CN104640220A - 一种基于noma系统的频率和功率分配方法 - Google Patents

Abstract

本发明涉及一种基于NOMA(Non-orthogonal Multiple Access)系统的频率和功率的分配方法，包括以下步骤：确认基站要向小区内发送信息的用户集，基站端获取用户集的CSI(Channel State Information)；将各个子信道分配给CSI条件最好的那一个用户，称此用户为强用户；在此基础上，将强用户与其余用户依次进行组合，计算每对组合的最大信道容量值，选取信道容量值最大的一对组合，称该组合中的另一个用户为弱用户；此时每个子信道上都已分配2个用户，即分别为强用户和弱用户，强用户组成的集合称为强用户集Ω_A，弱用户组成的集合称为弱用户集Ω_B；分别给各个子信道上的强用户和弱用户进行最优化功率分配。本方法可以满足未来大规模用户传输需求，增加用户的接入概率，从而提高系统的频谱效率。

Description

一种基于NOMA系统的频率和功率分配方法

技术领域

本发明属于移动通信技术领域，涉及一种基于NOMA(Non-orthogonal Multiple Access)系统的频率和功率的分配方法。

背景技术

近年来，移动通信技术获得了突飞猛进的发展，极大地改变了人们的生产生活，然而，随着时间的推移，人们也会对通信的质量提出更高的要求，下一代移动通信(5G)已经进入正式研究阶段，主要围绕如何提高频谱利用率和系统容量进行研究。

由于频率资源的稀缺，无线接入技术始终是小蜂窝通信系统的热点研究话题，在第三代移动通信系统中，采用的是基于扩频的码分多址接入(CDMA)技术，在第四代移动通信系统中，如LTE-A,上行链路采用的是单载波频分复用接入(SC-FDMA)技术，而下行链路采用的是正交频分复用接入(OFDMA)技术，基于单用户的检测技术采用正交接入的方式的确能够获得不错的系统吞吐量，但是到2020年左右，系统容量将会是现在的1000倍以上，所以需要更高效率的无线技术来满足未来数据的指数式增长。

为了满足需求，多重多址接入技术的结合是一个不错的选择，从而提高频谱效率。想要在LTE的基础上将频谱利用率提高3倍以上，才能够满足未来的需求从而设计一种创新的接入机制来提高频谱效率和系统吞吐量是很有必要的，但这也是一个非常大的挑战。为了提高频谱利用率，提出了基于叠加编码(SC)和连续干扰消除(SIC)相结合的非正交多址接入(NOMA)技术，此技术是未来无线多址接入选择的很佳的候选方案。NOMA技术不仅能够提高用户吞吐量，而且通过部分频率复用(FFR)和比例公平分配(包括带宽和发送功率)的方法还能有效的提高边缘用户的吞吐量，从而提高用户的公平性。

由于现在还处在5G技术研究的初级阶段，很多协议都还没有标准化，相关技术也不是很成熟，一些研究机构正在进行各项候选方案的验证和优化之中，基于频率复用和最佳功率分配的非正交多址接入(NOMA)技术的研究还有待不断地完善，如在保证不影响系统容量的基础上如何减小复杂度，减小发送功率，调制编码选择(MCS)等优化问题，这些都是值得继续深入研究的方向。

发明内容

有鉴于此，本发明的目的在于提供一种基于NOMA(Non-orthogonal Multiple Access)系统的频率和功率的分配方法，该方法将频率和功率的联合分配分解成两个子算法，先进行频率分配，然后再进行最优化功率分配，在一定程度上减小了复杂度，增加了该算法的实用性。

为达到上述目的，本发明提供如下技术方案：

一种基于NOMA(Non-orthogonal Multiple Access)系统的频率和功率分配方法，包括以下步骤：

步骤A：每个发送周期T的每一个时隙，确认基站要向小区内发送信息的用户集；

步骤B：基站端获取用户集的CSI(Channel State Information)；

步骤C：将各个子信道分配给CSI条件最好的那一个用户，称此用户为强用户；

步骤D：对于每一个子信道，已经分配一个强用户与之对应，在此基础上，将强用户与其余用户依次进行组合，计算每对组合的最大信道容量值，选取信道容量值最大的一对组合，称该对组合中的另一个用户为弱用户；此时每个子信道上都分配了2个用户，即分别是强用户和弱用户，强用户组成的集合称为强用户集Ω_A，弱用户组成的集合称为弱用户集Ω_B；

