CN107466099B - 一种基于非正交多址接入的干扰管理自优化方法 - Google Patents

Abstract

本发明公开了一种基于非正交多址接入的干扰管理自优化方法，属于无线网络领域，具体是首先，在超密集场景中，针对固定子带宽，每个小基站分别计算与各自请求用户之间的信噪比，根据感知到的相邻基站干扰信号强度，删除本基站的相邻干扰基站，独立自主地构建动态本地干扰图；然后，综合考虑用户的通信需求和本地干扰图信息，各个小基站独立完成资源分配，为了降低网络间干扰，将干扰优化问题建模为基于满意度的博弈问题，并采用分布式算法得到资源分配结果，每个小基站为各自的请求用户合理分配不同的功率和子带宽，让系统干扰达到最优化。本发明有效地降低了网络干扰，保证了用户的通信需求，同时具有良好的收敛性。

Description

一种基于非正交多址接入的干扰管理自优化方法

技术领域

本发明属于无线网络领域，具体是一种基于非正交多址接入的干扰管理自优化方法。

背景技术

超密集组网技术通过在热点区域大规模部署低功率小基站可以有效提升网络容量，扩展网络覆盖范围，已成为5G的关键技术之一。超密集组网通过降低基站与终端用户间的路径损耗提升了网络吞吐量，在增大有效接收信号的同时也放大了干扰信号，同时，不同发射频率的低功率小基站与宏基站重叠部署，小区密度的急剧增加使得干扰变得异常复杂。如何有效进行干扰消除、干扰协调，成为未来超密集组网场景下需要重点考虑的问题。

NOMA(Non-Orthogonal Multiple Access非正交多址接入)技术在发送端采用非正交发送，主动引入干扰信息，在接收端通过干扰消除检测接收机实现正确解调，是5G的关键技术之一。NOMA技术使得小基站能够同时为多个不同的用户在同一频谱段上发送信号，极大地提高了频谱效率和系统吞吐量。但是，在超密集场景中应用NOMA技术使得小区内干扰更加严重，如何降低小区内干扰，保证用户的服务质量，是需要考虑的问题。

现有技术中，如文献[1]陈志勇，丁治国，代旭初，一种在混合非正交多址系统中联合簇内和簇间干抑制扰的波束成形方法，20160817，IEEE ACCESS提出了一种基于非正交多址技术的干扰管理算法；联合考虑波束分配和用户配对策略，有效地降低了簇间和簇内干扰。但是该算法采用集中式干扰管理机制，信令开销较高，无法应用于超密集网络场景。

文献[2].张鹤立，王洋，纪红，一种在混合自组织小区网络中干扰管理优化方法，2016年02月，IEEE Transactions on Vehicular Technology提出了一种在分层异构网络场景下干扰管理自优化机制。考虑到干扰问题的计算复杂度，将干扰优化问题转化为两个子优化问题，子信道分配和功率分配；然后分别提出离散随机近似算法和基于博弈的议价算法获得次优解，降低了网络内的干扰；但是在小基站部署密集的场景下，尤其是引入非正交多址接入技术，干扰问题变得更加复杂，该机制无法适用。

在超密集网络的场景下，小基站部署密集，缩短了与用户之间的距离，提高了信号链路强度，从而极大地提高了系统容量和频谱利用效率。但是，有用信号强度提高的同时相邻小基站产生的干扰问题也变得更加复杂，同时考虑大量的小基站部署，传统的集中式优化方案会产生较大的信令开销，已经无法适用；此外，为了进一步提高频谱资源利用率，非正交多址接入技术引入到超密集网络中，由于主动引入干扰信息，在相同频谱资源上对信号进行复用传输，对干扰管理提出了更高的研究，现有的干扰优化方案已经无法适用。

发明内容

针对超密集场景下，密集的小基站部署使得网络拓扑更加复杂，同时由于NOMA技术主动引入干扰信息，使得现有的干扰管理机制难以适用于该场景中；本发明提出了一种基于非正交多址接入的干扰管理自优化方法，可以有效降低网络内的干扰，保证用户的服务需求，提高网络运维管理效率。

首先，小基站根据感知到的相邻基站干扰信号强度，独立自主地构建动态本地干扰图；然后，综合考虑用户的通信需求和本地干扰图信息，各个小基站独立完成资源分配，降低网络间干扰。将该干扰优化问题建模为基于满意度的博弈问题，并采用分布式算法得到资源分配结果，该算法同时具有良好的收敛性。

