CN106941715B - 信道不确定性条件下大规模用户共享信道的功率分配方法 - Google Patents

Abstract

本发明提出一种信道不确定性条件下大规模用户共享信道的功率分配方法：计算各个次用户之间的链路损耗；计算各个次用户之间的相互干扰以及所有次用户的吞吐量之和；计算符合次用户峰值功率约束和次用户之间的干扰约束的每个次用户链路中的最优发射功率；将所述最优发射功率代入主用户约束条件进行验证，若主用户的干扰约束条件成立，则所述最优发射功率就是最合理的发射功率；若主用户的干扰约束条件不成立，否则，需要将所述最优发射功率下降一个台阶，然后重新代入主用户约束条件进行验证，直至找到最合理的发射功率。本发明可在信道不确定性条件寻求使次用户总吞吐量最大化的功率分配方式。

Description

信道不确定性条件下大规模用户共享信道的功率分配方法

技术领域

本发明涉及无线通信技术的认知无线电领域，具体讲是一种信道不确定性条件下大规模用户共享信道的功率分配方法。

背景技术

随着人与人之间的自由通信需求日益增长，无线个人通信被越来越广泛地运用于交换个人信息，使得不断增加的高速无线数据需求与无线频谱资源的日益紧缺产生了尖锐矛盾，这一基本矛盾促使无线通信技术得到迅猛发展。认知无线电作为解决这一矛盾的关键技术，具有广阔的前景。认知无线电就是通过允许未授权用户以机会主义方式利用授权用户的频谱资源，同时不影响授权用户的正常通信，使许可频段得到充分利用。而运用认知无线电技术，合理分配用户功率是主要难题，也是无线资源分配技术的研究核心。

当前，无线传输网络包括无线电认知网络正逐渐变得越来越庞大而且愈加复杂，用户数量也呈指数迅速增长，传播信道的时变和无线信道的随机性质，这一切都使得通信过程中已经很难回避一些不确定性因素。比如量化误差，信道估计误差，传输误差，同步差错，设备执行出错等。一些基于完美发射机状态信息的传统功率分配方案过于理想化，已经很难满足实际通信要求。很多现有的技术如基于二分法实现的注水算法，即使能够实现信道不确定下的吞吐量最大化，也没有考虑次用户之间的共存，不能完全保证大规模用户的需求和主用户的用户质量。因此，在我们研究的这个方案中考虑了信道的不确定因素和大规模用户，更切合实际。

在认知无线电网络中，存在主用户和次用户。主用户占用频谱资源进行通信，次用户就以一定的机会接入频谱通信，但不能影响主用户正常工作。而主用户对外来的干扰有一定的承受范围，即存在干扰阈值，只要在这个干扰阈值下，主用户就能正常通信同时还能满足次用户工作。用户通信一般需要接收机来接收信号，发射机来发送信号。

然而，这种信道不确定性条件下大规模用户共享信道的功率分配方法在实际运用上，存在着一些挑战：(1)认知无线电网络中，主用户会受到次用户发射信号的干扰，而主用户接收机与次用户的发射机之间的信道状态信息未知；(2)大规模的次用户接入主用户频谱资源通信时，互相之间也会有干扰，这种干扰不可避免；(3)要保证主用户的服务质量，必须保证主用户所受的干扰在一定的阈值范围内。

发明内容

本发明解决的问题是：认知无线电网络中，在主用户接收机与次用户的发射机之间的信道状态信息未知、大规模的次用户之间的干扰不可避免且要保证主用户的服务质量的条件下，寻求使次用户总吞吐量最大化的功率分配方式

为了解决上述技术问题，本发明提供一种信道不确定性条件下大规模用户共享信道的功率分配方法，包括以下步骤：

步骤1、获取各个用户位置信息，计算各个次用户之间的链路损耗；

步骤2、对各个次用户发射功率值进行初始化，计算各个次用户之间的相互干扰以及所有次用户的吞吐量之和；计算所有次用户的吞吐量之和时，具有以下三个约束条件：次用户的峰值功率约束、次用户相互干扰约束、主用户所受干扰约束；

步骤3、计算符合次用户峰值功率约束和次用户之间的干扰约束的每个次用户链路中的最优发射功率；

步骤4、将步骤3获得的最优发射功率代入主用户约束条件进行验证，若主用户的干扰约束条件成立，则步骤3获得的最优发射功率就是最合理的发射功率；若主用户的干扰约束条件不成立，否则，需要将所述最优发射功率下降一个台阶，然后重新代入主用户约束条件进行验证，直至找到最合理的发射功率。

进一步，各个次用户之间的链路损耗包括大规模的路径损耗增益和小规模的衰减增益。

进一步，求取步骤3所述最优发射功率的目标函数及约束条件如式(1)所示：

其中，f₀(p)＝-T_sum，T_sum为认知网络中所有次用户的吞吐量之和，C1和C2所示条件分别为次用户峰值功率约束和次用户之间的干扰约束，

表示对于任意的一个用户i，p_i为第i个次用户的发射功率，p_max为次用户的最大发射功率，g_j,i为第j个次用户的发射机j到i个次用户的接收机之间的链路损耗，I_max为最大干扰门限值，N为次用户总数量，i∈N,j∈N；

求解目标函数minf₀(p)的拉格朗日函数L(p,λ,ν)如式(2)所示：

式(2)中，p＝[p₁,...,p_i,...p_N]，p_i为第i个次用户的发射功率，λ＝[λ₁,...,λ_i,...λ_N]和ν＝[v₁,...,v_i,...v_N]分别是约束条件的拉格朗日乘子，λ_i表示第i个次用户对应于次用户峰值功率约束条件C1的拉格朗日系数，v_i表示第i个次用户对应于次用户之间的干扰约束条件C2的拉格朗日系数；拉格朗日对偶函数G(λ,ν)如式(3)所示：

inf表示取函数的下界。

本发明与现有技术相比，其显著优点在于，(1)本发明基于凸优化理论，通过对各次级用户功率分配的灵活控制，配合提出了简单高效的迭代搜索方法；(2)本发明考虑的因素更为切合实际，不仅考虑了各次级用户之间的相互影响，还分析了主用户所受的干扰受限，更重要的是结合实际场景考虑了次用户发射机与主用户接收机之间的信道的不确定性；(3)本发明采用大规模用户来优化发射功率，使得吞吐量最大化，同时保证主用户的服务质量，在性能上要优于一般二分注水的功率分配方法。

附图说明

图1为本发明信道不确定性条件下大规模用户共享信道的功率分配方法的流程图。

图2为使用本发明的一种认知网络示意图。

图3为本发明与对比方案的性能对比图。

图4为本发明实施例中台阶的变化对吞吐量之和的影响示意图。

图5为本发明实施例中主用户干扰阈值在不同的情况下的中断概率对吞吐量之和的影响示意图。

图6为本发明实施例中不同中断概率情况下用户数目分别对平均吞吐量和总吞吐量的影响示意图。

具体实施方式

容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明功率分配方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。

本发明提供的信道不确定性条件下大规模用户共享信道的功率分配新方法，解决的是认知无线电网络中，主用户接收机与次用户的发射机之间的信道状态信息未知、大规模的次用户之间的干扰不可避免的条件下如何保证主用户的服务质量。具体功能是：1)保证主用户通信质量，正常接收信号；2)协调各个次用户链路之间的干扰，使之共存；3)认知网络中次用户的总吞吐量达到最大。

如图1所示，该方法包括以下步骤：步骤1、获取各个用户位置信息，计算各个次用户之间的链路损耗值；步骤2、对各个次用户发射功率值进行初始化，计算各个次用户之间的相互干扰以及所有次用户的吞吐量之和；计算所有次用户的吞吐量之和时，具有以下三个约束条件：次用户的峰值功率约束、次用户相互干扰约束、主用户所受干扰约束；步骤3、计算符合次用户峰值功率约束和次用户之间的干扰约束的每个次用户链路中的最优发射功率；步骤4、将步骤3获得的最优发射功率代入主用户约束条件进行验证，若主用户的干扰约束条件成立，则步骤3获得的最优发射功率就是最合理的发射功率；若主用户的干扰约束条件不成立，否则，需要将所述最优发射功率下降一个台阶，然后重新代入主用户约束条件进行验证，直至找到最合理的发射功率。

各步骤具体如下：

步骤1.建立信道模型，计算信道增益。

在本步骤中，目的是得到各个次用户之间的信道增益，方便后续使用。

各个次用户发射机发射信号前，向接入点发起请求，并上报位置信息。通过建立信道增益模型，计算认知网络中各个次用户之间的信道增益值。

信道的传播模型可以建模是由两个主要因素组成：大规模的路径损耗增益和小规模的衰减增益。下式可用来确定某个次用户发射机到另一个次用户接收机的大规模链路损耗，是g_rx,tx的dB模式：

G_rx,tx[dB]＝10*αlog(4πd)+10*αlog(f)-20log(l_T*l_R) (1)

式中，α表示依赖具体传播环境的链路损耗系数，d是发射用户到接收用户的距离，单位是米，f是发射信号的中心频率，单位是兆赫兹，l_T和l_R分别表示发射机和接收机的高度，单位为米。

信道的衰减增益采用瑞利分布，其建模为：

其中，h₁和h₂是两个独立的高斯变量服从N～(0,δ²)的分布。

步骤2.发射功率初始化，计算次用户之间干扰和吞吐量

在本步骤中，目的是根据步骤1中得到的信道增益，计算干扰约束和吞吐量。

本发明对各个次用户的发射功率进行初始化，把赋的初始值作为算法迭代的起点。在给定次级用户发射机功率之后，可以计算出各个次用户接收机处的干扰，这个干扰是除自己以外的来自其他次用户的干扰。也可以计算出此时的各个次用户的吞吐量之和。

首先，次用户接收机的信噪比(SNR)为：

其中，

是噪声功率，p_i是各个次用户的发射功率，g_i,i是第i个次用户的发射机到它的接收机的信道增益值。

由于在一个认知网络中次用户与主用户共享频段资源，因此存在干扰，那么次用户接收机的信干噪比(SINR)如下：

其中，p_ig_i,i为次用户接收机收到的信号功率，

是次用户之间的干扰。

那么，该认知网络中所有次用户的吞吐量之和为：

此时写出次用户的峰值功率约束和相互干扰约束：

其中，p_max是次用户峰值功率门限，I_max是次用户所能承受的干扰阈值，g_i,j是第i个次用户发射机到第j个次用户接收机的信道增益，在这里，假设已知它的瞬时值。

如果次用户对主用户的干扰在一定的阈值内，次用户能与主用户共存。假设这个阈值为

由于次用户对主用户的干扰是时变的，不能保证所有干扰都是弱干扰，总存在一些强干扰。在平均上，弱干扰对主用户通信性能起到了一定的补偿作用。定义中断概率Pr[.]，则主用户所受干扰约束如下：

其中，

代表第i个次用户的发射机到主用户的接收机的信道增益，均值λ的独立同指数分布的变量。ε是中断概率。

整个次用户之间干扰和吞吐量的优化问题可以写成时(9)所示，

步骤3.计算次用户链路最优发射功率。

在本步骤中，目的是得到除主用户干扰约束之外的最优功率，这个功率符合目标函数、次用户峰值功率约束和次用户之间的干扰约束。

目标函数是次用户吞吐量之和的最大化，即

通过凸优化相关理论，把目标函数转化成两个凹函数之和：

其中u(p)和w(p)都是凹函数：

将函数w(p)关于变量p_i求导，可得梯度：

其中

将上式表示为列向量

给定任意可 行解将函数w(p)用其在附近的一阶泰勒展开式近似 表示。因而，问题(P)中的优化目标可用下式代替：

由于w(p)是凹函数，易求得

如果{p_i}是可行解，而且-f₀(p^(k+1))≥-f₀(p^(k))，能够得到

u(p^(k+1))-w(p^(k+1))≥-f₀(p^(k+1))≥u(p^(k))-w(p^(k))， (16)