步骤E：分别给各子信道上的强用户和弱用户进行最优化功率分配。

进一步，在步骤A和步骤B中，在移动无线小区中，对于下行链路，随机分布K₀个移动用户，小区中可用频谱被划分为N个正交子信道，带宽为W，每个正交子载波可以同时叠加两个用户，一个发送周期时间为T，包含M个时隙；对于每个发送周期T的每一个时隙，确认小区基站要向小区用户发送消息的用户集，假设用户集包含有K个用户，小区基站端都过上行链路获取发送用户集的CSI。

进一步，在步骤C中，对于每个发送用户的CSI，计算每个用户在第i个子信道在第m个时隙下的信道增益，寻找其最佳接入用户称该用户为强用户，并通过香农定理计算该用户的信道容量表示为：

$R_{i,k,m}^{\max }=W\log (1+\frac{\underset{k}{\arg \max }(h_{i,k,m}/N_{i,k,m})P_{\max }}{\mathrm{NW}})$

P_max为基站最大发送功率，N_i,k,m为高斯白噪声。

进一步，在步骤E中，对于每个发送周期T的每一个时隙内，每个子信道所分配的2个用户，建立基于最佳能效值的优化模型；在获得系统基于最佳能效值的情况下，通过以下公式计算获得在任意时隙下每个子信道中所分配给用户的最优化功率，其表达式为：

$p_{i,k,m}=$

$\begin{array}{c}{[\frac{(2\mathrm{\γ}-h_{i,m}^{\min }){(1+{\mathrm{\β}}_m)}^2-{\ln }^{2}2({\mathrm{\λ}}_m+q)}{2{\mathrm{\γ}}^2\ln 2({\mathrm{\λ}}_m+q)(1+{\mathrm{\β}}_m)}+\frac{N_0}{2\mathrm{\γ}{h}_{i,m}^{\min }}]}^{+},k\∈{\mathrm{\Ω}}_A\\ {[\frac{h_{i,m}^{\min }{(1+{\mathrm{\β}}_m)}^2-{\ln }^{2}2{({\mathrm{\λ}}_m+q)}^2}{2\ln 2({\mathrm{\λ}}_m+q)(1+{\mathrm{\β}}_m)}-\frac{N_0}{2h_{i,m}^{\min }}]}^{+},k\∈{\mathrm{\Ω}}_B\end{array}$

其中，[x]⁺＝max{0,x}，γ≈1，能效值q≥0，λ_m,β_m是拉格朗日算子，表示第m个时隙，第i个子信道中弱用户的信道衰减系数，N₀为高斯白噪声。

本发明的有益效果在于：与现有技术相比，本发明更加注重提高系统的能效和频谱利用率，该方法将频率和功率的联合分配分解成两个子算法，先进行频率分配，然后再进行最优化功率分配，这样在一定程度上减小了复杂度，增加了该算法的实用性。

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为本发明所述方法的流程示意图；

图2为本发明实施例中的无线网络模型图；

图3为本发明实施例中典型SIC技术的原理图；

图4为本发明实施例中利用内点法完成最佳用户分配的流程图；

图5为本发明实施例中利用Dinkelbach法完成系统最优化资源分配流程图。

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为本发明所述方法的流程示意图，如图所示，本方法主要包括以下步骤：

步骤A，确认基站要向小区内发送信息的用户集。步骤B，基站端获取用户集的CSI。步骤C，将各个子信道分配给CSI条件最好的那一个用户。步骤D，利用内点法再选取一个最佳用户叠加在每一个子信道上。步骤E，分别给各个子信道上的两个用户进行最优化功率分配。

下面通过具体实施例来对各步骤进行说明。

步骤A：确认基站端要向小区内发送信息的用户集。

参见图2，为一典型的无线移动通信网络模型。在该网络中，一共有K₀个移动用户，但不是所有的用户都要接收或者发送信息，有一些用户是处在待机状态的，所以在这里，对于下行链路，假设在一个发送周期T内，有K个移动用户需要接收基站端发来的信息，这K个用户组成一个集合，从而在这一发送周期T内，这K个用户共享N个相互正交的频谱资源。

步骤B：基站端获取用户集的CSI。

对于这K个用户，都会把各自实时的信道状态信息发送给基站，从而基站端可以很容易的判断在各个子信道下最适合向哪一个用户发送信息，假设在第i个子信道在第m个时隙下，第k个用户的信道增益为|h_i,k,m|，高斯白噪声为N_i,k,m。

