CN106059840A - 一种认知无线系统功率分配方法及装置 - Google Patents

Abstract

本发明实施例提供了一种认知无线系统功率分配方法及装置，应用于高速移动的通信系统，该方法包括：获取认知无线系统的预设能效模型；在所述预设能效模型中，得到各子载波的初始最优功率分配；该初始最优功率分配通过预设算法，得到最优检测时长,且该最优检测时长通过拉格朗日算法，得到最优功率分配；根据该最优功率分配及最优检测时长，得到该认知无线系统中各子载波上的平均能效；在判断最优检测时长和最优功率分配分别收敛，且平均能效收敛时，得到收敛时该认知无线系统的最优检测时长和最优功率分配。应用本发明实施例，可以使得认知无线系统的平均能效最大，提升了移动场景下认知无线系统的总能效。

Description

一种认知无线系统功率分配方法及装置

技术领域

本发明涉及无线电系统技术领域，特别是涉及一种认知无线系统功率分配方法及装置。

背景技术

近年来，无线通信系统中的无线通信业务迅速发展，移动用户数目激增，使得对无线频谱资源的需求越来越大。然而，一些被授权频谱却未能得到充分利用，因此，为了提高频谱利用效率，在不同的空间或时间有效利用空闲频谱的认知无线电技术应运而生。认知无线电技术允许认知用户在不干扰主用户正常使用授权频谱的情况下接入频谱，从而能够有效提高频谱使用效率。如果仅以提高频谱使用效率为目的，那么将会导致通信系统工作在低能效的状态。所以，谱效与能效不能折中。

传统的多频带系统可利用不连续的频谱进行通信，能够满足认知无线电系统不连续使用频谱的技术需求。其中，OFDM(Orthogonal Frequency Division Multiplexing，正交频分多路复用技术)系统是典型的多频带系统，该系统的OFDM技术将整个频段划分为多个子载波或称多个子频带，并且每个子载波占据很小的频段，通过子载波及功率分配可以细粒度地使用整个频段的任何部分。所以面向对频带系统的认知无线电技术得到广泛认同。因此，研究认知无线系统中的能效优化具有重要意义。

现有技术中，在保证认知无线电各子载波的检测性能和总功率满足约束的前提下，可以得到并合理分配检测时长和各子载波功率，通过分配的检测时长和子载波功率进行频谱检测和数据传输。但是现有技术在分配检测时长和子载波功率时，没有使得认知无线系统的平均能效最大，没有更好的提高认知无线系统的总能效。

发明内容

本发明实施例的目的在于提供一种认知无线系统功率分配方法及装置，以实现认知无线系统的平均能效最大，提升移动场景下认知无线系统的总能效。

为达到上述目的，本发明实施例公开了一种认知无线系统功率分配方法，包括：

获取认知无线系统的预设能效模型；

在所述预设能效模型中，得到各子载波的初始最优功率分配；

所述初始最优功率分配通过预设算法，得到最优检测时长,且所述最优检测时长通过拉格朗日算法，得到最优功率分配；

根据所述最优功率分配及所述最优检测时长，得到所述认知无线系统中各子载波上的平均能效；

在判断所述最优检测时长和所述最优功率分配分别收敛，且所述平均能效收敛时，得到收敛时所述认知无线系统的最优检测时长和最优功率分配。

较佳的，所述获取认知无线系统的预设能效模型，包括：

获得所述认知无线系统的信道状态信息，其中，所述信道状态信息包括：信道状态信息的第一参数集合、与所述第一参数集合不同的信道状态信息的第二参数集合、及与所述第一参数集合和所述第二参数集合分别不同的信道状态信息的第三参数集合；

根据所述第一参数集合，通过预设第一公式，确定能量检测指标；

根据所述能量检测指标和所述第二参数集合，通过多个预设第二公式，确定所述认知无线系统在各子载波上的平均能效函数，并确定最大平均能效函数；

根据能量检测指标及所述第三参数集合，通过多个预设条件，确定所述认知无线系统的约束条件，其中，所述约束条件至少包括：各子载波上发射功率之和的约束条件、各子载波所受干扰功率的约束条件、能量检测指标的约束条件、所述最优检测时长的约束条件及各子载波上发射功率的约束条件；

根据所述最大平均能效函数及所述认知无线系统的约束条件，得到认知无线系统的预设能效模型。

较佳的，所述根据所述能量检测指标和所述第二参数集合，通过多个预设第二公式，确定所述认知无线系统在各子载波上的平均能效函数，并确定最大平均能效函数，包括：

根据所述能量检测指标和所述第二参数集合中的多项第一参数，通过所述多个预设第二公式的第一公式，获得所述认知无线系统的平均总速率函数；

根据所述能量检测指标和所述第二参数集合中的多项第二参数，通过所述多个预设第二公式的第二公式，获得所述认知无线系统的能量消耗函数，其中，所述多项第二参数与所述多项第一参数至少部分项不同；

根据所述平均总速率函数和所述能量消耗函数之间的比值，确定所述认知无线系统在各子载波上的平均能效函数，并由所述平均能效函数确定最大平均能效函数。

较佳的，所述预设算法至少包括：黄金分割法、牛顿法、抛物线法或二分法。

较佳的，所述根据所述最优功率分配及最优检测时长，得到所述认知无线系统中各子载波上的平均能效，包括：

获得所述认知无线系统的信道状态信息，其中，所述信道状态信息包括：信道状态信息的第一参数集合、与所述第一参数集合不同的信道状态信息的第二参数集合、及与所述第一参数集合和所述第二参数集合分别不同的信道状态信息的第三参数集合；

根据所述第一参数集合，通过预设第一公式，确定能量检测指标；

根据所述能量检测指标、所述第二参数集合中的多项第一参数、所述最优功率分配及所述最优检测时长，获得所述认知无线系统的平均总速率；

根据所述能量检测指标、所述第二参数集合中的多项第二参数、所述最优功率分配及所述最优检测时长，获得所述认知无线系统的能量消耗，其中，所述多项第二参数与所述多项第一参数至少部分项不同；