具体步骤如下：

步骤一、构建每个小基站在不同子带宽上为不同请求用户传送信号的超密集场景；

超密集场景包括：M个小基站，集合为{1,2,...i,...m,...M}；小基站m下请求用户的集合表示为{1,2,...j,...n,...B_m}；K个子带宽，集合为{1,2,...k,...K}；

步骤二、针对固定子带宽，分别计算每个小基站与各自请求用户之间的信噪比；

首先，针对子带宽k，小基站m为用户n传送信号时产生的信噪比

计算如下：

表示小基站m在子带宽k上为用户n的功率分配的结果，初始各个用户的功率分配结果均等；

表示小基站m在子带宽k上为用户n传送信号的信道增益；δ²为高斯白噪声；

步骤三、针对小基站m，将该基站与每个用户之间的信噪比值与预设的阈值分别进行比较，删除小基站m的相邻干扰基站；

具体如下：

步骤301、获取小基站m与相邻基站之间的信号强度，并按照强弱顺序进行排序；

步骤302、将小基站m与每个用户之间的信噪比值与预设阈值作差比较，按照差值将用户从大到小进行排序；

步骤303、逐个选取排序后的用户，并判断该用户与小基站m的信噪比是否超过预设阈值，如果是，进入步骤304；否则，进入步骤305；

步骤304、该用户受到的干扰在承受范围内；顺序选择下一个用户，返回步骤303；

步骤305、逐个删除按强弱顺序的相邻基站，并重新计算删除完相邻基站后该用户与与小基站m的信噪比，直至信噪比高于阈值，返回步骤304；

所有删除的相邻干扰基站组合在一起构成动态干扰图；

步骤四、删除相邻干扰基站后，每个基站为各自的请求用户合理分配不同的功率和子带宽；

具体为：

步骤401、针对小基站m，将该基站在子带宽k上为不同的请求用户传送信号的信道增益排序；

步骤402、针对小基站m，构建该基站为不同的请求用户分配功率和子带宽时的约束条件：

C1表示每个子基站只能占用一个子带宽；

表示小基站m中的用户选择子带宽k的结果，若

表示小基站m占用子带宽k，否则

C2表示小基站m在子带宽k上分配给用户n的功率值

要大于信道增益大于用户n的n-1个用户的功率累加和

p_thr表示用户提取自己信号的最小功率间隔；

C3表示小基站m的所有请求用户在所有子带宽上的分配功率之和不能超过最大功率值，限制了每个小基站分配的最大功率；P_m,max为小基站m可分配的最大功率；

C4保证了正常通信用户的速率需求；R_mn表示用户n在小基站m上获得的速率，计算如下：

R_n,req表示用户n的最低请求速率；

C5限制了每个小基站可承受的最大区间干扰。I_m是小基站m中的用户所受到的相邻干扰基站的干扰，I_m,thr表示小基站m承受的最大区间干扰。

步骤403、将约束条件转换为基于满意度的博弈模型，采用分布式算法迭代求解，得到资源分配结果；

资源分配结果是指每个基站为各自的请求用户分配最优的功率和子带宽；

满意度博弈模型表示如下：

表示小基站m的C种策略集合；

表示小基站m的相似度函数，用来决定小基站m采用的策略是否能达到满意。

步骤404、按照排序后的信道增益，小基站m为每个用户合理分配资源结果，以满足串行干扰消除；

信道增益强的用户能自行去除强度比自己信号强度小的信号，降低干扰。通过合理分配功率，即为信号强度弱的用户分配更多的功率，从而保证信号强度弱的用户服务质量。

步骤五、判断小基站m为每个请求用户合理分配功率和子带宽后，是否让系统干扰达到最优化，如果是，则干扰管理自优化结束；否则，继续对基于满意度的博弈问题进行迭代，直至分配的功率和子带宽让系统干扰达到最优化。

小基站m在保证用户服务质量的同时，基于S形函数构造系统效用函数，满足最小化系统干扰达到最优化；系统效用函数如下所示：

N为超密集场景中所有基站下的请求用户总数目；α和β表示调整因子。

本发明的优点在于：

1)、一种基于非正交多址接入的干扰管理自优化方法，可以实现超密集网络下的干扰管理自优化功能，根据仿真结果可以看出，在超密集场景下，该方法有效地降低了网络干扰，保证了用户的通信需求。