步骤C：将各个子信道分配给CSI条件最好的那一个用户。

由步骤B可以知道，第i个子信道在第m个时隙下，第k个用户的信道增益为|h_i,k,m|，对于所有的这K个用户，在第m个时隙下，在每个子信道中选取信道状态信息最好的那一个用户，即： $k^{*}=\arg \underset{k}{\max }(h_{i,k,m}/N_{i,k,m})\text{.}$

步骤D：利用内点法再选取一个最佳用户叠加在每一个子信道上。

步骤D1，资源分配的建模：

在建模之前，作如下假设：

a)假定每个子信道最多可以叠加两个用户，用二进制索引s_i,k,m∈{0,1}来表示每个子信道的分配情况，如果s_i,k,m＝1，表示在第m个时隙将子信道i分配给用户k，否则，s_i,k,m＝0。所以，对于第m个时隙将子信道i需满足

b)在本模型中，只考虑用户间干扰，不考虑小区间干扰，并且如果采用SIC(连续干扰消除)技术，按照用户解调的先后顺序，有不同的结果，在这里我们按升序进行解调，即如果|h_i,k,m|²/N_i,k,m＞|h_i,l,m|²/N_i,l,m，那么先解调用户l，再解调用户k，此时，当解调用户k的时候用户l不会对其产生干扰，我们用二进制索引b_i,k,m∈{0,1}来表示用户是否会被另外一个用户干扰，如果b_i,k,m＝0，则表示|h_i,k,m|²/N_i,k,m＞|h_i,l,m|²/N_i,l,m，否则，b_i,k,m＝1。图3表示两个用户同时占用一个信道时利用SIC技术的典型例子。

c)传输功率约束：对于基站，在每个时隙m下的发送功率为p_m，每个字信道的功率可表示为 $p_{i,m}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{s}_{i,k,m}{p}_{i,k,m}+\underset{l\≠k}{\overset{K}{\mathrm{\Σ}}}{s}_{i,l,m}{p}_{i,l,m},$ 所以 $p_m=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_{i,m},$ 假设最大发送功率为P_max，则有：p_m≤P_max。

d)保证弱用户得最小速率要求

用R_min表示每个弱用户的最小速率要求，则该用户的实际传输速率R_k应满足：R_k≥R_min，其中，k∈Ω_B。

根据以上约束条件，得到如下资源分配问题的模型：

$s.t.C1:s_{i,k,m}=\left\{\mathrm{0,1}\right\},\∀i,k,m$

$C2:b_{i,k,m}=\left\{\mathrm{0,1}\right\},\∀i,k,m$

$C3:\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{s}_{i,k,m}+\underset{l\≠k}{\overset{K}{\mathrm{\Σ}}}{s}_{i,l,m}\≤2,\∀i,m---\left(\text{1}\right)$

$C4:p_m\≤P_{\max },\∀m$

$C5:R_k\≥R_{\min },\∀k$

$C6:p_{i,k,m}\≥0,\∀i,k,m$

其中，C_i,m是第i个子信道在第m时隙下的信道容量，可以表示为I_i,k,m表示的是用户间干扰，根据以上假设可以表示为遗憾的是，表达式(1)是一个非凸优化问题，要直接获得最优解是非常困难的，在此，本方法将该问题分解成几个子问题求解。首先，在完成强用户集分配的情况下，利用内点法完成对弱用户集的分配，具体实施方法如下：由于假设的是每个子信道可以同时叠加两个用户，并且在步骤C中已经完成了对每个子信道下的强用户分配，那么对弱用户的最优化分配问题可以表示为：

$\begin{array}{cc}\underset{\∀i,k,m}{\max \mathrm{imize}}& R_{i,k,m}^{\mathrm{SIC}}\end{array}$

$s.t.C1:{\mathrm{\Σ}}_{k=1}^K{p}_{i,k,m}\≤P_{\max }/N,\∀i,m$

$C2:\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{s}_{i,k,m}+\underset{l\≠k}{\overset{K}{\mathrm{\Σ}}}{s}_{i,l,m}\≤2,\∀i,m---\left(\text{2}\right)$