根据所述平均总速率和所述能量消耗之间的比值，确定所述认知无线系统在各子载波上的平均能效。

较佳的，所述对所述初始最优功率分配进行预设算法，得到最优检测时长,并对所述最优检测时长进行拉格朗日算法，得到最优功率分配，包括：

所述初始最优功率分配通过预设算法，得到一次计算最优检测时长；

所述一次计算最优检测时长通过拉格朗日算法，得到一次计算最优功率分配，根据所述一次最优功率分配和一次最优检测时长，确定一次计算平均能效；

所述一次计算最优功率分配通过所述预设算法，得到二次计算最优检测时长，所述二次计算最优检测时长，通过所述拉格朗日算法，得到二次计算最优功率分配；

在所述二次计算最优检测时长和所述二次计算最优功率分配分别收敛时，根据所述二次最优功率分配和二次最优检测时长，确定二次计算平均能效；

在所述二次计算平均能效收敛时，所述二次计算最优检测时长和所述二次计算最优功率为所述最优检测时长和所述最优功率分配。

较佳的，在所述一次计算最优功率分配通过所述预设算法，得到二次计算最优检测时长，所述二次计算最优检测时长，通过所述拉格朗日算法，得到二次计算最优功率分配之后，所述的方法还包括：

在所述二次计算最优检测时长和所述二次计算最优功率分配分别不收敛时，对N次计算最优功率分配通过所述预设算法，得到N+1次计算最优检测时长，对所述N+1次计算最优检测时长通过所述拉格朗日算法，得到N+1次计算最优功率分配；

直至在N+1次计算最优检测时长和N+1次计算最优功率分配分别收敛时，根据所述N+1次计算最优功率分配和N+1次计算最优检测时长，确定M次计算平均能效；且

在第M次计算平均能效收敛时，获得N+1次计算最优检测时长及N+1次计算最优功率分配，分别作为收敛时所述认知无线系统的最优检测时长和最优功率分配，其中，所述N为大于或等于2，所述M为大于或等于2。

较佳的，所述判断所述最优检测时长和所述最优功率分配分别收敛，包括：

在所述N+1次计算最优检测时长与所述N次计算最优检测时长之差的绝对值小于预设第一正数时，判断为所述N+1次计算最优检测时长收敛；

在所述N+1次计算最优功率分配与所述N次计算最优功率分配之差的绝对值小于所述预设第一正数时，判断为所述N+1次计算功率分配收敛。

较佳的，所述平均能效收敛，包括：

在M次计算平均能效与M-1次计算平均能效之差的绝对值小于预设第二正数时，判断为所述M次计算平均能效收敛。

为达到上述目的，本发明实施例还公开了一种认知无线系统功率分配装置，包括：

获取模块，用于获取认知无线系统的预设能效模型；

第一处理模块，用于在所述预设能效模型中，得到各子载波的初始最优功率分配；

计算模块，用于所述初始最优功率分配通过预设算法，得到最优检测时长,且所述最优检测时长通过拉格朗日算法，得到最优功率分配；

第二处理模块，用于根据所述最优功率分配和所述最优检测时长，得到所述认知无线系统中各子载波上的平均能效；

分配模块，用于在判断所述最优检测时长和所述最优功率分配分别收敛，且所述平均能效收敛时，得到收敛时所述认知无线系统的最优检测时长和最优功率分配。

由上述的技术方案可见，本发明实施例提供的认知无线系统功率分配方法及装置，获取认知无线系统的预设能效模型，在该预设能效模型中，对各子载波检测时长和功率分配通过预设算法及拉格朗日算法不断进行优化，在优化后的最优检测时长、最优功率分配及优化后最优功率分配及最优检测时长对应的平均能效分别收敛时，获得该认知系统的最优检测时长和最优功率分配。这样应用本发明实施例，使得移动场景下认知无线系统的平均能效最大，能够提高移动场景下认知无线系统总能效。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的认知无线系统功率分配方法的流程示意图；

图2为现有技术的检测主用户存在的帧结构策略的示意图；

图3为本发明实施例提供的初始最优功率分配通过二分法得到最优检测时长的流程示意图；

图4为本发明实施例提供的典型认知无线系统模型的结构示意图；

图5为本发明实施例提供的高铁认知无线系统模型的结构示意图；

图6为本发明实施例提供的认知无线系统功率分配装置的一种结构示意图；

图7为本发明实施例提供的认知无线系统功率分配装置的另一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面通过具体实施例，对本发明进行详细说明。

本发明实施例提供了一种认知无线系统功率分配方法及装置，以实现认知无线系统的平均能效最大，提升移动场景下认知无线系统的总能效。

需要说明的是，本发明实施例的认知无线系统功率分配方法及装置，在移动场景下，特别是具有高速移动的通信系统中(如高铁系统、车联网系统及无人机通信系统等)，应用认知无线系统中的各子载波的功率分配与检测时长联合交替优化方法，使得在移动场景下，实现对认知无线系统功率的最优分配。

参考图1，图1为本发明实施例提供的认知无线系统功率分配方法的流程示意图，应用于高速移动的通信系统，该方法包括：

S101：获取认知无线系统的预设能效模型；

本发明实施例基于认知无线系统的能效函数，建立预设能效模型，该预设能效函数中包含了检测时长的优化变量这一参数，该检测时长的优化变量是相对于优化后的最优检测时长的优化前的检测时长，可见，获得该最优检测时长的计算过程是在该预设能效模型下完成。

S102：在该预设能效模型中，得到各子载波的初始最优功率分配；

具体的，当建立了预设能效模型后，得到模型中的各个参数关系，并获得认知无线系统的信道状态信息，根据信道状态信息中的发射总功率约束上限及子载波的数目，得到各子载波的初始最优功率分配，即根据公式：获得各子载波的初始最优功率分配，其中，为初始最优功率分配，P_th为发射总功率约束上限，N＝{1,2,...n,...m,...N}为子载波的数目,n为子载波编号。由上述公式可知，该初始最优功率分配由认知无线系统的发射总功率约束上限和子载波总数确定，该认知无线系统的发射总功率约束上限是该认知无线系统的信道状态信息，该信道状态信息在获取认知无线系统的预设能效模型前获得的。

S103：初始最优功率分配通过预设算法，得到最优检测时长,且最优检测时长通过拉格朗日算法，得到最优功率分配；

具体的，首先，初始最优功率分配可以通过预设算法，得到最优检测时长，该预设算法包括黄金分割法、牛顿法、抛物线法、二分法。初始最优功率可以利用该预设算法中的任意一个算法，得到最优检测时长。其次，得到的最优检测时长通过拉格朗日算法，得到最优功率分配。可以看出，这里在计算最优检测时长和最优功率分配时，循环交替计算最优检测时长和最优功率分配。