2)、一种基于非正交多址接入的干扰管理自优化方法，各个小基站通过感知周围网络信息，独立自主地构建本地干扰图，并根据用户的需求以及干扰图信息，完成资源分配，包括子带宽分配和功率分配，提高了网络管理效率和资源利用效率。

3)、一种基于非正交多址接入的干扰管理自优化方法，在超密集网络中，考虑到密集部署的网络环境和复杂的干扰问题，提出了联合小基站分簇与多维资源分配的干扰协调机制。此外，引入了非正交多址接入技术，提高网络的频谱效率和系统容量。

附图说明

图1是本发明基于非正交多址接入的干扰管理自优化方法中超密集场景模型；

图2是本发明基于非正交多址接入的干扰管理自优化方法流程图；

图3是本发明通过比较信噪比值与阈值删除某小基站的相邻干扰基站的方法流程图；

图4是本发明中每个基站为各自的请求用户合理分配不同的功率和子带宽的流程图；

图5是本发明与穷搜算法关于系统效用值与迭代次数关系的对比图；

图6是本发明小基站满意比率与满意阈值关系的对比图；

图7是本发明系统速率与最大发送功率关系的对比图；

图8是本发明干扰值与用户密度关系的对比图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明一种基于非正交多址接入的干扰管理自优化方法，总结为如下的4个步骤：

1)小基站根据感知到的相邻基站干扰信号强度，独立自主地构建动态本地干扰图；

干扰图包含了存在潜在干扰关系的相邻基站，在进行子带宽选择时，尽量避免与这些相邻干扰小基站选择相同的子带宽，从而避免干扰。干扰图根据网络情况的变化能够自主更新和调整。

2)根据网络干扰信息以及用户的通信请求，各个小基站独立地完成资源分配，包括子带宽选择和功率分配。

其中，针对子带宽选择，各个小基站竞争获取更多的资源；针对功率分配，相同小基站下各个用户之间同样存在竞争以获取更高的速率服务，将这一竞争过程建模为基于满意度的博弈问题，并采用分布式算法得到资源分配结果。

3)根据用户需求和网络干扰信息的变化，各个小基站动态调整资源分配结果，采用动态学习和更新算法，快速达到满意均衡，保证用户的速率需求，降低网络干扰。

在基于NOMA技术的超密集场景下，通过分配不同的功率，多个小基站可以在相同资源块上为同一个用户提供服务。用户根据接收到信号强度的差异，利用干扰消除技术，可以将信号解调，从而获得需要的信息。

如图2所示，具体步骤如下：

步骤一、构建每个小基站在不同子带宽上为不同请求用户传送信号的超密集场景；

如图1所示，超密集场景包括：M个小基站，集合为{1,2,...i,...m,...M}；小基站m下请求用户的集合表示为{1,2,...j,...n,...B_m}；K个子带宽，集合为{1,2,...k,...K}；

步骤二、针对固定子带宽，分别计算每个小基站与各自请求用户之间的信噪比；

首先，小基站m在子带宽k上为用户n传送信号

用户n接收到的信号y_n表示为：

其中，

表示小基站m在子带宽k上为用户n的功率分配的结果，初始各个用户的功率分配结果均等；

表示小基站m在子带宽k上为用户n传送信号的信道增益，表示小基站m在子带宽k上为用户n传送信号的噪声信号；第一项表示用户n接收到的理想信号，第二项表示小基站m上其余用户存在的区间干扰，第三项表示其余基站以及该基站上的用户存在的区间干扰。

因为所有的基站共享整个频谱带宽，基站可能会受到相邻基站的干扰。同时，考虑到小基站的发送功率限制以及信号的衰落情况，对于小基站来说，其干扰主要来自于相邻的基站。为了降低区间干扰，首先每个小基站自主地构造其本地的动态干扰图，来表示它与相邻的小基站的潜在干扰关系。动态干扰图可以表示为Ο_m(t)＝(M,V)，其中M为顶点，表示小基站集合，V表示潜在的干扰关系。子带宽可以表示为颜色，通过为存在干扰的基站分配不同的颜色(子带宽)，可以有效避免区间干扰。

