CN106714292A - 认知网络中基于干扰功率和服务质量受限的最优功率控制方法 - Google Patents

Abstract

本发明请求保护一种认知网络中基于干扰功率和服务质量受限的最优功率控制方法，包括步骤：首先输入信道增益g_i和h_i，最小SINR约束门限γ_min，干扰功率约束门限T，以及噪声σ²的值；然后初始化，次用户按有效信道增益h_i/g_i(i＝1,...,n)降序排列：h₁/g₁＞...＞h_n/g_n，令p_i＝0(i＝1,...,n)，k＝n；接着进行条件判断，当k≥1时，如果不满足可行性条件，此时需引入控制k＝k‑1，减少次用户数量。如果可行性条件满足，当k≥1时，对于所有的次用户j∈(1,..k,)有最后输出第i个次用户的发射功率p_i(1≤i≤n)，算法结束。所提算法和传统功率控制算法相比，有效地降低了算法的复杂度，所得结果可以使次用户在干扰功率和服务质量受限的情况下高效的利用频谱资源，具有较强的实用性和可行性。

Description

认知网络中基于干扰功率和服务质量受限的最优功率控制 方法

技术领域

本发明涉及频谱资源管理技术领域。具体涉及一种在干扰功率和服务质量受限的情况下，最大化次用户和速率的最优功率控制方法。

背景技术

功率控制是认知无线电系统实现频谱资源共享的关键技术，为了保证次用户接入主用户授权频段时的干扰不影响主用户的正常通信，需要对认知网络中次用户的功率进行适当的控制，而认知网络中次用户之间的频谱利用率和对主用户的保护都依赖于功率控制方法的性能。

合理的功率控制不仅能提升系统吞吐量、提高用户端接收信号干扰和噪声比(Signal to Interference Plus Noise Ratio，SINR)，而且能降低用户的发射功率。SINR是表征认知用户服务质量(Quality of Service，QoS)的一个重要指标，即接收端信号干扰和噪声比越高，用户的QoS就越好，而认知用户信号干扰和噪声比的提升一般是以增加发射功率为代价，发射功率的大幅度提高又会影响其他用户的正常通信，因此功率控制是认知网络中一项关键技术。

目前大多学者在研究认知网络的功率控制时，很少同时考虑干扰功率和服务质量的限制。例如：文献[M.Monemi，M.Rasti and E.Hossain，“On Joint Power and AdmissionControl in Underlay Cellular Cognitive Radio Networks，”IEEE Transactions onWireless Communications，vol.14，no.1，pp.265-278，Jan.2015.]提出联合功率和引入控制的集中式次优算法以最小化次用户的中断概率但是没有考虑对主用户的干扰以及次用户的服务质量约束；文献[C.W.Tan，S.Friedland and S.H.Low，“Spectrum Management inMultiuser Cognitive Wireless Networks：Optimality and Algorithm，”IEEE Journalon Selected Areas in Communications，vol.29，no.2，pp.421-430，Feb.2011.]提出最优功率控制算法以最大化次用户的和速率，但是没有考虑QoS约束；文献[Z.Wang，L.Jiangand C.He，“Optimal Price-Based Power Control Algorithm with Quality of ServiceConstraints in Cognitive Radio Networks，”Chinese Journal of Electronics，vol.24，no.2，pp.393-397，04 2015.]提出基于代价的最优功率控制算法以最大化主用户收益，同样没有考虑QoS。而在实际的认知网络中，干扰功率和服务质量是两个重要的指标，将直接影响整个认知网络的性能。因此，有必要深入研究认知网络中基于干扰功率和服务质量受限的最优功率控制方法。同时由于认知网络中的和速率最大化问题所对应的优化问题是非凸优化问题，一般功率控制算法都只能给出次优解，难于直接给出最优解。为了给出基于干扰功率和服务质量受限的认知网路和速率最大化问题的最优功率控制算法，我们采用变量替换的方法将原问题转化为一个等价的对称单调优化问题，给出了新优化问题的最优解；并利用功率和新单调优化问题的所对应的优化变量的对应关系，从而给出了原和速率最大化问题的最优功率控制算法。

