CN106788819B - 一种基于极化信息处理的认知异构蜂窝网络频谱共享方法 - Google Patents

一种基于极化信息处理的认知异构蜂窝网络频谱共享方法 Download PDF

Info

Publication number
CN106788819B
CN106788819B CN201611257469.9A CN201611257469A CN106788819B CN 106788819 B CN106788819 B CN 106788819B CN 201611257469 A CN201611257469 A CN 201611257469A CN 106788819 B CN106788819 B CN 106788819B
Authority
CN
China
Prior art keywords
small cell
base station
user
polarization state
cellular network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611257469.9A
Other languages
English (en)
Other versions
CN106788819A (zh
Inventor
郭彩丽
陈硕
曾志民
冯春燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Publication of CN106788819A publication Critical patent/CN106788819A/zh
Application granted granted Critical
Publication of CN106788819B publication Critical patent/CN106788819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3911—Fading models or fading generators

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于极化信息处理的认知异构蜂窝网络频谱共享方法，其利用极化信息处理实现认知异构蜂窝网络中宏蜂窝和小蜂窝间的频谱共享，应用于认知异构蜂窝网络。本发明优化小蜂窝用户接收极化状态，减小来自宏蜂窝基站的干扰；优化小蜂窝基站发送极化状态，减小对宏蜂窝用户的干扰，保证宏蜂窝用户的正常工作；利用认知异构蜂窝网络的极化信息，实现小蜂窝下行容量的最大化；采用虚拟变极化方法产生极化状态，相比于改变天线硬件配置产生极化状态的方法，具有实现复杂度低的优点。