然后，假设小基站具有感知能力，能够获得信道状态信息。通过感知来自其他小基站的干扰，对小基站m与请求用户n之间的信噪比根据下式进行计算：

δ²为高斯白噪声；

步骤三、针对小基站m，将该基站与每个用户之间的信噪比值与预设的阈值分别进行比较，删除小基站m的相邻干扰基站；

如果小基站与某用户之间的信噪比超过预设阈值，则表明该用户所受到的干扰在可承受的范围内；否则，该用户所遭受的干扰过大，需要对干扰信息进行统计：首先将接收到的来自不同相邻小基站的干扰信号按强度进行排序，然后依次去除强度最大的基站，再次计算信噪比，直到该用户的信噪比高于阈值。此时，所有去除的基站均看作该基站的相邻干扰小基站，构成该基站的动态本地干扰图。

如图3所示，具体如下：

步骤301、获取小基站m与相邻基站之间的信号强度，并按照强弱顺序进行排序；

步骤302、将小基站m与每个用户之间的信噪比值与预设阈值作差比较，按照差值将用户从大到小进行排序；

步骤303、逐个选取排序后的用户，并判断该用户与小基站m的信噪比是否超过预设阈值，如果是，进入步骤304；否则，进入步骤305；

步骤304、该用户受到的干扰在承受范围内；顺序选择下一个用户，返回步骤303；

步骤305、逐个删除按强弱顺序的相邻基站，并重新计算删除完相邻基站后该用户与与小基站m的信噪比，直至信噪比高于阈值，返回步骤304；

步骤四、删除相邻干扰基站后，每个基站为各自的请求用户合理分配不同的功率和子带宽；

完成干扰图构建之后，小基站根据各自地动态干扰图信息，完成资源分配，在保证用户服务质量的同时，降低网络干扰。

由于利用NOMA技术，小基站通过分配不同的功率在相同子带宽上为不同的用户传送信号；在相同小区内，用户不仅接收到自己的信号，同时还受到来自其他用户的干扰信号。根据信号强度的不同，通过串行干扰消除技术，信道增益强的用户可以自行去除强度比自己信号强度小的信号，对小区内干扰进行一定的消除，降低干扰。

为了利用串行干扰消除技术，需要将信道增益进行排序，具体流程如图4所示，说明如下：

针对小基站m，将该基站在子带宽k上为不同的请求用户传送信号的信道增益排序；

然后，信号强度弱的用户会遭受其他信号强度强的用户干扰，通过合理分配功率，即为信号强度弱的用户分配更多的功率，从而保证信号强度弱的用户服务质量。

用户可以获得的速率，如下所示：

其中，R_mn表示用户n在小基站m上获得的速率，δ²为AWGN。

为了在保证用户服务质量的同时，最小化系统干扰，基于S形函数，构造系统效用函数，如下所示：

N为超密集场景中所有基站下的请求用户总数目；α和β表示调整因子，为了折中考虑速率和干扰这两个方面，需要对因子进行调整。

为了最大化系统效用函数，将该资源分配问题建模为混合整数非线性规划问题，如下所示：

C1表示每个子基站只能占用一个子带宽；

表示小基站m中的用户选择子带宽k的结果，若

表示小基站m占用子带宽k，否则

C2表示小基站m在子带宽k上分配给用户n的功率值

要大于信道增益大于用户n的n-1个用户的功率累加和

用户n能够在同一个子带宽上从不同信号中提取理想信号的功率限制，为了应用SIC技术，使用户能成功提取出自己的信号，在功率域对功率有额外的约束条件，p_thr表示用户提取自己信号的最小功率间隔；

C3表示小基站m的所有请求用户在所有子带宽上的分配功率之和不能超过最大功率值，限制了每个小基站分配的最大功率；P_m,max为小基站m可分配的最大功率；

C4保证了正常通信用户的速率需求；R_n,req表示用户n的最低请求速率；

C5限制了每个小基站可承受的最大区间干扰。I_m是小基站m中的用户所受到的相邻干扰基站的干扰，I_m,thr表示小基站m承受的最大区间干扰。

由于该优化问题是混合整数非线性规划问题，其全局最优解是极其难解的；为了降低小基站之间的信令交互，提高网络管理效率，本发明将该问题建模为满意度博弈问题，小基站作为博弈者通过竞争无线资源满足自身需求；采用分布式算法迭代求解，得到资源分配结果；该满意度博弈模型可以表示如下：