发明内容

本发明旨在解决以上现有技术的功率控制方法没有考虑对主用户的干扰功率和对次用户服务质量的约束而导致次用户对主用户的干扰较大和系统吞吐量不高的问题，提出一种具有计算复杂度低，可满足实际通信场景中干扰功率和服务质量的限制和提高系统吞吐量等优点的认知网络中基于干扰功率和服务质量受限的最优功率控制方法。本发明的技术方案如下：

一种认知网络中基于干扰功率和服务质量受限的最优功率控制方法，其包括以下步骤：

步骤1：获取信道增益g_i、h_i、最小SINR约束γ_min、主用户干扰功率约束T以及噪声σ²的值，其中g_i表示次用户i到主用户的信道增益，h_i表示表示次用户i到次用户基站的信道增益；

步骤2：初始化，次用户按有效信道增益h_i/g_i降序排列，i＝1，…，n，即：h₁/g₁＞…＞h_n/g_n，令p_i＝0(i＝1，…，n)，k＝n；

步骤3：可行性条件判断，当k≥1时，如果则不满足最大化次用户和速率的优化问题、约束条件的可行性条件，此时引入控制k＝k-1，删除有效信道增益值最小的次用户，减少次用户数量；如果则满足最大化次用户和速率的优化问题、约束条件的可行性条件，表示k个次用户均满足干扰功率和服务质量约束条件，此时不需要引入控制，当k≥2时，当k＝1时，因此当k≥1时，对于所有的j∈(1，…，k)有：

步骤4：输出第i个次用户的发射功率p_i，1≤i≤n。

进一步的，所述步骤3可行性判断步骤中，考虑干扰功率和服务质量约束条件下，最大化次用户和速率的优化问题如式(4)所示：

p_i≥0，i＝1，…，n， (3)

其中，约束条件(4)表示对主用户的总干扰功率不能超过干扰门限T，约束条件(5)表示次用户的发射功率非负，约束条件(6)表示次用户的最小SINR以保证次用户的服务质量。

进一步的，令变量可将问题(3)-(6)做等价变形，问题(3)-(6)可以改写成如下优化问题：

假设次用户按信道增益降序排列，即我们将定义为次用户i的有效信道增益。

本发明的优点及有益效果如下：

本发明基于等价变量替换，给出了在干扰功率和服务质量的限制条件下，最大化认知网络和速率的功率控制算法，算法复杂度低，仅为线性依赖于系统的次用户数目，且各用户的功率分配具有闭式表达式。所提算法在满足干扰功率和服务质量的限制条件下，相对于传统的等干扰功率算法，等功率分配算法提高了认知网络的和速率。

附图说明

图1是本发明提供优选实施例认知网络频谱共享模型示意图；

图2是对比三种算法的性能与干扰噪声比(INR)的关系；

图3是被允许接入的次用户数量和INR之间的关系；

图4是次用户和速率和次用户数量之间的关系；

图5是被允许接入的次用户和次用户数量之间的关系；

图6是本发明优选实施例认知网络中基于干扰功率和服务质量受限的最优功率控制方法流程图。

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明考虑认知网络中次用户和主用户共存的上行传输，应用场景如图1所示。主用户可以随时传输数据，而次用户在主用户收到的干扰小于干扰门限T时才可以传输数据。

第i个次用户的SINR为：

其中，γ_i表示第i个次用户的SINR，p＝(p₁，…，p_n)表示所有次用户的发射功率，h_i表示第i个次用户和基站间的信道增益，p_i为第i个次用户的发射功率，σ²表示在基站端主用户和噪声对次用户的干扰。因此，第i个次用户的速率为：

考虑干扰功率和服务质量约束条件下，最大化次用户和速率的优化问题如下：

p_i≥0，i＝1，…，n， (12)

其中，约束条件(4)表示对主用户的总干扰功率不能超过干扰门限T，约束条件(5)表示次用户的发射功率非负，约束条件(6)表示次用户的最小SINR以保证次用户的服务质量。问题(3)-(6)属于非凸优化问题，难以直接得到最优解，可以通过变量替换将其转化为等价的优化问题，然后基于此证明最多只有一个拥有最高有效信道增益的次用户的SINR优于SINR约束，而其他次用户的SINR等于系统设定的最小SINR，最后给出次用户最优功率控制算法的闭式表达式。