Description

一种基于极化信息处理的认知异构蜂窝网络频谱共享方法
技术领域
本发明属于无线通信领域，涉及认知异构蜂窝网络系统，具体涉及一种认知无线电频谱共享方法。
背景技术
移动互联网业务的发展以及智能终端的普及驱动着无线移动通信网络容量需求的指数级增长。据高通公司预测，2010年至2020年，移动数据流量将实现1000倍增长，并导致未来无线移动通信网络容量需求的1000倍增长。如何能够大幅度提升蜂窝网络容量成为未来移动通信迫切需要解决的难题。作为革新的无线网络架构之一，由宏蜂窝和小蜂窝组成的异构蜂窝网络可以有效地提高网络容量、降低网络开销、减少能量消耗，成为了5G应对容量1000倍增长挑战的基础之一。
然而，宏蜂窝与小蜂窝间的同频复用引入复杂的跨层干扰问题，并导致网络容量的下降。认知无线电技术是对抗复杂干扰，提高异构蜂窝网络频谱效率的新的有效途径。频谱共享是认知无线电技术的核心。小蜂窝作为认知网络在避免对宏蜂窝即授权网络产生有害干扰的条件下，利用存在的频谱机会实现和授权网络的频谱共享。传统频谱共享方法按照信号客观存在的域特征可分类为时域、频域、空域、功率域、距离域和码域频谱共享等。异构蜂窝网络中传统频谱共享面临着可用频谱机会减少的问题。仅利用上述域频谱机会对于异构蜂窝网络的无线频谱需求还远远不够。
事实上，作为信号本质属性的极化信息也是可被利用的重要资源。具有正交双极化天线的基站和终端的普及以及虚拟变极化等极化信息处理方法的应用，使得信号的极化信息的识别及利用变得可能。现有的极化域频谱共享方法包括基于极化的交织式频谱共享(PISS，Polarization-based interweave spectrum sharing)[1]、基于极化的衬底式频谱共享(PUSS，Polarization-based underlay spectrum sharing)[2]和基于子载波分簇的极化域频谱共享算法[3]等。以上研究实现的是单点对单点、单点对多点的极化域频谱共享方法，不能满足认知异构蜂窝网络的频谱共享需求。
[1]L.Lin,C.Guo,C.Feng,“Degree of polarization detection:a dual-polarized antenna based spectrum sensing algorithm for cognitive radio,”Int.J.Commun.Syst.,2013.
[2]D.Li,C.Guo,Z.Zeng,and X.Lin,“A novel underlay TV spectrum sharingscheme based on polarization adaption for TD-LTE system,”in Proc.WirelessCommun.Netw.Conf,pp.2484-2489,2013.
[3]D.Li,Z.Zeng,C.Guo,and X.Lin,“Cluster-based polarized spectrumsharing in channels with polarization mode dispersion,”ETRI journal,vol.36,no.3,pp.502-505,2014.
发明内容
本发明的目的是为了解决上述问题，利用极化信息处理实现认知异构蜂窝网络中宏蜂窝和小蜂窝间的频谱共享，提供了一种基于极化信息处理的认知异构蜂窝网络频谱共享方法(PSS-CHCN，Polarization-based spectrum sharing scheme in cognitiveheterogeneous cellular network)，应用于认知异构蜂窝网络。本发明优化小蜂窝的发送和接收极化状态，实现了小蜂窝下行容量的最大化并满足宏蜂窝的干扰约束，提高了频谱共享性能。
为了达到上述技术效果，本发明实施例的一种基于极化信息处理的认知异构蜂窝网络频谱共享方法，包括：
小蜂窝基站通过双极化天线向小蜂窝用户发送目标信号，小蜂窝用户同时接收到宏蜂窝基站发送的干扰信号；
建立小蜂窝基站对宏蜂窝用户的干扰表达式，根据香农定理建立小蜂窝下行容量表达式；
构建基于极化信息处理的认知异构蜂窝网络频谱共享优化模型，以最大化小蜂窝下行容量为目标，以小蜂窝基站对宏蜂窝用户的干扰低于干扰门限为约束条件；
小蜂窝基站利用宏蜂窝基站到小蜂窝用户的干扰信道的信道状态信息(CSI，Channel state information)和宏蜂窝基站的发送极化状态，计算小蜂窝用户的最优接收极化状态；
小蜂窝用户通过虚拟变极化方法产生最优接收极化状态；
简化基于极化信息处理的认知异构蜂窝网络频谱共享优化模型，根据拉格朗日乘子法，求解小蜂窝基站的发送极化状态表达式；
小蜂窝基站利用小蜂窝基站到小蜂窝用户的目标信道和小蜂窝基站到宏蜂窝用户的干扰信道的CSI，以及小蜂窝用户接收极化状态和宏蜂窝用户接收极化状态，计算小蜂窝基站最优发送极化状态。
本发明的优点在于：
(1)优化小蜂窝用户接收极化状态，减小来自宏蜂窝基站的干扰；
(2)优化小蜂窝基站发送极化状态，减小对宏蜂窝用户的干扰，保证宏蜂窝用户的正常工作；
(3)利用认知异构蜂窝网络的极化信息，实现小蜂窝下行容量的最大化；
(4)采用虚拟变极化方法产生极化状态，相比于改变天线硬件配置产生极化状态的方法，具有实现复杂度低的优点。
附图说明
图1：本发明实施例的认知异构蜂窝网络模型示意图；
图2：本发明实施例提供的方法流程图；
图3：本发明与背景技术共享方法包括PISS和PUSS的系统频谱效率性能对比图(坐标图)。
具体实施方式
为了使本领域的技术人员更加清楚地理解和实施本发明，下面结合附图以具体实施例的方式，详细阐述本发明实施例的技术方案。
参考图1，示出了本发明的认知异构蜂窝网络模型，该网络包括：
宏蜂窝为授权网络，由宏蜂窝基站(MBS,Macro base station)和宏蜂窝用户(MUE，Macrocell user equipment)组成；
小蜂窝为认知网络，与宏蜂窝共享频谱；
小蜂窝由小蜂窝基站(SBS,Small cell base station)和小蜂窝用户(SUEs，Small cell user equipments)组成，小蜂窝用户记作{SUEi},i＝1,2,...,M；
SBS的发送天线M001，是正交双极化天线，用于发送小蜂窝下行信号；
