CN106255192A - 一种无线网络上行链路功率控制方法及装置 - Google Patents

Abstract

本申请实施例公开了一种无线网络上行链路功率控制方法，包括：获得宏用户端与宏基站之间的宏阴影衰落均值，以及家庭户端与宏基站之间的宏阴影衰落均值；计算上行链路功率分配参考值；根据所述上行链路功率分配参考值，分别计算所述宏用户端和家庭用户端的第一次功率分配值；利用卡尔曼滤波模型分别获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值；根据所述滤波估计值，分别获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。通过实施本申请实施例，可以解决宏基站在控制上行链路功率过程中处理数据量大的问题。

Description

一种无线网络上行链路功率控制方法及装置

技术领域

本申请涉及无线通信技术领域，特别涉及一种无线网络上行链路功率控制方法及装置。

背景技术

随着无线通信技术的快速发展，人们对高速率无线业务的需求日益增加。根据调查，蜂窝网络中大多数电话业务和数据业务都发生在室内，在室内构建家庭基站可以有效解决高速率无线业务的传输压力。部署在室内的家庭基站和较低移动性的家庭用户共同组成的家庭小区与宏小区处在一个宏蜂窝小区内，这样就形成了一个宏小区和家庭小区共信道的双层网络。由于宏小区和家庭小区运行在相同的频谱范围内，因此，当家庭用户端的上行链路功率过大会影响宏基站接收宏用户发送的数据，即形成跨层干扰，如图1所示。

现有技术中，宏基站接收宏用户端发送的数据，根据所接收的数据信号的强度值进行信道估计，获得数据信号传输过程中的损耗，进而确定参考功率，再将上述参考功率进行微调，以确定上行链路功率。通常情况下应用上述方式能够防止上行链路功率过大，同时能够保证上行链路功率足以支持数据信号到达基站。

然而，现有技术中，宏基站在每次确定上行链路功率前，需要与外部进行通信来接收数据信号以获得参数，即需要宏基站频繁地进行信道估计，而频繁地进行信道估计加大了宏基站数据处理的压力，导致需要更多的处理能力和处理资源，间接地降低了数据处理速度及可靠性。

发明内容

本申请实施例公开了一种无线网络上行链路功率控制方法及装置，以解决宏基站在控制上行链路功率过程中处理数据量繁重的问题，进而提高宏基站的处理速度及可靠性。

为达到上述目的，本申请实施例公开了一种无线网络上行链路功率控制方法，应用于宏基站，所述方法包括：

获得宏用户端与宏基站之间的宏阴影衰落均值，以及家庭户端与宏基站之间的宏阴影衰落均值；

计算上行链路功率分配参考值；

根据所述上行链路功率分配参考值，分别计算所述宏用户端和家庭用户端的第一次功率分配值；

利用卡尔曼滤波模型分别获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值；

根据所述滤波估计值，分别获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。

较佳的，所述利用卡尔曼滤波模型获得所述宏用户端的滤波估计值的步骤包括：

当首次使用卡尔曼滤波模型时：

根据所述上行链路功率分配参考值，获得所述宏用户端的第一初值；

将所述第一初值输入所述卡尔曼滤波模型，获得所述宏用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时：

将前一次计算出的所述宏用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述宏用户端的当前滤波估计值；

所述利用卡尔曼滤波模型获得所述家庭用户端的滤波估计值的步骤包括：

当首次使用卡尔曼滤波模型时：

根据所述上行链路功率分配参考值，获得所述宏用户端所允许的干扰总量；

根据所述干扰总量，获得所述家庭用户端的第二初值；

将所述第二初值输入所述卡尔曼滤波模型，获得所述家庭用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时：

将前一次计算出的所述家庭用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述家庭用户端的当前滤波估计值。

较佳的，计算所述宏用户端的第一次功率分配值的公式为：

其中，P₀为所述宏用户端的第一次功率分配值，P_max,m是所述宏用户端的最大发射功率，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，为所述宏阴影衰落样本值中的一个，L₀为所述功率分配参考值；

计算所述家庭用户的第一次功率分配值的公式为：

其中，P_j为家庭用户的第一次功率分配值，K为所述活跃家庭小区数量，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，为所述家庭阴影衰落，P_max,f为所述家庭用户端的最大发射功率，P_AGGI为所述干扰总量。