S104：根据最优功率分配及最优检测时长，得到所述认知无线系统中各子载波上的平均能效；

当获得最优功率分配及最优检测时长后，将最优功率分配和最优检测时长代入预设公式中，可以获得该最优功率分配和最优检测时长在认知无线系统中各子载波上的平均能效。

S105：在判断最优检测时长和最优功率分配分别收敛，且平均能效收敛时，得到收敛时该认知无线系统的最优检测时长和最优功率分配。

具体的，当获得的最优检测时长和最优功率分配都收敛的情况下，该最优功率分配和最优检测时长在认知无线系统中各子载波上对应的平均能效也收敛时，将获得的收敛的最优检测时长和最优功率分配作为认知无线系统优化后的最优检测时长和最优功率分配，同时，认知无线系统将按照优化后的最优检测时长和最优功率分配进行频谱检测和数据传输。

由此可见，本发明实施例中，获取认知无线系统的预设能效模型，在该预设能效模型中，各子载波的检测时长和功率分配通过预设算法及拉格朗日算法不断进行优化，在判断获得优化后的最优检测时长、最优功率分配及优化后最优功率分配和最优检测时长对应的平均能效分别收敛时，获得认知系统的最优检测时长和最优功率分配。这样应用本发明实施例，使得移动场景下认知无线系统的平均能效最大，能够提高移动场景下认知无线系统总能效。

在本发明实施例的一种实现方式中，获取认知无线系统的预设能效模型，包括：

在获取认知无线系统的预设能效模型前，获得认知无线系统的信道状态信息，其中，信道状态信息包括：信道状态信息的第一参数集合、与第一参数集合不同的信道状态信息的第二参数集合、及与第一参数集合及第二参数集合分别不同的信道状态信息的第三参数集合；

具体的，认知无线系统的信道状态信息的第一参数集合包括：检测噪声功率、检测时长的优化变量、采样率、PU(Primary User，主用户)信号在认知无线电用户检测机处的平均SNR(Signal to Noise Ratio，信噪比)及检测门限；

第二参数集合包括：CU(Cognitive User，认知用户)的可检测的总频带宽度、GI(Guard Iterval，保护间隔)的长度、各子载波带宽、子载波的数目、各子载波被PU占用的概率、多普勒频移、帧长、检测时长的优化变量、各子载波上发射功率、CU的接收机与发射机之间信道增益、ICI(Intercarrier Interference，子载波间干扰)、AWGN(Additive WhiteGaussian Noise，加性高斯白噪声)的干扰、频谱检测功率及电路静态消耗功率；

具体的，由于认知用户具有高移动性，因此多普勒频移会导致ICI。另外，在实际应用中，为减小ISI(Intersymbol Interference，符号间干扰),通常在认知无线系统中的符号前加GI,GI的长度T_g大于最大时延扩展，例如，不含有GI的符号时间为T_u＝1/Δf，Δf为各子载波带宽，那么总的符号时间为T_s＝T_g+T_u。由于所检测的频谱可能由不同的授权用户PU使用，因此，各子载波具有被PU占用的概率。

第三参数集合包括：发射总功率约束上限、各子载波最大可接受干扰功率、检测概率下限及虚警概率上限。

应用上述各个实施例，在预设能效模型中，不断对认知无线系统的检测时长和功率分配进行优化，在判断优化后的认知无线系统的最优检测时长和最优功率分配及最优功率分配和最优检测时长对应的平均能效分别收敛时，该认知无线系统将按照优化后的最优检测时长和最优功率分配进行频谱检测及数据传输。这样，使得移动场景下认知无线系统的平均能效最大，能够提高移动场景下认知无线系统总能效。

参考图2，图2为现有技术的检测主用户存在的帧结构策略的示意图，具体的，图2示出的τ为检测时长的优化变量，T为帧长，T-τ为传输时长，认知无线电用户在接入频谱前，必须先检测主用户是否存在，即实施“先检测再传输”的帧结构策略。

具体的，能量检测是认知无线电广泛采用的检测方法，在本发明实施例的一种实现方式中，根据第一参数集合，通过多个预设第一公式，确定能量检测指标，包括：

该多个预设第一公式为以下两个公式，其中，检测概率Q_d与虚警概率Q_f是衡量能量检测的主要性能指标，检测概率Q_d与虚警概率Q_f可以表示为：

$Q_d=Q\left(\right(\frac{\mathrm{\ϵ}}{{\mathrm{\σ}}^2}-\mathrm{\γ}-1\left)\sqrt{\frac{{\mathrm{\τf}}_s}{2\mathrm{\γ}+1}}\right)$

$Q_f=Q\left(\right(\frac{\mathrm{\ϵ}}{{\mathrm{\σ}}^2}-1\left)\sqrt{{\mathrm{\τf}}_s}\right)$

由检测概率Q_d与虚警概率Q_f组成的上述两个公式为能量检测指标。其中，检测概率Q_d与虚警概率Q_f的函数关系为函数σ²为检测噪声功率，τ为检测时长的优化变量，f_s为采样率，γ为PU信号在认知无线电用户检测机处的平均SNR，ε为检测门限，x为关于函数Q(x)的变量。

需要注意的是，上述各个参数，检测噪声功率、采样率、检测时长的优化变量、PU信号在认知无线电用户检测机处的平均信噪比及检测门限包含于该认知无线系统信道状态信息的第一参数集合中。

由上述能量检测指标可知，当检测噪声功率、采样率、PU信号在认知无线电用户检测机处的平均SNR、检测门限一定时，检测时长的优化变量τ越长，检测概率Q_d越大，这样有利于实施对PU的保护，但是会造成能量消耗增加和系统能效降低。现有的无线电技术参数分配方案多是基于系统传输速率或者吞吐量的非移动场景下。