SUEi的接收天线{M002i},i＝1,2,...,M，是正交双极化天线，用于接收小蜂窝下行信号。
参考图2，示出了本发明的一种基于极化信息处理的认知异构蜂窝网络频谱共享方法，其流程包括：
S01，构建基于极化信息处理的认知异构蜂窝网络频谱共享优化模型，具体包括以下步骤：
S100，建立小蜂窝基站对宏蜂窝用户的干扰表达式：假设小蜂窝中共有M个小蜂窝用户，小蜂窝基站发送极化状态为{Pi,SBS},i＝1,2,…M，小蜂窝基站到宏蜂窝用户的干扰信道为Hi,SBS→MUE，宏蜂窝用户接收极化状态为PMUE，小蜂窝基站对宏蜂窝用户的干扰表示为
Figure BDA0001199171770000041
为了保证宏蜂窝用户的正常工作，小蜂窝基站对宏蜂窝用户的干扰需不大于干扰门限Q，即
Figure BDA0001199171770000042
S110建立小蜂窝下行容量表达式：对于小蜂窝用户，其带宽相同且等于B，噪声方差为σi 2，接收极化状态为{Pi,SUE}，小蜂窝基站到小蜂窝用户的目标信道为{HSBS→i,SUE}，宏蜂窝基站到小蜂窝用户的干扰信道为{HMBS→i,SUE}，根据香农定理，小蜂窝下行容量表征为
Figure BDA0001199171770000043
其中，Ci表示小蜂窝基站到SUEi的下行容量。
S120建立优化模型：以最大化小蜂窝下行容量为目标，以小蜂窝基站对宏蜂窝用户的干扰低于干扰门限为约束条件，构建基于极化信息处理的认知异构蜂窝网络频谱共享优化模型为
Figure BDA0001199171770000051
Figure BDA0001199171770000052
S02计算小蜂窝用户的最优接收极化状态：小蜂窝基站利用宏蜂窝基站到小蜂窝用户的干扰信道的信道状态信息(CSI，Channel state information)和宏蜂窝基站的发送极化状态，得小蜂窝用户的最优接收极化状态为
Figure BDA0001199171770000053
其中(γi,φi)是HMBS→i,SUEPMUE的幅度和相位描述子；
S03简化基于极化信息处理的认知异构蜂窝网络频谱共享优化模型：令
Figure BDA0001199171770000054
假设
Figure BDA0001199171770000055
成立，忽略常数项
Figure BDA0001199171770000056
将小蜂窝用户的最优接收极化状态代入优化模型中，则基于极化信息处理的认知异构蜂窝网络频谱共享优化模型简化为
Figure BDA0001199171770000057
S04计算小蜂窝基站的最优发送极化状态：小蜂窝基站利用小蜂窝基站到小蜂窝用户的目标信道和小蜂窝基站到宏蜂窝用户的干扰信道的CSI，以及小蜂窝用户接收极化状态和宏蜂窝用户接收极化状态，计算小蜂窝基站最优发送极化状态，具体求解过程如下：
根据拉格朗日乘子法，构造拉格朗日函数和拉格朗日对偶函数，
Figure BDA0001199171770000058
Figure BDA0001199171770000059
其中：λ为拉格朗日乘子，拉格朗日乘子和小蜂窝基站最优发送极化状态的闭合表达式分别为
Figure BDA0001199171770000061
vmin(·)表示矩阵最小特征值对应的特征矢量；
为了进一步阐述本发明实施例的一种基于极化信息处理的认知异构蜂窝网络频谱共享方法，采用双极化瑞利衰落信道为例，执行本发明实施例的方法，并进行分析如下：
本发明所提技术方案是一种基于极化信息处理的认知异构蜂窝网络频谱共享方法，对各种通信环境均适用，但为方便分析共享性能，此处以双极化瑞利衰落信道环境为例。
双极化瑞利衰落信道建模为
H＝ghp
其中，标量g服从复高斯衰落，用于表征瑞利衰落，矢量hp表征信道去极化效应，并表征为
Figure BDA0001199171770000062
其中：(·)'表示共轭，χ为信道交叉极化鉴别度的逆，pp和qp为交叉信道相关系数，βk,k＝1,2,3,4为服从[0,2π)的均匀分布。
假设长度为Tf的数据帧包含两部分：Tp用于极化状态计算，Td用于数据传输，频谱被宏蜂窝占用和未被占用的概率分别为
Figure BDA0001199171770000065
和
Figure BDA0001199171770000066
。在频谱被宏蜂窝占用的假设下，宏蜂窝和小蜂窝下行容量分别为
Figure BDA0001199171770000063
Figure BDA0001199171770000064
在频谱未被宏蜂窝占用的假设下，小蜂窝下行容量为
Figure BDA0001199171770000071
其中SNRi表示第i个小蜂窝用户的信噪比。采用一种基于极化信息处理的认知异构蜂窝网络频谱共享方法时，认知异构蜂窝网络的频谱效率为
Figure BDA0001199171770000072
参考图3，图示了本发明的频谱共享方法的使用效果示意图。PSS-CHCN表示本发明的频谱共享方法，PUSS表示对每条小蜂窝通信链路分别采用基于极化的衬底式频谱共享方法，PISS表示采用基于极化的交织式频谱共享方法。随
Figure BDA0001199171770000073
的增加，采用PSS-CHCN的系统频谱效率始终高于PISS。当
Figure BDA0001199171770000074
较小时，虽然PUSS的性能略高于PSS-CHCN，但采用PUSS时小蜂窝对宏蜂窝的干扰远大于PSS-CHCN。当
Figure BDA0001199171770000075
增大时，PSS-CHCN相比于PUSS的性能增益越来越大。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件设施的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
综上所述，通过实施本发明实施例的一种基于极化信息处理的认知异构蜂窝网络频谱共享方法，采用极化信息处理理论，在极化维度上实现了小蜂窝和宏蜂窝的频谱共享，增加了传统频谱共享的极化自由度，在保证宏蜂窝用户正常工作的前提下提高了认知异构蜂窝网络的频谱效率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (1)