表示小基站m的C种策略集合；表示小基站m的相似度函数，用来决定小基站m采用的策略是否能达到满意；

为其可能的策略空间映射。这里，根据系统效用函数，将相似度函数定义如下：

其中，

表示M个小基站所选择的策略集合，表示除了小基站m以外其他小基站的策略集合，Γ_m表示小基站m的最低满意度阈值，

是可以使得小基站m达到满意的一组策略集合。

为了达到满意博弈均衡，即各个小基站均完成资源分配，不再改变自身的分配策略。给出满意均衡的定义：给定一个博弈

如果策略

满足条件

那么就说明采用策略

时，该博弈结果达到均衡。在动态的NOMA-based UDN中，为了保证用户的服务同时降低干扰，我们提出了一种分布式的学习和更新算法，能够快速达到满意度均衡，得到各个基站的资源分配优化策略。

根据已知的动态干扰图信息以及用户的服务需求，各个小基站独立地完成资源分配，包括子带宽选择和功率分配。

用户采用以下方法进行策略更新：

其中，π_m(t)为小基站m在t时刻采用策略a_m的概率分布，可以表示如下：其中

是采用策略

的概率。其概率分布可由下式获得：

其中

U_m,max为小基站m可到达的最大效用。I是指示函数，当a∈A时，I_a(A)＝1；否则，I_a(A)＝0。

小基站独立完成资源分配的具体步骤如下：

步骤2a)：初始化。在初始时刻，所有小基站根据概率分布，选择初始策略。

步骤2b)：资源分配。每个小基站根据选择地策略计算效用函数，并判断是否达到满意，如若该小基站达到满意，则跳到步骤2d)。

步骤2c)：学习并更新策略。给定其他小基站的策略集合，小基站m计算可能的策略空间，并根据式(9)选择一个最佳的策略。

步骤2d)：迭代。如果达到满意均衡状态，则停止，否则跳到步骤2b)继续进行，直到达到最大迭代次数或者取得理想的求解方案。

步骤五、判断小基站m为每个请求用户合理分配功率和子带宽后，是否让系统干扰达到最优化，如果是，则干扰管理自优化结束；否则，继续对基于满意度的博弈问题进行迭代，直至分配的功率和子带宽让系统干扰达到最优化。

实施例：

考虑500m*500m的方形区域，其中子基站的分布密度为400/Km2，且位置固定，每个子基站的覆盖范围为50m，用户的分布密度为1000/Km2，系统带宽为20MHz。用户信道模型采用瑞利衰落模型。此外，每个小基站的发送功率为24dBm，热噪声功率为-174dBm，载波频率为2.5GHz。

为了证明本发明提出的多维资源分配机制的性能，选用了三种机制进行对比。

机制1(SORA-OMA)：基于正交多址接入技术的干扰管理自优化机制，资源利用率低下。

机制2(DRA-WSO)：分布式干扰管理机制，没有考虑自优化技术，网络管理效率低下。

机制3(RRA)：传统的干扰管理机制，随机选择子带宽并均分功率，降低网络干扰。

系统效用值和迭代次数关系如图5所示，选择穷搜算法作为对比算法，从图中可以看出，随着迭代次数的增加，本发明算法快速收敛，并且所获取的系统效用值不断接近穷搜算法。此外，从图中可以看出，在迭代次数为50次之后，本发明算法能够收敛并得到较好的系统效用值。

小基站满意比率与满意度阈值的关系如图6所示，从图中可以看出，随着满意度阈值的提高，达到满意的小基站比率大大降低。这是因为，随着满意度阈值的提高，对高速率以及低干扰等目标提出了更高的要求，能够达到满意的基站数目大幅度降低。从图中可以看出，本文所提的算法较其他接入机制，小基站满意比率更高。这是因为，本文所提机制支持多个小基站在相同资源块上为用户提供服务，提高了系统速率。此外，应用串行干扰消除技术，有效降低了区内干扰，从而获得了较高的小基站满意比率。