在本发明实施例的一种实现方式中，根据能量检测指标和第二参数集合，通过多个预设第二公式，确定认知无线系统在各子载波上的平均能效，并确定最大平均能效，包括：

具体的，在该认知无线系统中，CU和PU共存，其中，认知系统采用OFDM技术。

根据能量检测指标和第二参数集合中的多项第一参数，通过多个预设第二公式的第一公式，获得该认知无线系统的平均总速率函数；

具体的，根据多个预设第二公式的第一公式：

获得认知无线系统的平均总速率函数；

根据能量检测指标和第二参数集合中的多项第二参数，获得认知无线系统的能量消耗函数，其中，多项第二参数与多项第一参数至少部分项不同；

具体的，根据多个预设第二公式的第二公式：

获得认知无线系统的能量消耗函数；

基于获得的认知无线系统的平均总速率函数和能量消耗函数，计算该认知无线系统的平均总速率函数和能量消耗函数之间的比值，确定该认知无线系统在各子载波上的平均能效函数。

具体的，根据以下公式：

$\mathrm{\η}=\frac{R_s}{E}=\frac{\frac{1}{B}\underset{n=1}{\overset{N}{\Σ}}\frac{1}{T_g+\frac{1}{\mathrm{\Δ}f}}(1-q_n)(1-Q_f)(T-\mathrm{\τ}){\log }_2\left(1+\frac{p_n\left|h_n^{ss}{|}^2\right|I_{n,n}\left(f_d\right){|}^2}{{\mathrm{\σ}}_{ICI}^2+{\mathrm{\σ}}_w^2}\right)}{{\mathrm{\τp}}_s+P_{c}T+\underset{n-1}{\overset{N}{\Σ}}\[(1-q_n)(1-Q_f)+q_n(1-Q_d)\](T-\mathrm{\τ})p_n},$

确定认知无线系统在各子载波上的平均能效函数。

其中，η为平均能效函数，R_s为认知无线系统的平均总速率函数，E为认知无线系统的能量消耗函数，B为CU的可检测的总频带宽度,T_g为GI的长度，Δf为子载波带宽，为子载波数目，设子载波集合为N＝{1,2,...n,...m,...N},n和m为子载波编号，q_n为子载波n被PU占用的概率，I_n,n(f_d)为子载波n的自干扰系数，且

$I_{n,n}\left(f_d\right)=\left\{\frac{sin\[\mathrm{\π}\left(\frac{f_d}{\mathrm{\Δ}f}\right)\]}{Nsin\[\frac{\mathrm{\π}}{N}\left(\frac{f_d}{\mathrm{\Δ}f}\right)\]}\right\}{e}^{j\mathrm{\π}\left(1-\frac{1}{N}\right)\left(\frac{f_d}{\mathrm{\Δ}f}\right)}$

Q_d为检测概率，Q_f为虚警概率，T为帧长，τ为检测时长的优化变量，p_n为子载波n上发射功率，为CU的接收机与发射机之间信道增益，f_d为多普勒频移，为ICI的干扰，且

$I_{n,m}\left(f_d\right)=\left\{\frac{sin\[\mathrm{\π}\left(m-n+\frac{f_d}{\mathrm{\Δ}f}\right)\]}{Nsin\[\frac{\mathrm{\π}}{N}\left(m-n+\frac{f_d}{\mathrm{\Δ}f}\right)\]}\right\}{e}^{j\mathrm{\π}\left(1-\frac{1}{N}\right)\left(m-n+\frac{f_d}{\mathrm{\Δ}f}\right)}$

p_m为子载波m上发射功率，为AWGN(Additive White Gaussian Noise，加性高斯白噪声)干扰，p_s为频谱检测功率，p_c为电路静态消耗功率。

基于认知无线系统在各子载波上的平均能效函数，确定认知无线系统在各子载波上的最大能效函数，即最大能效函数可以表示为：其中，τ为检测时长的优化变量，p_n为子载波n上发射功率，η为认知无线系统在各子载波上的平均能效函数，R_s为认知无线系统的平均总速率函数，E为认知无线系统的能量消耗函数。

根据能量检测指标及第三参数集合，通过多个预设条件，确定认知无线系统的约束条件；

具体的，能量检测指标包括：虚警概率和检测概率；第三参数包括：发射总功率约束上限、各子载波最大可接受干扰功率、检测概率下限及虚警概率上限；认知无线系统的约束条件至少包括：各子载波上发射功率之和的约束条件、各子载波所受干扰功率的约束条件、能量检测指标的约束条件、最优检测时长的约束条件及各子载波上发射功率的约束条件。将能量检测指标和第三参数通过多个预设条件，得到认知无线系统的约束条件为以下不等式：

$C_1:\underset{n=1}{\overset{N}{\Σ}}{p}_n\≤p_{th}$

$C_2:q_n(1-Q_d)p_n\≤p_n^{th}$

$C_3:Q_d\≥Q_d^{min}$

$C_4:Q_f\≤Q_f^{max}$

C₅:0≤τ≤T

$C_6:p_n\≥0,\∀n\∈N$

根据最大平均能效及认知无线系统的约束条件，得到认知无线系统的预设能效模型。

具体的，认知无线系统的预设能效模型可以用以下式子来表示：

$OP:\underset{\mathrm{\τ},p_n}{max\mathrm{\η}}=\frac{R_s}{E}$

$C_1:\underset{n=1}{\overset{N}{\Σ}}{p}_n\≤p_{th}$

$C_2:q_n(1-Q_d)p_n\≤p_n^{th}$

$C_3:Q_d\≥Q_d^{min}$

$C_4:Q_f\≤Q_f^{max}$

C₅:0≤τ≤T

$C_6:p_n\≥0,\∀n\∈N$

其中，η为平均能效函数，R_s为认知无线系统的平均总速率函数，E为认知无线系统的能量消耗函数，p_n为子载波n上发射功率，N＝{1,2,...n,...m,...N}为子载波的集合,n为子载波编号，P_th为发射总功率约束上限，q_n为子载波n被PU占用的概率，为子载波n最大可接受干扰功率，Q_d为检测概率，Q_f为虚警概率，为检测概率下限，为虚警概率上限，T为帧长，τ为检测时长的优化变量。在上述能效模型中，C₁为对认知无线系统的发射总功率的约束条件，C₂为对认知无线系统的每个子载波干扰功率约束条件，C₃及C₄是对认知无线系统的检测性能的约束条件，本发明实施例通过对C₂，C₃及C₄的约束，来实现对PU的保护。

在本发明实施例的一种实现方式中，预设算法至少包括：预设算法包括：黄金分割法、牛顿法、抛物线法、二分法；

具体的，初始最优功率分配通过预设算法，得到最优检测时长,可以理解为，初始最优功率分配通过黄金分割法，得到最优检测时长；或初始最优功率分配通过牛顿法，得到最优检测时长；或初始最优功率分配通过抛物线法，得到最优检测时长；或初始最优功率分配通过二分法，得到最优检测时长。

在本发明实施例的一种实现方式中，所述根据所述最优功率分配及最优检测时长，得到所述认知无线系统中各子载波上的平均能效，包括：

具体的，获得所述认知无线系统的信道状态信息，其中，所述信道状态信息包括：信道状态信息的第一参数集合、与所述第一参数集合不同的信道状态信息的第二参数集合、及与所述第一参数集合和所述第二参数集合分别不同的信道状态信息的第三参数集合；根据所述第一参数集合，通过预设第一公式，确定能量检测指标；根据所述能量检测指标、所述第二参数集合中的多项第一参数、所述最优功率分配及所述最优检测时长，获得所述认知无线系统的平均总速率；