1.一种基于极化信息处理的认知异构蜂窝网络频谱共享方法，其特征在于，所述的认知异构蜂窝网络模型中，宏蜂窝为授权网络，由宏蜂窝基站和宏蜂窝用户组成；小蜂窝为认知网络，与宏蜂窝共享频谱；小蜂窝由小蜂窝基站和小蜂窝用户组成，小蜂窝用户记作{SUEi},i＝1,2,...,M；小蜂窝基站的发送天线是正交双极化天线，用于发送小蜂窝下行信号；SUEi的接收天线{M002i},i＝1,2,...,M，是正交双极化天线，用于接收小蜂窝下行信号；
认知异构蜂窝网络频谱共享方法具体包括以下几个步骤：
S01，构建基于极化信息处理的认知异构蜂窝网络频谱共享优化模型，具体包括以下步骤：
S100，建立小蜂窝基站对宏蜂窝用户的干扰表达式：假设小蜂窝中共有M个小蜂窝用户，小蜂窝基站发送极化状态为{Pi,SBS},i＝1,2,…M，小蜂窝基站到宏蜂窝用户的干扰信道为Hi,SBS→MUE，宏蜂窝用户接收极化状态为PMUE，小蜂窝基站对宏蜂窝用户的干扰表示为
Figure FDA0002400326490000011
小蜂窝基站对宏蜂窝用户的干扰不大于干扰门限Q，即
Figure FDA0002400326490000012
S110建立小蜂窝下行容量表达式：对于小蜂窝用户，其带宽相同且等于B，噪声方差为σi 2，接收极化状态为{Pi,SUE}，小蜂窝基站到小蜂窝用户的目标信道为{HSBS→i,SUE}，宏蜂窝基站到小蜂窝用户的干扰信道为{HMBS→i,SUE}，根据香农定理，小蜂窝下行容量表征为
Figure FDA0002400326490000013
其中，Ci表示小蜂窝基站到SUEi的下行容量；
S120建立优化模型：以最大化小蜂窝下行容量为目标，以小蜂窝基站对宏蜂窝用户的干扰低于干扰门限为约束条件，构建基于极化信息处理的认知异构蜂窝网络频谱共享优化模型为
Figure FDA0002400326490000021
Figure FDA0002400326490000022
S02计算小蜂窝用户的最优接收极化状态：小蜂窝基站利用宏蜂窝基站到小蜂窝用户的干扰信道的信道状态信息和宏蜂窝基站的发送极化状态，得小蜂窝用户的最优接收极化状态为
Figure FDA0002400326490000023
其中(γi,φi)是HMBS→i,SUEPMUE的幅度和相位描述子；
S03简化基于极化信息处理的认知异构蜂窝网络频谱共享优化模型：令
Figure FDA0002400326490000024
假设
Figure FDA0002400326490000025
成立，忽略常数项
Figure FDA0002400326490000026
将小蜂窝用户的最优接收极化状态代入优化模型中，则基于极化信息处理的认知异构蜂窝网络频谱共享优化模型简化为
Figure FDA0002400326490000027
S04计算小蜂窝基站的最优发送极化状态：小蜂窝基站利用小蜂窝基站到小蜂窝用户的目标信道和小蜂窝基站到宏蜂窝用户的干扰信道的信道状态信息，以及小蜂窝用户接收极化状态和宏蜂窝用户接收极化状态，计算小蜂窝基站最优发送极化状态，具体求解过程如下：
根据拉格朗日乘子法，构造拉格朗日函数和拉格朗日对偶函数，
Figure FDA0002400326490000028
Figure FDA0002400326490000029
其中：λ为拉格朗日乘子，拉格朗日乘子和小蜂窝基站最优发送极化状态的闭合表达式分别为
Figure FDA0002400326490000031
vmin(·)表示矩阵最小特征值对应的特征矢量。
CN201611257469.9A 2016-12-01 2016-12-30 一种基于极化信息处理的认知异构蜂窝网络频谱共享方法 Active CN106788819B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2016110935724 2016-12-01
CN201611093572 2016-12-01