令变量则主用户的收益和次用户的发射功率可由引理1表示为以下形式：

引理1：令变量则次用户的和速率满足(7)式：

第i个次用户的发射功率和SINR分别满足(8)式和(9)式：

使用引理1可将问题(3)-(6)做等价变形，问题(3)-(6)可以改写成如下优化问题：

不失一般性，假设次用户按信道增益降序排列，即我们将定义为次用户i的有效信道增益。下面证明，仅拥有最大有效信道增益的次用户的S1NR大于系统设定的最小SINR。首先，约束条件(11)满足引理2：

引理2：假设在给定主用户干扰门限T的情况下，是(10)-(12)的最优解，则下式成立。

使用引理2，问题(10)-(12)可以改写成如下优化问题：

定理1：假设是(10)-(12)的最优解，则：

由定理1和可知，仅拥有最大有效信道增益的次用户的SINR大于系统设定的最小SINR，且其他次用户的SINR等于最小SINR。使用定理1和引理1可得问题(3)-(6)的最优解：

定理2：假设是问题(3)-(6)的最优解，则其中由定理1得到。

根据定理2，我们假设问题(3)-(6)有一个可行解，因为问题(3)-(6)等价于问题(10)-(12)，而且考虑了(11)和(12)的可行性条件，则可由如下推论得到问题(3)-(6)的可行性条件：

推论1：如果问题(3)-(6)可行，当且仅当：

成立。如果不等式(14)不成立，则需要引入控制，删除有效信道增益值最小的次用户，以使问题(3)-(6)在满足限制条件的情况下取得最优解。根据定理2和推论1可得引入控制的最优功率控制方法：

本发明是通过以下技术方案实现的，如图6所示具体包括以下步骤：

最优功率控制算法(Optimal Power Control Algorithm，OPCA)：

步骤1：输入信道增益g_i和h_i，最小SINR约束γ_min，主用户干扰功率约束T，以及噪声σ²的值；

步骤2：初始化。次用户按有效信道增益h_i/g_i(i＝1，…，n)降序排列，即：h₁/g₁＞…＞h_n/g_n，令p_i＝0(i＝1，…，n)，k＝n；

步骤3：可行性条件判断。当k≥1时，如果则不满足问题(3)-(6)的可行性条件，此时需引入控制k＝k-1，减少次用户数量；如果则问题(3)-(6)的可行性条件满足，此时不需要引入控制，当k≥2时，当k＝1时，因此当k≥1时，对于所有的j∈(1，…，k)有：

步骤4：输出第i个次用户的发射功率p_i(1≤i≤n)。

本实施例是基于干扰功率和服务质量受限的最优功率控制方案，通过将所提的最优功率控制算法(OPCA)与同等功率控制算法(Equal Power Control Algorithm，EPCA)和同等干扰功率控制算法(Equal Interference Power Control Algorithm，EIPCA)对比来评估其性能。系统噪声σ²＝1.547×10^-14，次用户的数量为10，γ_min＝-23dB，次用户随机分布在以基站为中心的区域中，区域半径为1000m，主用户到基站的距离为2000m，路径损耗模型为28.6+35log10(d)dB，对数阴影衰落的标准偏差为8.9dB。

图2描述三种算法的和速率与干扰噪声比(INR)的关系；图3描述被允许接入的次用户数量和INR之间的关系；图4描述次用户和速率和次用户数量之间的关系；图5描述被允许接入的次用户数量和次用户数量之间的关系。由图2可知，三种算法的和速率随着INR的增加而增加，因为随着INR的增加次用户可发送更多的功率。进一步观察发现，当INR等于30dB时，OPCA的和速率与EPCA和EIPCA相比提高了75％。由图3可知，OPCA算法允许接入的次用户的数量大于EPCA和EIPCA，且三种算法被允许接入的次用户数量随着INR的增加而增加。当INR大于20dB时，基于OPCA算法的所有次用户都被允许接入(10个)，但是EPCA和EIPCA算法允许接入的次用户数小于8个，因为OPCA算法考虑了QoS约束，而EPCA和EIPCA没有考虑。由图2和图3我们知道，当INR小于10dB时，EPCA和EIPCA的和速率大于OPCA，但是被允许接入的次用户数量小于OPCA。由图4可知，当次用户的数为1到3这个区间时，基于OPCA算法的次用户的和速率随着次用户数量的增加而增加；当次用户数大于3时，次用户的和速率随着次用户数量的增加而减少，因为多用户信道的多样性导致信道增益小于QoS约束。基于EPCA和EIPCA算法的次用户的和速率随着次用户数的增加而减少，因为没有考虑QoS约束。由图5可知，在不同的次用户数量下，基于OPCA算法的所有次用户都被允许接入，且随着次用户数量的增加，OPCA算法允许接入的次用户数量多于EPCA和EIPCA算法。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (3)