根据所述能量检测指标、所述第二参数集合中的多项第二参数、所述最优功率分配及所述最优检测时长，获得所述认知无线系统的能量消耗，其中，所述多项第二参数与所述多项第一参数至少部分项不同；

根据所述平均总速率和所述能量消耗之间的比值，确定所述认知无线系统在各子载波上的平均能效。

在本发明实施例的一种实现方式中，对初始最优功率分配进行预设算法，得到最优检测时长,并对该最优检测时长进行拉格朗日算法，得到最优功率分配，包括：

具体的，初始最优功率分配通过预设算法，得到一次计算最优检测时长，即初始最优功率分配通过预设算法中的一种算法，得到一次计算最优检测时长。

具体的，一次计算最优检测时长通过拉格朗日算法，得到一次计算最优功率分配；对获得的一次计算最优功率分配通过预设算法中的一种算法，得到二次计算最优检测时长，对二次计算最优检测时长通过拉格朗日算法，得到二次计算最优功率分配。可见，这里循环计算得到两个最优检测时长和两个最优检测功率。例如，一次计算最优检测时长通过拉格朗日算法，得到一次计算最优功率分配，包括：

首先，由公式：得到函数maxR_s-ηE；

其次，根据上述函数，构建拉格朗日函数

然后，对拉格朗日函数求导，并令求导的拉格朗日函数等于零，即，

再然后，根据公式：得到一次计算最优功率分配，得到一次计算最优功率分配

其中，C_n＝(1-q_n)(1-Q_f)+q_n(1-Q_d)(T-τ)，[x]⁺＝max(0,x)，α为拉格朗日乘子，α根据预设算法得到，即根据公式：得到α，且α大于等于0，所以当根据上式，得到的α<0时，则令α＝0，η为认知无线系统在各子载波上的平均能效，R_s为认知无线系统的平均总速率，E为认知无线系统的能量消耗，p_n为子载波n上发射功率，N＝{1,2,...n,...m,...N}为子载波的集合,n为子载波编号，B为CU的可检测的总频带宽度,P_th为发射总功率约束上限，q_n为子载波n被PU占用的概率，为子载波n最大可接受干扰功率，Q_d为检测概率，Q_f为虚警概率，T为帧长，τ为检测时长的优化变量，为CU的接收机与发射机之间信道增益，f_d为多普勒频移，为ICI的干扰，为AWGN干扰，T_g为GI的长度，第一最优功率。

在实际应用中，获得一次最优功率分配和一次最优检测时长后，由该一次最优功率分配和一次最优检测时长确定一次计算平均能效；

在二次计算最优检测时长和二次计算最优功率分配分别收敛时，根据二次最优功率分配和二次最优检测功率，确定二次计算平均能效；可见，当二次计算最优检测时长和二次计算最优功率分配都收敛时，根据收敛的二次计算最优功率和二次最优检测时长，确定二次计算平均能效。例如，当二次计算最优功率分配为二次计算最优检测时长为τ^*，将和τ^*代入以下公式，并且和τ^*代替公式中的p_n和τ：

$\mathrm{\&eta;}=\frac{R_s}{E}=\frac{\frac{1}{B}\underset{n=1}{\overset{N}{\&Sigma;}}\frac{1}{T_g+\frac{1}{\mathrm{\&Delta;}f}}(1-q_n)(1-Q_f)(T-\mathrm{\&tau;}){\log }_2\left(1+\frac{p_n\left|h_n^{ss}{|}^2\right|I_{n,n}\left(f_d\right){|}^2}{{\mathrm{\&sigma;}}_{ICI}^2+{\mathrm{\&sigma;}}_w^2}\right)}{{\mathrm{\&tau;p}}_s+P_{c}T+\underset{n-1}{\overset{N}{\&Sigma;}}\&lsqb;(1-q_n)(1-Q_f)+q_n(1-Q_d)\&rsqb;(T-\mathrm{\&tau;})p_n}$

得到二次计算平均能效；

其中，η为二次计算平均能效，R_s为认知无线系统的平均总速率，E为认知无线系统的能量消耗，B为CU的可检测的总频带宽度,T_g为GI的长度，Δf为子载波带宽，为子载波数目，设子载波集合为N＝{1,2,...n,...m,...N},n和m为子载波编号，q_n为子载波n被PU占用的概率，I_n,n(f_d)为子载波n的自干扰系数，且

$I_{n,n}\left(f_d\right)=\left\{\frac{sin\&lsqb;\mathrm{\&pi;}\left(\frac{f_d}{\mathrm{\&Delta;}f}\right)\&rsqb;}{Nsin\&lsqb;\frac{\mathrm{\&pi;}}{N}\left(\frac{f_d}{\mathrm{\&Delta;}f}\right)\&rsqb;}\right\}{e}^{j\mathrm{\&pi;}\left(1-\frac{1}{N}\right)\left(\frac{f_d}{\mathrm{\&Delta;}f}\right)}$

Q_d为检测概率，Q_f为虚警概率，T为帧长，τ为检测时长的优化变量，p_n为子载波n上发射功率，为CU的接收机与发射机之间信道增益，f_d为多普勒频移，为ICI的干扰，且

$I_{n,m}\left(f_d\right)=\left\{\frac{sin\&lsqb;\mathrm{\&pi;}\left(m-n+\frac{f_d}{\mathrm{\&Delta;}f}\right)\&rsqb;}{Nsin\&lsqb;\frac{\mathrm{\&pi;}}{N}\left(m-n+\frac{f_d}{\mathrm{\&Delta;}f}\right)\&rsqb;}\right\}{e}^{j\mathrm{\&pi;}\left(1-\frac{1}{N}\right)\left(m-n+\frac{f_d}{\mathrm{\&Delta;}f}\right)}$

p_m为子载波m上发射功率，为AWGN(Addit ive White Gaussian Noi se，加性高斯白噪声)干扰，p_s为频谱检测功率，p_c为电路静态消耗功率。

在上述计算得到的二次计算平均能效收敛时，将二次计算最优检测时长和二次计算最优功率为最优检测时长和最优功率分配。认知无线系统按照获得的最优检测时长和最优功率分配进行后续的频谱检测和数据传输。