Publications (2)

Publication Number Publication Date
CN106788819A CN106788819A (zh) 2017-05-31
CN106788819B true CN106788819B (zh) 2020-06-12

Family

ID=58954273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611257469.9A Active CN106788819B (zh) 2016-12-01 2016-12-30 一种基于极化信息处理的认知异构蜂窝网络频谱共享方法

Country Status (1)

Country Link
CN (1) CN106788819B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108183740B (zh) * 2017-12-26 2020-09-11 北京邮电大学 基于极化信息处理的认知异构蜂窝网络跨层干扰对齐方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103442409A (zh) * 2013-08-20 2013-12-11 浙江大学 宏蜂窝与小蜂窝异构网络下的用户接入方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103442409A (zh) * 2013-08-20 2013-12-11 浙江大学 宏蜂窝与小蜂窝异构网络下的用户接入方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Fully DIstributed Channel-Hopping Algorithms for rendezvous setup in cognitive Mulitieadio Networks;Bo Yang;《IEEE》;20161030;第65卷(第10期);1-16 *

Also Published As

Publication number Publication date
CN106788819A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
Liu et al. NOMA-based resource allocation for cluster-based cognitive industrial internet of things
Yang et al. Optimal resource allocation in full-duplex ambient backscatter communication networks for wireless-powered IoT
Nguyen et al. Power allocation schemes for wireless powered NOMA systems with imperfect CSI: An application in multiple antenna–based relay
Peng et al. Inter-tier interference suppression in heterogeneous cloud radio access networks
CN112104494A (zh) 基于空地协同边缘计算网络的任务安全卸载策略确定方法
US9357505B2 (en) Processing digital signal
Kassir et al. Power domain non orthogonal multiple access: A review
Liang et al. An efficiency-improved clustering algorithm based on KNN under ultra-dense network
Xu et al. Secrecy energy efficiency optimization for multi-user distributed massive MIMO systems
Xia et al. Joint optimization of fronthaul compression and bandwidth allocation in uplink H-CRAN with large system analysis
Kang et al. Scheduling versus contention for massive random access in massive MIMO systems
Li et al. System‐level performance simulation analysis of non‐orthogonal multiple access technology in 5G mobile communication network
CN108183740B (zh) 基于极化信息处理的认知异构蜂窝网络跨层干扰对齐方法
Breesam et al. Efficient resource allocation for wireless-powered MIMO-NOMA communications
Harish Kumar et al. An energy efficiency perceptive on MIMO‐OFDM systems using hybrid fruit fly‐based salp swarm optimization technique
CN106788819B (zh) 一种基于极化信息处理的认知异构蜂窝网络频谱共享方法
Zerihun et al. Massive MIMO for 5G cellular networks: potential benefits and challenges
Pan et al. Optimal Power Allocation With Multiple Joint Associations in Multi-User MIMO Full-Duplex Systems
Nguyen et al. Outage analysis of cognitive inspired NOMA networks in the presence of imperfect SIC, CCI, and non-ID fading channels
Valadão et al. Trends and Challenges for the Spectrum Efficiency in NOMA and MIMO based Cognitive Radio in 5G Networks
Xu et al. Secure computation offloading for multi-user multi-server MEC-enabled IoT
CN106656375A (zh) 一种基于极化域和功率域协同的认知异构蜂窝网络频谱共享方法
Zhao et al. Hybrid information and energy transfer in ultra-dense HetNets
CN111698770A (zh) 一种分布式天线系统中基于无线携能通信的能效资源分配方法
Nagarajan et al. Intelligent reflecting surface empowered WPCN system over generalized fading channels: Performance Analysis and Optimization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant