载波分配矩阵进行离散化处理，根据离散化处理后的子载波分配矩阵计算能量函数，如果达到退出条件，则退出迭代，否则更新动力矩阵后重复以上过程。

2.根据权利要求1所述基于余量自适应准则的资源分配方法，其特征在于：所述根据信道条件确定调制方式包括：

$M_s=\left\{\begin{array}{cc}0,& {\mathrm{SNR}}_n\&le;T_0\\ M_0,& T_0<{\mathrm{SNR}}_n\&le;T_1\\ M_1,& T_1<{\mathrm{SNR}}_n\&le;T_2\\ & ...\\ M_{s-1},& T_{s-1}<{\mathrm{SNR}}_n\end{array}\right.$

其中，SNR_n是子载波n的信噪比值，T_s(s＝0,1,2,.....,s-1)为信噪比阈值。

3.根据权利要求2所述基于余量自适应准则的资源分配方法，其特征在于：所述根据所述调制方式确定用户k在子载波n上的每符号比特数为 表示向上取整运算。

4.根据权利要求1所述基于余量自适应准则的资源分配方法，其特征在于：所述根据动力矩阵计算子载波分配矩阵包括：

$V_{k,n}\left(t\right)=\frac{1}{1+\exp (-U_{k,n}\left(t\right)\&times;u0)}$

其中，V_k,n(t)是子载波分配矩阵，u0是激励函数的增益因子，U_k,n(t)是动力矩阵，矩阵中的元素初始值是[-1,1]之间的随机数。

5.根据权利要求1所述基于余量自适应准则的资源分配方法，其特征在于：所述对子载波分配矩阵离散化处理包括：

$V_{k,n}=\left\{\begin{array}{cc}1,& \mathrm{if}{V}_{k,n}\&GreaterEqual;\frac{1}{K\&times;N}{\mathrm{\&Sigma;}}_{k=1}^K{\mathrm{\&Sigma;}}_{n=1}^N{V}_{k,n}\\ 0,& \mathrm{others}\end{array}\right.$

其中，V_k,n(t)是子载波分配矩阵，K是用户数，N是子载波总数。

6.根据权利要求1所述基于余量自适应准则的资源分配方法，其特征在于：所述计算能量函数包括：

$\begin{array}{c}E=\frac{A_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\frac{f\left(C_{k,n}\right)}{{\left|H_{k,n}\right|}^2}+\frac{B_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}{V}_{h,n}\\ +\frac{C_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-S_k)}^2+\frac{D_e}{2}{(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-N)}^2\\ +\frac{F_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}(1-V_{k,n})\end{array}$

其中，A_e，B_e，C_e，D_e和F_e为惩罚参数，均为正的常数，V_k,n(t)是子载波分配矩阵，K是用户数，N是子载波总数，V_k,nV_h,n表示子载波块n是否同时分配给用户k和h，S_k表示用户k分得的子载波数，|H_k,n|²为信道增益， $f\left(C_{k,n}\right)=\frac{N_0}{3}{\left[Q^{-1}\left(\frac{P_e}{4}\right)\right]}^2(2^{C_{k,n}}-1),$ P_e为误比特率，Q^-1(.)是Q(.)的反函数， $Q\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}\underset{x}{\overset{\&infin;}{\&Integral;}}{e}^{-{t_0}^2/2}{\mathrm{dt}}_0,$ N₀为噪声功率普密度，C_k,n为用户k在子载波n上的每符号比特数。

7.根据权利要求1所述基于余量自适应准则的资源分配方法，其特征在于：所述退出条件包括：迭代次数已超过IN次，IN为最大迭代次数；或者，能量函数持续保持较小，即能量函数连续2次以上小于能量阈值。

8.根据权利要求1所述基于余量自适应准则的资源分配方法，其特征在于：所述更新动力矩阵包括：

$\begin{array}{c}{U}_{k,n}(t+1)=\mathrm{\&lambda;}{U}_{k,n}\left(t\right)-\mathrm{\&alpha;}{A}_e\frac{f\left(c_{k,n}\right)}{2{\left|H_{k,n}\right|}^2}-\mathrm{\&alpha;}{B}_e\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}{V}_{h,n}\left(t\right)\\ -\mathrm{\&alpha;}{C}_e(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-S_k)-\mathrm{\&alpha;}{D}_e(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-N)\\ -{\mathrm{\&alpha;F}}_e(\frac{1}{2}-V_{k,n}\left(t\right))-z_{k,n}\left(t\right)(V_{k,n}\left(t\right)-I_0)+{\tilde{n}}_{k,n}\left(t\right)\end{array}$

其中，A_e，B_e，C_e，D_e和F_e为惩罚参数，均为正的常数，V_k,n(t)和V_h,n(t)是子载波分配矩阵，U_k,n(t)是动力矩阵，K是用户数，N是子载波总数，λ是神经膜的阻尼系数，α是输入正的比例参数，S_k是用户k分得的子载波数，z_k,n(t)＝(1-β₁)z_k,n(t-1)是神经元k,n自反馈连接权值，I₀是正的参数，β₁是自反馈模拟退火衰减因子，为引入的噪声动力，β₂噪声模拟退火衰减因子，|H_k,n|²为信道增益，P_e为误比特率，Q^-1(.)是Q(.)的反函数，N₀为噪声功率普密度，C_k,n为用户k在子载波n上的每符号比特数，t是迭代次数。

9.基于余量自适应准则的资源分配装置，包括

子载波分配模块，用于根据用户优先级按比例分配子载波数给用户

调制方式确定模块，用于根据信道条件确定调制方式，根据所述调制方式确定用户k在子载波n上的每符号比特数；

最小化系统总发射功率模块，用于根据分配给用户的子载波数和调制方式所确定的比特数，最小化系统总发射功率，输出最优子载波分配矩阵；

其特征在于：所述最小化系统总发射功率模块包括：

动力矩阵生成单元，用于生成动力矩阵和更新动力矩阵

子载波分配矩阵计算单元，根据动力矩阵计算子载波分配矩阵；

矩阵离散化处理单元，用于对子载波分配矩阵进行离散化处理；

能量函数计算单元，根据离散化处理后的子载波分配矩阵计算能量函数；

判断单元，用于判断如果达到退出条件，则退出迭代，输出最优子载波分配矩阵。

10.根据权利要求9所述基于余量自适应准则的资源分配装置，其特征在于：

所述根据动力矩阵计算子载波分配矩阵包括：

$V_{k,n}\left(t\right)=\frac{1}{1+\exp (-U_{k,n}\left(t\right)\&times;u0)}$

所述对子载波分配矩阵离散化处理包括：

$V_{k,n}=\left\{\begin{array}{cc}1,& \mathrm{if}{V}_{k,n}\&GreaterEqual;\frac{1}{K\&times;N}{\mathrm{\&Sigma;}}_{k=1}^K{\mathrm{\&Sigma;}}_{n=1}^N{V}_{k,n}\\ 0,& \mathrm{others}\end{array}\right.$

所述计算能量函数包括：

$\begin{array}{c}E=\frac{A_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\frac{f\left(C_{k,n}\right)}{{\left|H_{k,n}\right|}^2}+\frac{B_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}{V}_{h,n}\\ +\frac{C_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-S_k)}^2+\frac{D_e}{2}{(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}-N)}^2\\ +\frac{F_e}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}(1-V_{k,n})\end{array}$

所述退出条件包括：迭代次数已超过IN次，IN为最大迭代次数；或者，能量函数持续保持较小，即能量函数连续2次以上小于能量阈值；

所述更新动力矩阵包括：

$\begin{array}{c}{U}_{k,n}(t+1)=\mathrm{\&lambda;}{U}_{k,n}\left(t\right)-\mathrm{\&alpha;}{A}_e\frac{f\left(c_{k,n}\right)}{2{\left|H_{k,n}\right|}^2}-\mathrm{\&alpha;}{\mathrm{\&beta;}}_e\underset{h\&NotEqual;k}{\mathrm{\&Sigma;}}{V}_{h,n}\left(t\right)\\ -\mathrm{\&alpha;}{C}_e(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-S_k)-\mathrm{\&alpha;}{D}_e(\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{k,n}\left(t\right)-N)\\ -{\mathrm{\&alpha;F}}_e(\frac{1}{2}-V_{k,n}\left(t\right))-z_{k,n}\left(t\right)(V_{k,n}\left(t\right)-I_0)+{\tilde{n}}_{k,n}\left(t\right)\end{array}$

以上各式中，A_e，B_e，C_e，D_e和F_e为惩罚参数，均为正的常数，V_k,n(t)和V_h,n(t)是子载波分配矩阵，V_k,nV_h,n表示子载波块n是否同时分配给用户k和h；U_k,n(t)是动力矩阵，矩阵中的元素初始值是[-1,1]之间的随机数，u0是激励函数的增益因子，K是用户数，N是子载波总数，λ是神经膜的阻尼系数，α是输入正的比例参数，S_k是用户k分得的子载波数，z_k,n(t)＝(1-β₁)z_k,n(t-1)是神经元k,n自反馈连接权值，I₀是正的参数，β₁是自反馈模拟退火衰减因子，为引入的噪声动力，β₂噪声模拟退火衰减因子，|H_k,n|²为信道增益， $f\left(C_{k,n}\right)=\frac{N_0}{3}{\left[Q^{-1}\left(\frac{P_e}{4}\right)\right]}^2(2^{C_{k,n}}-1),$ P_e为误比特率，Q^-1(.)是Q(.)的反函数， $Q\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}}\underset{x}{\overset{\&infin;}{\&Integral;}}{e}^{-{t_0}^2/2}{\mathrm{dt}}_0,$ N₀为噪声功率普密度，C_k,n为用户k在子载波n上的每符号比特数，t是迭代次数。