在本发明实施例的一种实现方式中，在一次计算最优功率分配通过所述预设算法，得到二次计算最优检测时长，二次计算最优检测时长，通过拉格朗日算法，得到二次计算最优功率分配之后，该方法还包括：

在二次计算最优检测时长和二次计算最优功率分配分别不收敛时，对N次计算最优功率分配通过预设算法，得到N+1次计算最优检测时长，对该N+1次计算最优检测时长通过拉格朗日算法，得到N+1次计算最优功率分配；

具体的，当获得的N次计算最优功率分配及N次计算最优检测时长分别不收敛时，继续对N次计算最优功率分配通过预设算法，得到N+1次计算最优检测时长，然后对N+1次计算最优检测时长通过拉格朗日算法，得到N+1次计算最优功率分配。这里N次计算最优功率分配及N次计算最优检测时长循环交替迭代计算，直到获得分别收敛的N+1次计算最优检测时长和N+1次计算最优功率分配。

直至在N+1次计算最优检测时长和N+1次计算最优功率分配分别收敛时，根据N+1次计算最优功率分配，确定M次计算平均能效；且

在第M次计算平均能效收敛时，获得N+1次计算最优检测时长及N+1次计算最优功率分配，分别作为收敛时认知无线系统的最优检测时长和最优功率分配，其中，N为大于或等于2，M为大于或等于2。

可以理解为，在所获得的在N+1次计算最优检测时长、N+1次计算最优功率分配及M次计算平均能效分别收敛时，将所获得的收敛的N+1次计算最优检测时长及N+1次计算最优功率分配作为认知无线系统的最优检测时长和最优功率分配，这样，认知无线系统按照获得的最优检测时长和最优功率分配进行后续的频谱检测和数据传输。

在本发明实施例的一种实现方式中，判断根据最优检测时长和最优功率分配收敛，包括：

在N+1次计算最优检测时长与N次计算最优检测时长之差的绝对值小于预设第一正数时，判断为N+1次计算最优检测时长收敛；

例如，当|τ_N+1-τ_N|≤θ₁时，τ_N+1收敛，具体的，τ_N+1为N+1次计算最优检测时长，τ_N为N次计算最优检测时长，θ₁为预设第一正数，且θ₁可以取值10^-5、10^-6或其他更小的正数，N为大于或等于2。

在N+1次计算最优功率分配与N次计算最优功率分配之差的绝对值小于预设第一正数时，判断为N+1次计算功率分配收敛。

例如，当|p_N+1-p_N|≤θ₁时，p_N+1收敛，具体的，p_N+1为N+1次计算最优功率分配，P_N为N次计算最优功率分配，θ₁为预设第一正数，且θ₁可以取值10^-5、10^-6或其他更小的正数，N为大于或等于2。

在本发明实施例的一种实现方式中，该N+1次计算最优检测时长和N+1次计算最优功率分配对应的M次计算的平均能效收敛，包括：

在M次计算能效与M-1次计算子能效之差的绝对值小于预设第二正数时，判断为M次计算能效收敛。

例如，当|η_M-η_M-1|≤θ₂时，η_M收敛，具体的，η_M为M次计算平均能效，η_M-1为M-1次计算平均能效，θ₂为预设第二正数，且θ₂可以取值10^-5、10^-6或其他更小的正数。

应用上述各个实施例，在预设能效模型中，不断优化检测时长和功率分配的变量，直到获得的认知无线系统的最优检测时长、最优功率分配及最优功率分配对应的能效分别收敛时，该认知无线系统将按照收敛后的最优检测时长和最优功率分配进行频谱检测及数据传输。这样，使得移动场景下认知无线系统的平均能效最大，能够提高移动场景下认知无线系统总能效。

参考图3，图3为本发明实施例提供的最优功率分配通过二分法得到最优检测时长的流程示意图，包括以下步骤：

S301，开始；

S302，对η关于τ求导，即并且由C3，C4获得τ₁，τ₂，即根据公式：获得τ₁，根据公式：获得τ₂；

S303，令τ_min＝max(τ₁,τ₂)且τ_max＝T；

S304，当η′(τ_min)<0时，则，执行S305，当η′(τ_min)<0不成立时，则执行S306；

S305，得到第一最优检测时长τ^*＝τ_min；

S306，令τ_min和τ_max满足公式：

S307，当η′(τ′)<0成立时，则执行S308，当η′(τ′)<0不成立时，则执行S309；

S308，得到τ_max＝τ′，并执行S310；

S309，得到τ_min＝τ′，并执行S310；

S310，当|τ_max-τ_min|≤θ成立时，返回执行S306，当|τ_max-τ_min|≤θ不成立时，执行S311，其中，θ为一个很小的正数，例如，θ＝10^-5，或θ＝10^-6，或θ<10^-5的其它正数；

S311，得到第一最优检测时长

S312，结束。

其中，η为平均能效，τ为检测时长的优化变量，η是关于τ的能效函数，为对能效函数求导，σ²为检测噪声功率，f_s为采样率，γ为PU信号在认知无线电用户检测机处的平均SNR，ε为检测门限，为检测概率下限，为虚警概率上限。

可见，当获得最优功率分配时，通过二分法计算得到对应的最优检测时长。当然，也可以通过预设算法中的任意一种算法，计算得到最优功率分配对应的最优检测时长。

参考图4，图4为本发明实施例的典型认知无线系统的模型示意图，包括主用户系统401、认知基站402、车载网络403及无人机404。本发明实施例的认知无线系统的典型应用场景包括，具有高移动性的高铁线路、车载网络、无人机通信系统等。

参见图5，图5为本发明实施例的高铁认知无线系统模型的示意图，包括主用户系统501、认知基站502、认知系统503及火车504，其中高铁以预设的速度行驶。

参考图6，图6为本发明实施例提供的认知无线系统功率分配装置的一种结构示意图，应用于高速移动的通信系统，该装置包括：

获取模块601，用于获取认知无线系统的预设能效模型；

第一处理模块602，用于在预设能效模型中，得到各子载波的初始最优功率分配；

计算模块603，用于初始最优功率分配通过预设算法，得到最优检测时长,且最优检测时长通过拉格朗日算法，得到最优功率分配；

第二处理模块604，根据最优功率分配和最优检测时长，得到该认知无线系统中各子载波上的平均能效；

分配模块605，用于在判断最优检测时长和最优功率分配分别收敛，且平均能效收敛时，得到收敛时该认知无线系统的最优检测时长和最优功率分配。

由此可见，本发明实施例中，获取认知无线系统的预设能效模型，在该预设能效模型中，子载波的检测时长的变量和功率分配的变量通过预设算法及拉格朗日算法不断进行优化，当优化后的最优检测时长、最优功率分配及优化后最优功率分配及最优检测时长对应的平均能效分别收敛时，获得认知系统的最优检测时长和最优功率分配。这样应用本发明实施例，使得移动场景下认知无线系统的平均能效最大，能够提高移动场景下认知无线系统总能效。在本发明实施例的一种实现方式中，如图7所示，获取模块601，具体包括：