系统速率与最大发送功率的关系如图7所示，从图中可以看出，随着最大发送功率的增加，系统速率逐渐提高。这是因为用户的接收信号强度增强，从而系统的吞吐量增益不断提高。从图中可以看出，本发明所提机制相较传统机制提高了系统速率。

干扰值与用户密度的关系如图8所示，从图中可以看出，随着用户数目的增加，系统干扰逐渐增加。从图中可以看出，本发明所提机制相较传统机制降低了网络间的干扰。

Claims (1)

1.一种基于非正交多址接入的干扰管理自优化方法，其特征在于，具体步骤如下：

步骤一、构建每个小基站在不同子带宽上为不同请求用户传送信号的超密集场景；

超密集场景包括：M个小基站，集合为{1,2,...i,...m,...M}；小基站m下请求用户的集合表示为{1,2,...j,...n,...B_m}；K个子带宽，集合为{1,2,...k,...K}；

步骤二、针对固定子带宽，分别计算每个小基站与各自请求用户之间的信噪比；

针对子带宽k，小基站m为用户n传送信号时产生的信噪比计算如下：

表示小基站m在子带宽k上为用户n的功率分配的结果，初始各个用户的功率分配结果均等；表示小基站m在子带宽k上为用户n传送信号的信道增益；δ²为高斯白噪声；

步骤三、针对小基站m，将该基站与每个用户之间的信噪比值与预设的阈值分别进行比较，删除小基站m的相邻干扰基站；

具体如下：

步骤301、获取小基站m与相邻基站之间的信号强度，并按照强弱顺序进行排序；

步骤302、将小基站m与每个用户之间的信噪比值与预设阈值作差比较，按照差值将用户从大到小进行排序；

步骤303、逐个选取排序后的用户，并判断该用户与小基站m的信噪比是否超过预设阈值，如果是，进入步骤304；否则，进入步骤305；

步骤304、该用户受到的干扰在承受范围内；顺序选择下一个用户，返回步骤303；

步骤305、逐个删除按强弱顺序的相邻基站，并重新计算删除完相邻基站后该用户与与小基站m的信噪比，直至信噪比高于阈值，返回步骤304；

步骤四、删除相邻干扰基站后，每个基站为各自的请求用户合理分配不同的功率和子带宽；

具体为：

步骤401、针对小基站m，将该基站在子带宽k上为不同的请求用户传送信号的信道增益排序；

步骤402、针对小基站m，构建该基站为不同的请求用户分配功率和子带宽时的约束条件：

C1表示每个子基站只能占用一个子带宽；表示小基站m中的用户选择子带宽k的结果，若表示小基站m占用子带宽k，否则

C2表示小基站m在子带宽k上分配给用户n的功率值要大于信道增益大于用户n的n-1个用户的功率累加和

p_thr表示用户提取自己信号的最小功率间隔；

C3表示小基站m的所有请求用户在所有子带宽上的分配功率之和不能超过最大功率值，限制了每个小基站分配的最大功率；P_m,max为小基站m可分配的最大功率；

C4保证了正常通信用户的速率需求；R_mn表示用户n在小基站m上获得的速率，计算如下：

R_n,req表示用户n的最低请求速率；

C5限制了每个小基站可承受的最大区间干扰；I_m是小基站m中的用户所受到的相邻干扰基站的干扰，I_m,thr表示小基站m承受的最大区间干扰；

步骤403、将约束条件转换为基于满意度的博弈模型，采用分布式算法迭代求解，得到资源分配结果；

资源分配结果是指每个基站为各自的请求用户分配最优的功率和子带宽；

满意度博弈模型表示如下：

表示小基站m的C种策略集合；f_m:

表示小基站m的相似度函数，用来决定小基站m采用的策略是否能达到满意；

步骤404、按照排序后的信道增益，小基站m为每个用户合理分配资源结果，以满足串行干扰消除；

步骤五、判断小基站m为每个请求用户合理分配功率和子带宽后，是否让系统干扰达到最优化，如果是，则干扰管理自优化结束；否则，继续对基于满意度的博弈问题进行迭代，直至分配的功率和子带宽让系统干扰达到最优化；

小基站m在保证用户服务质量的同时，基于S形函数构造系统效用函数，满足最小化系统干扰达到最优化；系统效用函数如下所示：

N为超密集场景中所有基站下的请求用户总数目；α和β表示调整因子。

Images