$C3:R_{i,k,m}^{\mathrm{SIC}}\≥R_0,\∀i,k,m$

$C4:p_{i,k,m}\≥0,\∀i,k,m$

表达式(2)也不是凸优化问题，但是比起(1)要简单一些，对此，采用内点法对其进行求解，参见图4，具体步骤如下：

1)初始化惩罚因子r⁽⁰⁾＞0，允许误差ε₀＞0；

2)在可行域内选取初始点P⁽⁰⁾，令n＝1；

3)构造惩罚函数从P^(n-1)点出发用无约束优化方法求解惩罚函数的极值点P^*(r⁽ⁿ⁾)；

4)检查迭代终止准则：如果满足

||f(P⁽ⁿ⁾)-f(P^(n-1))||≤ε₀

或者

||P^*(r⁽ⁿ⁾)-P^*(r^(n-1))||≤ε₁＝10^-5

则停止迭代，并以P^*(r⁽ⁿ⁾)为原目标函数f(P)的约束最优解，否则进入下一步。

5)取r⁽ⁿ⁾＝Cr^(n-1)，P⁽⁰⁾＝P^*(r⁽ⁿ⁾)，n＝n+1，且转到步骤3),递减系数常取C＝0.1。

步骤E-分别给各个子信道上的两个用户进行最优化功率分配。

在步骤D中，我们已经完成了所有子信道下的用户分配，接下来是对用户的最优化功率分配，并且可以得到以下优化模型：

$s.t.C1:\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{i,k,m}\≤P_{\max },\∀m---\left(3\right)$

$C2:C_{i,m}\≥R^{\min },\∀i,m$

$C3:p_{i,k,m}\≥0,\∀i,k,m$

其中，表示的是已完成所有子信道的用户分配集合，C_i，m表示在m时隙第i个子信道的最小速率保证，但问题(3)也是一个非凸优化问题，并且是一个非线分式规划问题，在此采用Dinkelbach方法进行求解。为不失一般性，定义目标函数(3)的最大能效值q^*为

在此，介绍一个数学引理，并且在文献中已经得到证明。

引理一：最大能效值q^*取得最大值当且仅当

对于和

表达式(4)表明任何一个分式优化目标函数都可以转化成两个函数相减的形式，例如：

从而求解起来相对而然就会简单很多。此时的发送总功率可以表示为：

其中，P_i,k,m表示的是在时隙m，第i个子信道下强用户的发送功率，是对应弱用户的发送功率。

进一步，(3)中目标函数最大能效值q^*可以通过以下方法得到，参见图5，具体步骤如下：

1)初始化最大迭代次数L_max，最大容限值δ，和初始能效值q₁＝0，m＝1；

2)根据步骤D中的内点法求取时隙m下各个子信道分配的用户，令初始迭代数l＝1；

3)计算

4)如果|F(q_l)|＜δ，则寻找到最优解且输出最佳资源分配决策：否则进入下一步；

5)令如果l＞L_max，m＝m+1,并且返回到步骤2),否则l＝l+1，并且返回到步骤3)。

进一步，通过以上迭代步骤，得到最优能效值q^*之后可以建立以下优化模型：

$s.t.C1:\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{i,k,m}\≤P_{\max },\∀m---\left(6\right)$

$C2:C_{i,m}\≥R^{\min },\∀i,m$

$C3:p_{i,k,m}\≥0,\∀i,k,m$

问题(6)是一个凸优化模型，从而可以转化成拉格朗日对偶问题，进而得到：

其中，λ_m≥0，β_m≥0(m＝1,...,M)是拉格朗日算子，由于问题(6)中条件约束满足KKT条件，所以该对偶问题进一步转换成：

对于问题(8)，可以分解成两个步骤求解，具体如下：

a)对于子目标优化函数：如果给定拉格朗日算子和最佳能效值q，那么，最优化功率 $\begin{array}{c}{p}_{i,k,m}=\\ {[\frac{(2\mathrm{\γ}-h_{i,m}^{\min }){(1+{\mathrm{\β}}_m)}^2-{\ln }^{2}2({\mathrm{\λ}}_m+q)}{2{\mathrm{\γ}}^2\ln 2({\mathrm{\λ}}_m+q)(1+{\mathrm{\β}}_m)}+\frac{N_0}{2\mathrm{\γ}{h}_{i,m}^{\min }}]}^{+},k\∈{\mathrm{\Ω}}_A\\ {[\frac{h_{i,m}^{\min }{(1+{\mathrm{\β}}_m)}^2-{\ln }^{2}2{({\mathrm{\λ}}_m+q)}^2}{2\ln 2({\mathrm{\λ}}_m+q)(1+{\mathrm{\β}}_m)}-\frac{N_0}{2h_{i,m}^{\min }}]}^{+},k\∈{\mathrm{\Ω}}_B\end{array}---\left(\text{9}\right)$