第一获得子模块701，用于获得该认知无线系统的信道状态信息，其中，信道状态信息包括：信道状态信息的第一参数集合、与第一参数集合不同的信道状态信息的第二参数集合、及与第一参数集合和第二参数集合分别不同的信道状态信息的第三参数集合；

第一确定子模块702，用于根据第一参数集合，通过预设第一公式，确定能量检测指标；

第二确定子模块703，用于根据能量检测指标和第二参数集合，通过多个预设第二公式，确定该认知无线系统在各子载波上的平均能效，并确定最大平均能效；

第三确定子模块704，用于根据能量检测指标及第三参数集合，通过多个预设条件，确定认知无线系统的约束条件，其中，所述约束条件至少包括：各子载波上发射功率之和的约束条件、各子载波所受干扰功率的约束条件、能量检测指标的约束条件、所述最优检测时长的约束条件及各子载波上发射功率的约束条件；

第二获得子模块705，用于根据最大平均能效函数及认知无线系统的约束条件，得到认知无线系统的预设能效模型。

在本发明实施例的一种实现方式中，第二确定子模块703，具体包括：

第一获得单元，用于根据能量检测指标和第二参数集合中的多项第一参数，获得该认知无线系统的平均总速率函数；

第二获得单元，用于根据能量检测指标和第二参数集合中的多项第二参数，获得该认知无线系统的能量消耗函数，其中，多项第二参数与多项第一参数至少部分项不同；

第一确定单元，根据平均总速率函数和能量消耗函数之间的比值，确定认知无线系统在各子载波上的平均能效函数，并由该平均能效函数确定最大平均能效函数。

在本发明实施例的认知无线系统功率分配装置中，预设算法至少包括：黄金分割法、牛顿法、抛物线法或二分法。

在本发明实施例的一种实现方式中，第二处理模块604，包括：

第三获得子模块，用于获得所述认知无线系统的信道状态信息，其中，所述信道状态信息包括：信道状态信息的第一参数集合、与所述第一参数集合不同的信道状态信息的第二参数集合、及与所述第一参数集合和所述第二参数集合分别不同的信道状态信息的第三参数集合；

第四确定子模块，用于根据所述第一参数集合，通过预设第一公式，确定能量检测指标；

第四获得子模块，用于根据所述能量检测指标、所述第二参数集合中的多项第一参数、所述最优功率分配及最优检测时长，获得所述认知无线系统的平均总速率；

第五获得子模块，用于根据所述能量检测指标、所述第二参数集合中的多项第二参数、所述最优功率分配及最优检测时长，获得所述认知无线系统的能量消耗，其中，所述多项第二参数与所述多项第一参数至少部分项不同；

第五确定子模块，用于根据所述平均总速率和所述能量消耗之间的比值，确定所述认知无线系统在各子载波上的平均能效。

在本发明实施例的一种实现方式中，计算模块603包括：

第六获得子模块，用于初始最优功率分配通过预设算法，得到一次计算最优检测时长；

第七获得子模块，用于一次计算最优检测时长通过拉格朗日算法，得到一次计算最优功率分配；

第八获得子模块，用于一次计算最优功率分配通过预设算法，得到二次计算最优检测时长，二次计算最优检测时长，通过拉格朗日算法，得到二次计算最优功率分配；

第六确定子模块，用于在二次计算最优检测时长和二次计算最优功率分配分别收敛时，根据二次最优功率分配，确定二次计算平均能效；

第一分配子模块，用于在二次计算平均能效收敛时，二次计算最优检测时长和二次计算最优功率为最优检测时长和最优功率分配。

在本发明实施例的一种实现方式中，计算模块603还包括：

第九获得子模块，用于在二次计算最优检测时长和二次计算最优功率分配分别不收敛时，对N次计算最优功率分配通过所述预设算法，得到N+1次计算最优检测时长，对所述N+1次计算最优检测时长通过所述拉格朗日算法，得到N+1次计算最优功率分配；

第七确定子模块，用于直至在N+1次计算最优检测时长和N+1次计算最优功率分配分别收敛时，根据N+1次计算最优功率分配，确定M次计算平均能效；且

第二分配子模块，用于在第M次计算平均能效收敛时，获得N+1次计算最优检测时长及N+1次计算最优功率分配，分别作为收敛时认知无线系统的最优检测时长和最优功率分配，其中，N为大于或等于2，M为大于或等于2。

在本发明实施例的一种实现方式中，分配模块605包括：

第一判断子模块，用于在N+1次计算最优检测时长与N次计算最优检测时长之差的绝对值小于预设第一正数时，判断为N+1次计算最优检测时长收敛；

第二判断子模块，用于在N+1次计算最优功率分配与N次计算最优功率分配之差的绝对值小于预设第一正数时，判断为N+1次计算功率分配收敛。

在本发明实施例的一种实现方式中，分配模块605包括：

第三判断子模块，用于在M次计算平均能效与M-1次计算平均能效之差的绝对值小于预设第二正数时，判断为M次计算能效收敛。

应用上述各个实施例，在预设能效模型中，不断优化认知无线系统中各子载波的检测时长和功率分配，直至获得该认知无线系统的最优检测时长、最优功率分配及最优功率分配对应的子载波间干扰分别收敛时，该认知无线系统将按照收敛时的最优检测时长和最优功率分配进行频谱检测及数据传输，实现合理分配子载波检测时长和功率分配，从而提高认知无线系统的总效能。

对于系统、装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种认知无线系统功率分配方法，其特征在于，包括：

获取认知无线系统的预设能效模型；

在所述预设能效模型中，得到各子载波的初始最优功率分配；

所述初始最优功率分配通过预设算法，得到最优检测时长,且所述最优检测时长通过拉格朗日算法，得到最优功率分配；

根据所述最优功率分配及所述最优检测时长，得到所述认知无线系统中各子载波上的平均能效；

在判断所述最优检测时长和所述最优功率分配分别收敛，且所述平均能效收敛时，得到收敛时所述认知无线系统的最优检测时长和最优功率分配。

2.根据权利要求1所述的方法，其特征在于，所述获取认知无线系统的预设能效模型，包括：

获得所述认知无线系统的信道状态信息，其中，所述信道状态信息包括：信道状态信息的第一参数集合、与所述第一参数集合不同的信道状态信息的第二参数集合、及与所述第一参数集合和所述第二参数集合分别不同的信道状态信息的第三参数集合；

根据所述第一参数集合，通过预设第一公式，确定能量检测指标；

根据所述能量检测指标和所述第二参数集合，通过多个预设第二公式，确定所述认知无线系统在各子载波上的平均能效函数，并确定最大平均能效函数；

根据能量检测指标及所述第三参数集合，通过多个预设条件，确定所述认知无线系统的约束条件，其中，所述约束条件至少包括：各子载波上发射功率之和的约束条件、各子载波所受干扰功率的约束条件、能量检测指标的约束条件、所述最优检测时长的约束条件及各子载波上发射功率的约束条件；

根据所述最大平均能效函数及所述认知无线系统的约束条件，得到认知无线系统的预设能效模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述能量检测指标和所述第二参数集合，通过多个预设第二公式，确定所述认知无线系统在各子载波上的平均能效函数，并确定最大平均能效函数，包括：

根据所述能量检测指标和所述第二参数集合中的多项第一参数，通过所述多个预设第二公式的第一公式，获得所述认知无线系统的平均总速率函数；

根据所述能量检测指标和所述第二参数集合中的多项第二参数，通过所述多个预设第二公式的第二公式，获得所述认知无线系统的能量消耗函数，其中，所述多项第二参数与所述多项第一参数至少部分项不同；

根据所述平均总速率函数和所述能量消耗函数之间的比值，确定所述认知无线系统在各子载波上的平均能效函数，并由所述平均能效函数确定最大平均能效函数。

4.根据权利要求1所述的方法，其特征在于，所述预设算法至少包括：黄金分割法、牛顿法、抛物线法或二分法。

5.根据权利要求1所述的方法，其特征在于，所述根据所述最优功率分配及最优检测时长，得到所述认知无线系统中各子载波上的平均能效，包括：

获得所述认知无线系统的信道状态信息，其中，所述信道状态信息包括：信道状态信息的第一参数集合、与所述第一参数集合不同的信道状态信息的第二参数集合、及与所述第一参数集合和所述第二参数集合分别不同的信道状态信息的第三参数集合；

根据所述第一参数集合，通过预设第一公式，确定能量检测指标；

根据所述能量检测指标、所述第二参数集合中的多项第一参数、所述最优功率分配及所述最优检测时长，获得所述认知无线系统的平均总速率；

根据所述能量检测指标、所述第二参数集合中的多项第二参数、所述最优功率分配及所述最优检测时长，获得所述认知无线系统的能量消耗，其中，所述多项第二参数与所述多项第一参数至少部分项不同；

根据所述平均总速率和所述能量消耗之间的比值，确定所述认知无线系统在各子载波上的平均能效。

6.根据权利要求1所述的方法，其特征在于，所述对所述初始最优功率分配进行预设算法，得到最优检测时长,并对所述最优检测时长进行拉格朗日算法，得到最优功率分配，包括：

所述初始最优功率分配通过预设算法，得到一次计算最优检测时长；

所述一次计算最优检测时长通过拉格朗日算法，得到一次计算最优功率分配，根据所述一次最优功率分配和一次最优检测时长，确定一次计算平均能效；

所述一次计算最优功率分配通过所述预设算法，得到二次计算最优检测时长，所述二次计算最优检测时长，通过所述拉格朗日算法，得到二次计算最优功率分配；

在所述二次计算最优检测时长和所述二次计算最优功率分配分别收敛时，根据所述二次最优功率分配和二次最优检测时长，确定二次计算平均能效；

在所述二次计算平均能效收敛时，所述二次计算最优检测时长和所述二次计算最优功率为所述最优检测时长和所述最优功率分配。

7.根据权利要求6所述的方法，其特征在于，在所述一次计算最优功率分配通过所述预设算法，得到二次计算最优检测时长，所述二次计算最优检测时长，通过所述拉格朗日算法，得到二次计算最优功率分配之后，所述的方法还包括：

在所述二次计算最优检测时长和所述二次计算最优功率分配分别不收敛时，对N次计算最优功率分配通过所述预设算法，得到N+1次计算最优检测时长，对所述N+1次计算最优检测时长通过所述拉格朗日算法，得到N+1次计算最优功率分配；

直至在N+1次计算最优检测时长和N+1次计算最优功率分配分别收敛时，根据所述N+1次计算最优功率分配和N+1次计算最优检测时长，确定M次计算平均能效；且

在第M次计算平均能效收敛时，获得N+1次计算最优检测时长及N+1次计算最优功率分配，分别作为收敛时所述认知无线系统的最优检测时长和最优功率分配，其中，所述N为大于或等于2，所述M为大于或等于2。

8.根据权利要求6所述的方法，其特征在于，所述判断所述最优检测时长和所述最优功率分配分别收敛，包括：

在所述N+1次计算最优检测时长与所述N次计算最优检测时长之差的绝对值小于预设第一正数时，判断为所述N+1次计算最优检测时长收敛；

在所述N+1次计算最优功率分配与所述N次计算最优功率分配之差的绝对值小于所述预设第一正数时，判断为所述N+1次计算功率分配收敛。

9.根据权利要求6所述的方法，其特征在于，所述平均能效收敛，包括：

在M次计算平均能效与M-1次计算平均能效之差的绝对值小于预设第二正数时，判断为所述M次计算平均能效收敛。

10.一种认知无线系统功率分配装置，其特征在于，包括：

获取模块，用于获取认知无线系统的预设能效模型；

第一处理模块，用于在所述预设能效模型中，得到各子载波的初始最优功率分配；

计算模块，用于所述初始最优功率分配通过预设算法，得到最优检测时长,且所述最优检测时长通过拉格朗日算法，得到最优功率分配；

第二处理模块，用于根据所述最优功率分配和所述最优检测时长，得到所述认知无线系统中各子载波上的平均能效；

分配模块，用于在判断所述最优检测时长和所述最优功率分配分别收敛，且所述平均能效收敛时，得到收敛时所述认知无线系统的最优检测时长和最优功率分配。