1.一种认知网络中基于干扰功率和服务质量受限的最优功率控制方法，其特征在于，包括以下步骤：

步骤1：获取信道增益g_i、h_i、最小SINR门限γ_min、主用户干扰功率约束T以及噪声σ²的值，其中g_i表示次用户i到主用户的信道增益，h_i表示次用户i到次用户基站的信道增益，γ_min表示次用户的最小服务质量需求；

步骤2：初始化，次用户按有效信道增益h_i/g_i降序排列，i＝1，...，n，即：h₁/g₁＞...＞h_n/g_n，令p_i＝0(i＝1，...，n)，k＝n；

步骤3：可行性条件判断，当k≥1时，如果则不满足最大化次用户和速率的优化问题、约束条件的可行性条件，此时引入控制k＝k-1，删除有效信道增益值最小的次用户，减少次用户数量；如果则表示k个次用户均满足干扰功率和服务质量约束条件，最大化次用户和速率的优化问题、约束条件的可行性条件，此时不需要引入控制，当k≥2时，当k＝1时，因此当k≥1时，对于所有的j∈(1，...，k)有：

$p_i=\frac{{\mathrm{\σ}}^2{a}_i}{\left(1-\underset{i=1}{\overset{k}{\Σ}}{a}_i\right)h_i},\∀i\{1,\mathrm{...},k\};$

步骤4：输出第i个次用户的发射功率p_i，1≤i≤n。

2.根据权利要求1所述的认知网络中基于干扰功率和服务质量受限的最优功率控制方法，其特征在于，所述步骤3可行性判断步骤中，考虑干扰功率和服务质量约束条件下，最大化次用户和速率的优化问题如式(4)所示：

$\max imize\underset{i=1}{\overset{n}{\Σ}}\log \left(1+\frac{h_i{p}_i}{\underset{j\≠i}{\Σ}{h}_j{p}_j+{\mathrm{\σ}}^2}\right)---\left(1\right)$

$subjectto\underset{j=1}{\overset{n}{\Σ}}{g}_j{p}_j\≤T,---\left(2\right)$

p_i≥0，i＝1，...，n， (3)

$\frac{h_i{p}_i}{\underset{j\≠i}{\Σ}{h}_j{p}_j+{\mathrm{\σ}}^2}\≥{\mathrm{\γ}}_{\min },i=1,\mathrm{...},n,---\left(4\right)$

其中，约束条件(4)表示对主用户的总干扰功率不能超过干扰门限T，约束条件(5)表示次用户的发射功率非负，约束条件(6)表示次用户的最小SINR以保证次用户的服务质量。

3.根据权利要求2所述的认知网络中基于干扰功率和服务质量受限的最优功率控制方法，其特征在于，令变量可将问题(3)-(6)做等价变形，问题(3)-(6)可以改写成如下优化问题：

$\max \underset{i=1}{\overset{n}{\Σ}}\log \left(\frac{1}{1-a_i}\right)---\left(5\right)$

$s.t.\underset{i=1}{\overset{n}{\Σ}}\left(\frac{g_i{\mathrm{\σ}}^2}{h_i}+T\right)a_i\≤T,---\left(6\right)$

$a_i\≥\frac{{\mathrm{\γ}}_{\min }}{1+{\mathrm{\γ}}_{\min }},i=1,\mathrm{...},n.---\left(7\right)$

假设次用户按信道增益降序排列，即我们将定义为次用户i的有效信道增益。