其中，[x]⁺＝max{0,x},γ≈1，能效值q≥0，λ_m,β_m是拉格朗日算子，表示第m个时隙，第i个子信道中弱用户的信道衰减系数，N₀为高斯白噪声。

b)通过梯度法获得最佳拉格朗日算子，具体表达为：

${\mathrm{\λ}}_m^{l+1}={[{\mathrm{\λ}}_m^l-{\mathrm{\υ}}_m^l\×(P_{\max }-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{i,k,m})]}^{+},\∀m---\left(10\right)$

${\mathrm{\β}}_m^{l+1}={[{\mathrm{\β}}_m^l-{\mathrm{\ν}}_m^l\×(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{C}_{i,m}-R^{\min })]}^{+},\∀m---\left(11\right)$

其中，l≥0表示当前迭代次数，分别是λ_m,β_m的迭代步长大小。将每次更新的算子带入到步骤a)，计算得到最优化功率，直到该过程收敛为止。

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 (4)

1.一种基于NOMA系统的频率和功率分配方法，其特征在于：包括以下步骤：

步骤A：每个发送周期T的每一个时隙，确认基站要向小区内发送信息的用户集；

步骤B：基站端获取用户集的CSI；

步骤C：将各个子信道分配给CSI条件最好的那一个用户，称此用户为强用户；

步骤D：对于每一个子信道，已经分配一个强用户与之对应，在此基础上，将强用户与其余用户依次进行组合，计算每对组合的最大信道容量值，选取信道容量值最大的一对组合，称该对组合中的另一个用户为弱用户；此时每个子信道上都分配了2个用户，即分别是强用户和弱用户，强用户组成的集合称为强用户集Ω_A，弱用户组成的集合称为弱用户集Ω_B；

步骤E：分别给各子信道上的强用户和弱用户进行最优化功率分配。

2.根据权利要求1所述的一种基于NOMA系统的频率和功率分配方法，其特征在于：在步骤A和步骤B中，在移动无线小区中，对于下行链路，随机分布K₀个移动用户，小区中可用频谱被划分为N个正交子信道，带宽为W，每个正交子载波可以同时叠加两个用户，一个发送周期时间为T，包含M个时隙；对于每个发送周期T的每一个时隙，确认小区基站要向小区用户发送消息的用户集，假设用户集包含有K个用户，小区基站端都过上行链路获取发送用户集的CSI。

3.根据权利要求1所述的一种基于NOMA系统的频率和功率分配方法，其特征在于：在步骤C中，对于每个发送用户的CSI，计算每个用户在第i个子信道在第m个时隙下的信道增益，寻找其最佳接入用户称该用户为强用户，并通过香农定理计算该用户的信道容量表示为：

$R_{i,k,m}^{\max }=W\log (1+\frac{\arg \underset{k}{\max }(h_{i,k,m}/N_{i,k,m})P_{\max }}{\mathrm{NW}})$

P_max为基站最大发送功率，N_i,k,m为高斯白噪声。

4.根据权利要求1所述的一种基于NOMA系统的频率和功率分配方法，其特征在于：在步骤E中，对于每个发送周期T的每一个时隙内，每个子信道所分配的2个用户，建立基于最佳能效值的优化模型；在获得系统基于最佳能效值的情况下，通过以下公式计算获得在任意时隙下每个子信道中所分配给用户的最优化功率，其表达式为：

$p_{i,k,m}=$

$\begin{array}{cc}{[\frac{(2\mathrm{\γ}-h_{i,m}^{\min }){(1+{\mathrm{\β}}_m)}^2-{\ln }^{2}2({\mathrm{\λ}}_m+q)}{{2\mathrm{\γ}}^2\ln 2({\mathrm{\λ}}_m+q)(1+{\mathrm{\β}}_m)}+\frac{N_0}{2\mathrm{\γ}{h}_{i,m}^{\min }}]}^{+}& k\∈{\mathrm{\Ω}}_A\\ {[\frac{h_{i,m}^{\min }{(1+{\mathrm{\β}}_m)}^2{-\ln }^{2}2{({\mathrm{\λ}}_m+q)}^2}{2\ln 2({\mathrm{\λ}}_m+q)(1+{\mathrm{\β}}_m)}-\frac{N_0}{2h_{i,m}^{\min }}]}^{+}& k\∈{\mathrm{\Ω}}_B\end{array}$

其中，[x]⁺＝max{0,x}，γ≈1，能效值q≥0，λ_m,β_m是拉格朗日算子，表示第m个时隙，第i个子信道中弱用户的信道衰减系数，N₀为高斯白噪声。