较佳的，计算所述第一初值的公式为：其中，P_L(t₁)为所述第一初值，L₀为所述上行链路功率分配参考值；

计算所述第二初值的公式为：其中，P_f(t₁)为所述第二初值，K为活跃的家庭小区数量，P_AGGI为所述干扰总量。

较佳的，计算所述宏用户端的上行链路功率的公式为：

其中，P′₀为所述宏用户端的上行链路功率，P_max,m是所述宏用户端的最大发射功率，exp()为求指数函数，P_L为所述宏用户端的滤波估计值，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，N为所述宏阴影衰落样本值个数，x_i,m为第i个所述阴影衰落样本值；

计算所述家庭用户端的上行链路功率的公式为：其中，P′_j为所述家庭用户端的上行链路功率，P_max,f是所述家庭用户端的最大发射功率，exp()为求指数函数，P_f为所述家庭用户端的滤波估计值，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，N为所述家庭阴影衰落样本值个数，x_s为第s个所述家庭阴影衰落样本值。

相应于上述方法实施例，本申请实施例还提供了一种无线网络上行链路功率控制装置，应用于宏基站，所述装置包括：

第一获得模块，用于获得宏用户端与宏基站之间的宏阴影衰落均值，以及家庭户端与宏基站之间的宏阴影衰落均值；

第一计算模块，用于计算上行链路功率分配参考值；

第二计算模块，用于根据所述上行链路功率分配参考值，分别计算所述宏用户端和家庭用户端的第一次功率分配值；

估计模块，用于利用卡尔曼滤波模型分别获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值；

第二获得模块，用于根据所述滤波估计值，分别获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。

较佳的，当首次使用卡尔曼滤波模型时，所述估计模块包括：

第一初值获得子模块，用于根据所述上行链路功率分配参考值，获得所述宏用户端的第一初值；

第一滤波子模块，用于将所述第一初值输入所述卡尔曼滤波模型，获得所述宏用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时，所述估计模块，具体用于：

将前一次计算出的所述宏用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述宏用户端的当前滤波估计值；

当首次使用卡尔曼滤波模型时，所述估计模块还包括：

获得子模块，用于根据所述上行链路功率分配参考值，获得所述宏用户所允许的干扰总量；

第二初值获得子模块，用于根据所述干扰总量，获得所述家庭用户端的第二初值；

第二滤波子模块，用于将所述第二初值输入所述卡尔曼滤波模型，获得所述家庭用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时，所述估计模块，具体用于：

将前一次计算出的所述家庭用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述家庭用户端的当前滤波估计值。

较佳的，计算所述宏用户端的第一次功率分配值的公式为：

其中，P₀为所述宏用户端的第一次功率分配值，P_max,m是所述宏用户端的最大发射功率，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，为所述宏阴影衰落样本值中的一个，L₀为所述功率分配参考值；

计算所述家庭用户的第一次功率分配值的公式为：

其中，P_j为家庭用户的第一次功率分配值，K为所述活跃家庭小区数量，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，为所述家庭阴影衰落，P_max,f为所述家庭用户端的最大发射功率，P_AGGI为所述干扰总量。

较佳的，计算所述第一初值的公式为：其中，为所述第一初值，L₀为所述上行链路功率分配参考值；

计算所述第二初值的公式为：其中，P_f(t₁)为所述第二初值，P_f(t₁)为活跃的家庭小区数量，P_AGGI为所述干扰总量。

较佳的，计算所述宏用户端的上行链路功率的公式为：

其中，P′₀为所述宏用户端的上行链路功率，P_max,m是所述宏用户端的最大发射功率，exp()为求指数函数，P_L为所述宏用户端的滤波估计值，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，N为所述宏阴影衰落样本值个数，x_i,m为第i个所述阴影衰落样本值；

计算所述家庭用户端的上行链路功率的公式为：

其中，P′_j为所述家庭用户端的上行链路功率，exp()为求指数函数，P_f为所述家庭用户端的滤波估计值，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，N为所述家庭阴影衰落样本值个数，x_s,f为第s个所述家庭影衰落样本值。