因此，-f₀(p^(k))提供了一个很好的近似下界。要最大化原始目标函数，等价于最大化函数(14)。

定义f_1,i(p)＝p_i-p_max和

由于次用户之间具有完美信道状态信息，所以两个约束都是线性的，可有如下转化：

因此，本发明可以构造如式(18)所示的子问题，先求得符合目标函数、次用户峰值功率约束和次用户之间的干扰约束的最优功率：

拉格朗日函数为：

上式中，λ和ν分别是约束条件C1、C2的非负对偶变量。拉格朗日对偶函数为：

如果这个拉格朗日函数没有下界，则它的对偶函数值为-∞。

下面，分析这个子问题的可行性。当且仅当下式线性问题可行时这个子问题才可行：

对应的拉格朗日函数：

其中λ′＝[λ′₁,…,λ′_N]≥0，ν′＝[v′₁,…,v′_N]≥0分别表示N个次用户的拉格朗日乘子。其对偶函数为：

G′(λ′,ν′)＝inf L′(p,λ′,ν′) (23)

步骤4.验证主用户所受的干扰限制。

在本步骤中，先将主用户的干扰约束写出，进行适当转化和逼近，再将步骤3中得到的最优功率带入验证约束是否成立，若主用户的干扰约束成立，则步骤三子问题的最优功率就是整个问题的最优解，否则，需要将子问题的最优功率下降一个台阶，令台阶值为γ，重复本步骤，重新代入主用户约束条件进行验证，若主用户的干扰约束成立，则将下降台阶后的功率作为最合理的发射功率。另外针对台阶变化，判断其变化对优化目标的影响，目的是为了取得合适的台阶值。

主用户干扰约束的概率模型如下：

令

Xi是服从指数分布的独立变量，均值为p_iλ。令

表示所有变量的和，那么原先的约束条件可以写成下面的形式：

如何验证主用户干扰这个约束条件呢？X的分布应该已知，它是问题的关键。为了解决X的分布这个难题，我们用一种高斯逼近的方法，李雅普诺夫中心极限定理。

定理：如果X₁,X₂,…,X_n相互独立，均值E(X_k)＝μ_k，方差令

我们可以得到

和

通过上面的定理，必须满足下面的李雅普诺夫条件才可以运用这个定理：

上式中r_i是X_i的三阶中心距，即E[(X_i-m_i)³]，m_i和

分别为X_i的均值和方差。我们很容易验证这个条件可以成立。

一般地，在大规模用户下，可以认为X是正态分布的随机变量，均值和方差可以近似为：

所以，公式(25)可以写成

F_N(·)是均值为m方差为σ²的正态分布的累积分布函数，

假设

原非凸非线性问题可以转化成：

实施例

本发明的一个具体实施例如下描述，系统仿真采用Matlab软件。下述实施例考察本发明所述信道不确定性条件下大规模用户共享信道的功率分配方法的有效性。

本实施例中，仿真结果是通过1000个独立实验获得的，场景均是一个主用户和大规模的次用户的认知网络，假设发送信号的中心频率f为700MHz，噪声功率

为-130dBm，路径损耗指数α＝4，次用户发射机与接收机的天线高度l_T、l_R均为2m，次用户发射机的最大发送功率p_max为25dBm，次用户和主用户的干扰阈值I_max,

分别为-120dBm。

如图3所示，考虑一个用二分法实现的注水算法作为对比算法。假设次用户数为50个，台阶γ＝0.2，中断概率ε＝0.05。从图3曲线的趋势来看，不论多少用户数，用本方法获得的吞吐量总是比对比算法要高。当每个次用户发射机使用最大功率，总吞吐量也是最大的，同时强大的干扰限制了主用户的工作。另外，由于二分法的精度较低，该对比算法造成了对资源很大的浪费。

在图4中，比较了不同台阶对系统性能的影响。图中显示了总吞吐量的收敛速度与台阶的值相关，当γ变大时收敛速度变快，而且收敛速度越快，精度越低，误差就越大。所以γ取值偏小对优化功率有利，通过多次试验验证，γ的取值区间应在[0.05,0.25]。

图5中γ取值0.1，在不同的主用户干扰阈值下，随着中断概率的变化，中断概率越大，吞吐量越高，而且主用户干扰阈值大的时候的系统性能比阈值小的时候情况要好。

图6表明，在不同中断概率下，次用户的平均吞吐量和总吞吐量随不同用户数的变化趋势。当用户数增加时，平均吞吐量在减少而总吞吐量在增加。另一方面，随着用户数增多，中断概率为0.2时越来越接近中断概率为0.01的吞吐量。这说明，当用户数增多到一定程度，主用户的干扰约束越来越松，这时次用户之间的互相干扰起主导作用。反过来，当用户数较少时，主用户的干扰约束占主导地位。

Claims (1)

1.一种信道不确定性条件下大规模用户共享信道的功率分配方法，其特征在于，包括以下步骤：

步骤1、获取各个用户位置信息，计算各个次用户之间的链路损耗；各个次用户之间的链路损耗包括大规模的路径损耗增益和小规模的衰减增益；

大规模的路径损耗增益大规模链路损耗G_rx,tx[dB]如下式所示：

G_rx,tx[dB]＝10*αlog(4πd)+10*αlog(f)-20log(l_T*l_R) (1)

式中，α表示依赖具体传播环境的链路损耗系数，d是发射用户到接收用户的距离，f是发射信号的中心频率，l_T和l_R分别表示发射机和接收机的高度；

小规模的衰减增益h_rx,tx如下式所示：

其中，h₁和h₂是两个独立的高斯变量，服从N～(0,δ²)的分布；

步骤2、对各个次用户发射功率值进行初始化，计算各个次用户之间的相互干扰以及所有次用户的吞吐量之和；计算所有次用户的吞吐量之和时，具有以下三个约束条件：次用户的峰值功率约束、次用户相互干扰约束、主用户所受干扰约束；

所有次用户的吞吐量之和T_sum如下式所示：

其中，SINR_i是第i个次用户接收机的信干噪比；

次用户的峰值功率约束和次用户相互干扰约束分别如下式所示：

其中，p_max是次用户峰值功率门限，I_max是次用户所能承受的干扰阈值，g_i,j是第i个次用户发射机到第j个次用户接收机的信道增益；

主用户所受干扰约束如下：

其中，

代表第i个次用户的发射机到主用户的接收机的信道增益，ε是中断概率；次用户对主用户的干扰在阈值

内，次用户能与主用户共存；

步骤3、计算符合次用户峰值功率约束和次用户之间的干扰约束的每个次用户链路中的最优发射功率，最优发射功率的目标函数及约束条件如式(7 )所示：

其中，f₀(p)＝-T_sum，T_sum为认知网络中所有次用户的吞吐量之和，C1和C2所示条件分别为次用户峰值功率约束和次用户之间的干扰约束，

表示对于任意的一个用户i，p_i为第i个次用户的发射功率，p_max为次用户的最大发射功率，g_j,i为第j个次用户的发射机j到i个次用户的接收机之间的链路损耗，I_max为最大干扰门限值，N为次用户总数量，i∈N,j∈N；

求解目标函数min f₀(p)的拉格朗日函数L(p,λ,ν)如式(8 )所示：

式(8)中，p＝[p₁,...,p_i,...p_N]，p_i为第i个次用户的发射功率，λ＝[λ₁,...,λ_i,...λ_N]和ν＝[v₁,...,v_i,...v_N]分别是约束条件的拉格朗日乘子，λ_i表示第i个次用户对应于次用户峰值功率约束条件C1的拉格朗日系数，v_i表示第i个次用户对应于次用户之间的干扰约束条件C2的拉格朗日系数；拉格朗日对偶函数G(λ,ν)如式(9 )所示：

inf表示取函数的下界；

步骤4、将步骤3获得的最优发射功率代入式(6)所示的主用户约束条件进行验证，若主用户的干扰约束条件成立，则步骤3获得的最优发射功率就是最合理的发射功率；若主用户的干扰约束条件不成立，否则，需要将所述最优发射功率下降一个台阶，然后重新代入主用户约束条件进行验证，直至找到最合理的发射功率。

Images