本申请实施例提供的一种无线网络上行链路功率控制方法及装置，根据上行链路功率分配参考值，获得上述第一初值、第二初值，并分别将其输入至卡尔曼滤波模型，获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值，进而获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。相对现有技术，宏基站并不需要频繁地进行信道估计以获得参数，进而减小宏基站处理数据的压力，降低了对数据处理能力和处理资源要求，提高了其数据处理速度和可靠性。同时，通过经卡尔曼滤波模型输出的滤波估计值所获得的上行链路功率更为准确。另外，需要强调的是，应用本申请实施例的方案必不一定具有上述所有优点。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例所提供的一种无线网络上行链路功率控制方法的双层网络示意图；

图2为本申请实施例所提供的一种无线网络上行链路功率控制方法的步骤流程图；

图3为本申请实施例所提供的一种无线网络上行链路功率控制装置的结构示意框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例公开了一种无线网络上行链路功率控制方法及装置，以解决宏基站在控制上行链路功率过程中处理数据量繁重的问题，进而提高宏基站的处理速度及可靠性。

下面首先对本申请实施例所提供的一种无线网络上行链路功率控制方法进行介绍。

需要说明的是，本申请实施例所提供的一种无线网络上行链路功率控制方法的执行主体可以为宏基站，宏基站可以是带有上行链路功率控制能力的高/低频率基站、带有上行链路功率控制能力的处理器或带有上行链路功率控制能力的服务器等，这都是合理的。

如图2所示，本发明实施例所提供的一种无线网络上行链路功率控制方法，可以包括如下步骤：

S201：获得宏用户端与宏基站之间的宏阴影衰落均值，以及家庭户端与宏基站之间的宏阴影衰落均值；

其中，所述宏阴影衰落均值由所述宏基站根据最大似然估计法，从N个宏阴影衰落样本值中确定，家庭阴影衰落均值由所述宏基站根据最大似然估计法，从N个家庭阴影衰落样本值中确定。

较佳的，所述宏阴影衰落值和所述家庭阴影衰落值的获得步骤包括：宏基站根据导频信息，利用信道估计的方法对宏用户到宏基站的阴影衰落以及每个家庭用户到宏基站的阴影衰落进行测量，分别获得宏用户以及每个家庭用户的阴影衰落的N个样本值，X₀＝{x_1,m,x_2,m…x_N,m}，X_s＝{x_1,f,x_2,f…x_N,f}，其中，X₀是宏用户的阴影衰落样本集合，X_s是每个家庭用户阴影衰落的样本集合，ln X₀及ln X_s中的样本满足正态分布，x₀及x_s中的样本满足对数正态分布；对上述宏用户的阴影衰落的样本集合X₀求其均值的最大似然估计，得到宏用户的宏阴影衰落均值，即其中对上述家庭用户的阴影衰落的样本集合X_s求其均值的最大似然估计，得到家庭用户的家庭阴影衰落均值，即其中，

另外，S201中的宏用户端可以为任意带有通信功能的设备，例如固定电话、传真机、手机、平板电脑、带有通信功能的智能手表、带有通信功能的智能耳机等，这都是合理的。

S202：计算上行链路功率分配参考值；

其中，计算所述上行链路功率分配参考值的步骤包括：已知宏用户端的的最大发射功率、宏基站的覆盖半径；使用经验模型预测所述宏用户端与所述宏基站之间的最大路径损耗，即其中α_m是路径损耗指数；根据以上信息求得上行链路功率分配参考其中，P_max,m为宏用户端的的最大发射功率，为所述宏用户端与所述宏基站之间的最大路径损耗的倒数，为所述宏阴影衰落均值。

可以理解的是，步骤S202使用步骤S201所获得的结果，步骤S201、步骤S202是执行主体的两个动作：动作1，获得的动作；动作2，根据所获得的阴影衰落均值计算的动作。需要说明的是，动作2可以在动作1执行之后马上执行，即动作2的触发条件是“动作1执行完毕”。同时，动作2也可以在下一个执行周期执行，也就是说，假设执行主体的系统执行周期为1ms，则当第1ms时(即t₀时刻)执行动作1，动作1执行完毕时不立即执行动作2，而是当第2ms到来时，执行动作2，即动作2的触发条件是“系统执行周期的开始”。

S203：分别计算所述宏用户端和家庭用户端的第一次功率分配值；

其中，计算所述宏用户端的第一次功率分配值的具体步骤包括：宏基站获取宏基站与宏用户的距离位置信息r₀，使用经验模型预测路径损耗，即对宏用户的发射功率进行第一次分配，即其中，P₀为所述宏用户端的第一次功率分配值，P_max,m是所述宏用户端的最大发射功率，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，E′_0,0为所述宏阴影衰落样本值中的一个，L₀为所述上行链路功率分配参考值。

计算所述家庭用户的第一次功率分配值的公式为：

$P_j=min\{P_{max,f},\frac{P_{AGGI}}{K\·r_j^{-{\mathrm{\α}}_1}\·{\hat{E}}_{0,j}},j=0,1,...K\},$

其中，P_j为家庭用户的第一次功率分配值，K为所述活跃家庭小区数量，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，为所述家庭阴影衰落，P_max,f为所述家庭用户端的最大发射功率，P_AGGI为宏用户所允许的干扰总量。

需要说明的是，所述宏用户所允许的干扰总量的获得步骤包括：已知计算得到宏用户所允许的干扰总量其中δ∈(0,1)，其为保护余量，为高斯白噪声，Γ₀是宏用户的目标信干比。

S204：利用卡尔曼滤波模型分别获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值；

其中，卡尔曼滤波模型一种高效率的递归滤波模型，即自回归滤波器，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。

较佳的，当首次使用卡尔曼滤波模型时：根据所述上行链路功率分配参考值，获得所述宏用户端的第一初值；将所述第一初值输入所述卡尔曼滤波模型，获得所述宏用户端的滤波估计值；当非首次使用卡尔曼滤波模型时：将前一次计算出的所述宏用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述宏用户端的当前滤波估计值。其中，计算所述第一初值的公式为：其中，为所述第一初值，L₀为所述上行链路功率分配参考值。

在一种具体实施例中，宏基站通过卡尔曼滤波模型获得宏用户端的当前滤波估计值的具体步骤如下：

根据功率传输中损耗情况可获得其中，表示阴影衰落的随机变量，满足对数正态分布。两边取对数得到：其中，是均值为方差为的高斯随机变量，k是常数，其值为

进一步得到其中τ为标准正态分布随机变量。

设状态方程为：P_L(t)＝P_L(t-1)-W(t-1)，P_L(t)为当前宏用户端的滤波估计值，P_L(t-1)为上一次宏用户端的滤波估计值，W(t-1)是上一次宏用户端的滤波估计值的状态噪声，服从正态分布，均值为0，方差为由执行主体属性所决定。

再进一步得到宏用户端的滤波估计值的观测方程：Z(t)＝P_L(t)-V(t)，V(t)是宏用户端的滤波估计值的观测噪声，V(t)的均值为0、方差为R，V(t)的方差由执行主体属性所决定，其中，P_L(t)是一维变量，将上述第一初值带入P_L(t)，进而获得P_L(t₁)。

可以理解的是，由于无线传输链路的开放性使得无线传输链路稳定性较低，因此在链路中传输的无线信号也会随之增强/减弱，为了保证上行链路功率能够支持无线信号到达基站，本申请实施例还利用卡尔曼滤波模型对宏用户的滤波估计值作进一步预测：

首先进一步预测状态，预测结果为其中，为下一次宏用户的滤波预测值，为当前宏用户的滤波估计值；(以下公式中参数带有“～”的为预测值，带有“^”的为估计值；小括号中为t的为当前值，小括号中为t+1的为下一次数值)。

其次，获得新息为：ε(t+1)是下一次宏用户的滤波观测值减去下一次宏用户的滤波预测值，Z(t+1)为下一次的宏用户的滤波观测值，为下一次宏用户的滤波预测值；获得滤波增益为其中，R为观测噪声的方差由执行主体本身所决定；进而可将状态更新为：K(t+1)是卡尔曼增益；进而获得下一次宏小区滤波估计值。

则进一步预测协方差：其中，Q为宏用户端的滤波估计值的状态噪声方差；接着进行协方差更新：以使得卡尔曼滤波模型进行下一次滤波。

需要说明的是，在获得宏用户端的滤波估计值过程中，获得宏用户端的滤波估计值后，执行主体立即将宏用户端的滤波估计值作为输入，无需等待下一执行周期的到来。当出现在同一执行周期内获得多个宏用户端的滤波估计值的情况时，使用最近一次获得的滤波估计值。同理，获得家庭用户端的滤波估计值的过程与获得宏用户端的滤波估计值的过程类似。

较佳的，当首次使用卡尔曼滤波模型时：根据所述上行链路功率分配参考值，获得所述宏用户端所允许的干扰总量；根据所述干扰总量，获得所述家庭用户端的第二初值；将所述第二初值输入所述卡尔曼滤波模型，获得所述家庭用户端的滤波估计值；当非首次使用卡尔曼滤波模型时：将前一次计算出的所述家庭用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述家庭用户端的当前滤波估计值。需要说明的是，计算所述第二初值的公式为：其中，P_f(t₁)为所述第二初值，K为活跃的家庭小区数量，P_AGGI为所述干扰总量。

进一步需要说明的是，上述家庭小区数量为有数据传输的家庭小区。在本申请实施例所提供的方法的一种应用场景中，传输的数据可以为以任意现有技术编码而得的数据，也可以是未经编码的数据。同时，上述数据所描述的内容可以是语音、视频、文字等，这都是合理的。

在一种具体实施例中，宏基站通过卡尔曼滤波模型获得家庭用户端的当前滤波估计值的具体步骤如下：

令其中，P_AGGI是家庭用户端所允许的干扰总量，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，是均值为方差为的高斯随机变量，K为活跃家庭小区数量，k是常数，其值为

家庭用户发射信号的功率受到路径损耗和阴影衰落的影响，则将两边取对数设

已知状态方程为P_f(t)＝P_f(t-1)-W_f(t-1)，其中W_f是上一次家庭用户端的滤波估计值的状态噪声，服从正态分布，均值为方差为

进一步获得家庭用户端的滤波估计值的观测方程：Z_f(t)＝P_f(t)-V_f(t)，V_f是家庭用户端的滤波估计值的观测噪声，均值为0，方差为R_f由执行主体属性所决定，P_f(t)是一维变量，将第二初值带入P_f(t)则可求出P_f(t₁)，即P_f。

S205：根据所述滤波估计值，分别获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。

较佳的，计算所述宏用户端的上行链路功率的公式为：

其中，P′₀为所述宏用户端的上行链路功率，P_max,m exp()为求指数函数，P_L为所述宏用户端的滤波估计值，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，N为所述宏阴影衰落样本值个数，x_i为第i个所述阴影衰落样本值。，为所述宏用户优选的，计算所述家庭用户端的上行链路功率的公式为：其中，P′_j为所述家庭用户端的上行链路功率，exp()为求指数函数，P_f为所述家庭用户端的滤波估计值，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，N为所述家庭阴影衰落样本值个数，x_s,f为第s个所述家庭影衰落样本值。

可以理解的是，S205中根据宏用户端的滤波估计值和所述宏用户端的第一次功率分配值，获得宏用户端的上行链路功率；根据家庭用户端的滤波估计值和家庭用户端的第一次功率分配值，获得家庭用户端的上行链路功率。此处对两个上行链路功率的获得顺序不做限定。

本申请实施例提供的一种无线网络上行链路功率控制方法，根据上行链路功率分配参考值，利用卡尔曼滤波模型获得上述第一初值、第二初值，并分别将其输入至卡尔曼滤波模型，获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值，进而获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。相对现有技术，宏基站并不需要频繁地进行信道估计以获得参数，进而减小宏基站处理数据的压力，降低了对数据处理能力和处理资源要求，提高了其数据处理速度和可靠性。同时，通过经卡尔曼滤波模型输出的滤波估计值所获得的上行链路功率更为准确。另外，需要强调的是，应用本申请实施例的方案必不一定具有上述所有优点。

为了详细说明本申请实施例所提供的方法，以下举一个例子进行详细说明。

本申请实施例的应用场景可以为双层网络，上述双层网络包括一个宏小区，和家庭小区。所述宏小区个数为1，家庭小区个数为64。一个宏小区包括宏用户，所述个数为1，但不局限于个数为1。一个家庭小区包括基站和家庭用户，所述每个家庭小区个数为1，家庭用户个数为1，家庭用户的总数为64。

宏基站根据导频信息，利用信道估计的方法对宏用户到宏基站的阴影衰落以及每个家庭用户到宏基站的阴影衰落进行测量，每个用户分别获得N个样本：宏用户样本为X₀＝{x_1,m,x_2,m…x_N,m}，家庭用户样本为，X_s＝{x_1,f,x_2,f…x_N,f}，同时，ln X₀及ln X_s中的样本满足正态分布，X₀及X_s中的样本满足对数正态分布并使用最大似然估计方法估计阴影衰落的均值。并对上述宏用户的阴影衰落的样本集合X₀求其均值的最大似然估计，得到宏用户的阴影衰落均值的估计值，即其中接着对上述家庭用户的阴影衰落的样本集合X_s求其均值的最大似然估计，得到家庭用户的阴影衰落均值的估计值，即其中

宏基站计算上行链路功率分配参考。已知手机的最大发射功率为P_max,m，同时，已知宏基站的覆盖半径是，使用经验模型预测最大路径损耗，进而得

到最大路径损耗的倒数，即其中α_m是路径损耗指数。利用以上信息求得上行链路功率分配参考

t₀时刻，宏基站获取宏用户的距离位置信息使用经验模型预测路径损耗，即t₁时刻，对宏用户的发射功率进行第一次分配，即t₂时刻至t_m-1时刻，宏基站使用卡尔曼滤波方法测量宏基站对宏用户的滤波估计值，进而对宏用户的功率进行分配。

t₀时刻，宏基站获取家庭基站到宏基站的距离位置信息r_j，使用经验模型预测路径损耗，进而得到家庭基站到宏基站的路径损耗的倒数，即其中α₁是路径损耗指数。同时，宏基站获取此时活跃的家庭小区数量K。t₁时刻，根据宏基站计算得到宏用户所允许的干扰总量其中δ∈(0,1)，其为保护余量，为高斯白噪声，Γ₀是宏用户的目标信干比。同时，宏基站对家庭用户进行第一次功率分配t₂时刻至t_m-1时刻，宏基站使用卡尔曼滤波方法测量宏基站对家庭用户的滤波估计值，进而对家庭用户的功率进行分配。

t_m时刻重新计算上行链路功率分配参考。

相应于上述方法实施例，如图3所示，本申请实施例还提供一种无线网络上行链路功率控制装置，所述装置包括：

第一获得模块310，用于获得宏用户端与宏基站之间的宏阴影衰落均值，以及家庭户端与宏基站之间的宏阴影衰落均值，其中，所述宏阴影衰落均值由所述宏基站根据最大似然估计法，从N个宏阴影衰落样本值中确定，家庭阴影衰落均值由所述宏基站根据最大似然估计法，从N个家庭阴影衰落样本值中确定；

第一计算模块320，用于计算上行链路功率分配参考值；

第二计算模块330，用于根据所述上行链路功率分配参考值，分别计算所述宏用户端和家庭用户端的第一次功率分配值；

估计模块340，用于利用卡尔曼滤波模型分别获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值；

第二获得模块350，用于根据所述滤波估计值，分别获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。

较佳的，当首次使用卡尔曼滤波模型时，所述估计模块包括：

第一初值获得子模块，用于根据所述上行链路功率分配参考值，获得所述宏用户端的第一初值；

第一滤波子模块，用于将所述第一初值输入所述卡尔曼滤波模型，获得所述宏用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时，所述估计模块，具体用于：

将前一次计算出的所述宏用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述宏用户端的当前滤波估计值；

当首次使用卡尔曼滤波模型时，所述估计模块还包括：

获得子模块，用于根据所述上行链路功率分配参考值，获得所述宏用户所允许的干扰总量；

第二初值获得子模块，用于根据所述干扰总量，获得所述家庭用户端的第二初值；

第二滤波子模块，用于将所述第二初值输入所述卡尔曼滤波模型，获得所述家庭用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时，所述估计模块，具体用于：

将前一次计算出的所述家庭用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述家庭用户端的当前滤波估计值。

较佳的，计算所述宏用户端的第一次功率分配值的公式为：

其中，P₀为所述宏用户端的第一次功率分配值，P_max,m是所述宏用户端的最大发射功率，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，E′_0,0为所述宏阴影衰落样本值中的一个，L₀为所述上行链路功率分配参考值。

计算所述家庭用户的第一次功率分配值的公式为：

$P_j=min\{P_{max,f},\frac{P_{AGGI}}{K\·r_j^{-{\mathrm{\α}}_1}\·{\hat{E}}_{0,j}},j=0,1,...K\},$

其中，P_j为家庭用户的第一次功率分配值，K为所述活跃家庭小区数量，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，为所述家庭阴影衰落，P_max,f为所述家庭用户端的最大发射功率，P_AGGI为宏用户所允许的干扰总量。

较佳的，计算所述第一初值的公式为：其中，为所述第一初值，L₀为所述上行链路功率分配参考值；

计算所述第二初值的公式为：其中，P_f(t₁)为所述第二初值，K为活跃的家庭小区数量，P_f(t₁)为所述干扰总量。

较佳的，计算所述宏用户端的上行链路功率的公式为：

其中，P′₀为所述宏用户端的上行链路功率，P_max,m exp()为求指数函数，P_L为所述宏用户端的滤波估计值，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，N为所述宏阴影衰落样本值个数，x_i为第i个所述阴影衰落样本值。计算所述家庭用户端的上行链路功率的公式为：

其中，P′_j为所述家庭用户端的上行链路功率，exp()为求指数函数，P_f为所述家庭用户端的滤波估计值，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，N为所述家庭阴影衰落样本值个数，x_s,f为第s个所述家庭影衰落样本值。本申请实施例提供的一种无线网络上行链路功率控制装置，根据上行链路功率分配参考值，利用卡尔曼滤波模型获得上述第一初值、第二初值，并分别将其输入至卡尔曼滤波模型，获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值，进而获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。相对现有技术，宏基站并不需要频繁地进行信道估计以获得参数，进而减小宏基站处理数据的压力，降低了对数据处理能力和处理资源要求，提高了其数据处理速度和可靠性。同时，通过经卡尔曼滤波模型输出的滤波估计值所获得的上行链路功率更为准确。另外，需要强调的是，应用本申请实施例的方案必不一定具有上述所有优点。

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。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。

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

Claims (10)

1.一种无线网络上行链路功率控制方法，应用于宏基站，其特征在于，所述方法包括：

获得宏用户端与宏基站之间的宏阴影衰落均值，以及家庭户端与宏基站之间的宏阴影衰落均值；

计算上行链路功率分配参考值；

根据所述上行链路功率分配参考值，分别计算所述宏用户端和家庭用户端的第一次功率分配值；

利用卡尔曼滤波模型分别获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值；

根据所述滤波估计值，分别获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。

2.根据权利要求1所述的方法，其特征在于，所述利用卡尔曼滤波模型获得所述宏用户端的滤波估计值的步骤包括：

当首次使用卡尔曼滤波模型时：

根据所述上行链路功率分配参考值，获得所述宏用户端的第一初值；

将所述第一初值输入所述卡尔曼滤波模型，获得所述宏用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时：

将前一次计算出的所述宏用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述宏用户端的当前滤波估计值；

所述利用卡尔曼滤波模型获得所述家庭用户端的滤波估计值的步骤包括：

当首次使用卡尔曼滤波模型时：

根据所述上行链路功率分配参考值，获得所述宏用户端所允许的干扰总量；

根据所述干扰总量，获得所述家庭用户端的第二初值；

将所述第二初值输入所述卡尔曼滤波模型，获得所述家庭用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时：

将前一次计算出的所述家庭用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述家庭用户端的当前滤波估计值。

3.根据权利要求2所述的方法，其特征在于，

计算所述宏用户端的第一次功率分配值的公式为：

其中，P₀为所述宏用户端的第一次功率分配值，P_max,m是所述宏用户端的最大发射功率，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，为所述宏阴影衰落样本值中的一个，L₀为所述功率分配参考值；

计算所述家庭用户的第一次功率分配值的公式为：

其中，P_j为家庭用户的第一次功率分配值，K为所述活跃家庭小区数量，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，为所述家庭阴影衰落，P_max,f为所述家庭用户端的最大发射功率，P_AGGI为所述干扰总量。

4.根据权利要求2所述的方法，其特征在于，

计算所述第一初值的公式为：其中，P_L(t₁)为所述第一初值，L₀为所述上行链路功率分配参考值；

计算所述第二初值的公式为：其中，P_f(t₁)为所述第二初值，K为活跃的家庭小区数量，P_AGGI为所述干扰总量。

5.根据权利要求4所述的方法，其特征在于，

计算所述宏用户端的上行链路功率的公式为：

其中，P₀'为所述宏用户端的上行链路功率，P_max,m是所述宏用户端的最大发射功率，exp()为求指数函数，P_L为所述宏用户端的滤波估计值，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，N为所述宏阴影衰落样本值个数，x_i,m为第i个所述阴影衰落样本值；

计算所述家庭用户端的上行链路功率的公式为：其中，P_j'为所述家庭用户端的上行链路功率，P_max,f是所述家庭用户端的最大发射功率，exp()为求指数函数，P_f为所述家庭用户端的滤波估计值，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，N为所述家庭阴影衰落样本值个数，x_s为第s个所述家庭阴影衰落样本值。

6.一种无线网络上行链路功率控制装置，应用于宏基站，其特征在于，所述装置包括：

第一获得模块，用于获得宏用户端与宏基站之间的宏阴影衰落均值，以及家庭户端与宏基站之间的宏阴影衰落均值；

第一计算模块，用于计算上行链路功率分配参考值；

第二计算模块，用于根据所述上行链路功率分配参考值，分别计算所述宏用户端和家庭用户端的第一次功率分配值；

估计模块，用于利用卡尔曼滤波模型分别获得所述宏用户端的滤波估计值和所述家庭用户端的滤波估计值；

第二获得模块，用于根据所述滤波估计值，分别获得所述宏用户端的上行链路功率和所述家庭用户端的上行链路功率。

7.根据权利要求6所述的装置，其特征在于，

当首次使用卡尔曼滤波模型时，所述估计模块包括：

第一初值获得子模块，用于根据所述上行链路功率分配参考值，获得所述宏用户端的第一初值；

第一滤波子模块，用于将所述第一初值输入所述卡尔曼滤波模型，获得所述宏用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时，所述估计模块，具体用于：

将前一次计算出的所述宏用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述宏用户端的当前滤波估计值；

当首次使用卡尔曼滤波模型时，所述估计模块还包括：

获得子模块，用于根据所述上行链路功率分配参考值，获得所述宏用户所允许的干扰总量；

第二初值获得子模块，用于根据所述干扰总量，获得所述家庭用户端的第二初值；

第二滤波子模块，用于将所述第二初值输入所述卡尔曼滤波模型，获得所述家庭用户端的滤波估计值；

当非首次使用卡尔曼滤波模型时，所述估计模块，具体用于：

将前一次计算出的所述家庭用户端的滤波估计值输入所述卡尔曼滤波模型，获得所述家庭用户端的当前滤波估计值。

8.根据权利要求7所述的装置，其特征在于，

计算所述宏用户端的第一次功率分配值的公式为：

其中，P₀为所述宏用户端的第一次功率分配值，P_max,m是所述宏用户端的最大发射功率，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，为所述宏阴影衰落样本值中的一个，L₀为所述功率分配参考值；

计算所述家庭用户的第一次功率分配值的公式为：

其中，P_j为家庭用户的第一次功率分配值，K为所述活跃家庭小区数量，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，为所述家庭阴影衰落，P_max,f为所述家庭用户端的最大发射功率，P_AGGI为所述干扰总量。

9.根据权利要求7所述的装置，其特征在于，

计算所述第一初值的公式为：其中，为所述第一初值，L₀为所述上行链路功率分配参考值；

计算所述第二初值的公式为：其中，P_f(t₁)为所述第二初值，P_f(t₁)为活跃的家庭小区数量，P_AGGI为所述干扰总量。

10.根据权利要求9所述的装置，其特征在于，

计算所述宏用户端的上行链路功率的公式为：

其中，P₀'为所述宏用户端的上行链路功率，P_max,m是所述宏用户端的最大发射功率，exp()为求指数函数，P_L为所述宏用户端的滤波估计值，为所述宏用户端与所述宏基站之间的路径损耗值的倒数，N为所述宏阴影衰落样本值个数，x_i,m为第i个所述阴影衰落样本值；

计算所述家庭用户端的上行链路功率的公式为：

其中，P_j'为所述家庭用户端的上行链路功率，exp()为求指数函数，P_f为所述家庭用户端的滤波估计值，为所述家庭用户端与所述宏基站之间的路径损耗值的倒数，N为所述家庭阴影衰落样本值个数，x_s,f为第s个所述家庭影衰落样本值。