认知无线电中能效与谱效折衷的子载波比特联合优化方法
技术领域
本发明属于信息与通信工程技术领域,提出了认知无线电中能效与谱效折衷的子载波比特联合优化方法。该方法涉及认知无线电网络(Cognitive Radio Network,CRN)中能量效率(Energy Efficiency,EE)与频谱效率(Spectral Efficiency,SE)折衷的资源分配方案,主要为CRN中实现能效与谱效折衷的多认知用户子载波比特联合优化分配方法。
背景技术
由于现阶段社会资源的紧缺以及节能减排的推广,无线系统中的频谱效率以及能量效率得到了广泛的关注。据联邦通信委员会(Federal Communications Commission,FCC)研究,美国大部分城市的3GHz以下频谱的频谱利用率在15%至85%之间,而整体的平均水平仅为30%左右。为了缓解目前无线系统中频谱资源紧张以及频谱利用率低的问题,认知无线电(Cognitive Radio,CR)技术随之产生。
认知无线电技术是一种动态频谱接入技术,是指在不影响主用户(Primary User,PU)性能的前提下允许认知用户接入主用户的频谱的技术,这种技术可以有效的提高频谱利用率。CR的共享接入方式有交叉式(overlay)共享和重叠式(underlay)共享两种。交叉式共享方式只有在SU检测到PU未使用频谱时,才可以接入该PU频谱,若PU重新接入该频谱,SU则立刻让出频谱。重叠式共享方式中需要对PU的干扰设定一个干扰门限值,只需要满足干扰门限要求,SU可以与PU同时共享一段频谱。交叉式共享方式无干扰限制,重叠式共享方式可以一直传输信息,两种方式各有优势,都可以有效缓解频谱资源不足的问题。
认知无线电技术使频谱资源得到有效利用后,为了满足绿色通信需求,认知无线网络能量效率的研究也得到广泛研究,能量效率也成为衡量通信系统性能的重要指标之一。
对认知无线电网络系统资源的合理分配可以有效提高能量效率,同时满足认知无线电系统中各个用户之间资源共享公平性等需求。目前,CRN的资源分配问题主要有两种准则:裕量自适应(Margin Adaptive,MA)准则和速率自适应(Rate Adaptive,RA)准则。(1)MA准则指在给定的传输速率和系统误比特率条件下,根据子信道的增益,对子载波上的比特数进行动态自适应分配,同时调整各子载波上的发射功率,使得需要的总发射功率(或者平均每比特信噪比)最小。(2)RA准则指的是在给定的总发射功率和系统误比特率条件下,实现信道容量(传输速率)最大化。这两个准则构造模型的优化目标都是为了找到一个最佳的功率分配向量,在一定的限制条件下,使得目标函数最优化。资源分配算法的好坏直接关系到系统性能的优劣,评价资源分配的主要技术指标有:频谱效率,能量效率,公平性,反馈开销,传输时延等。
发明内容
本发明的目的是针对认知无线网络中频谱占用率较高的情况下,能量效率和频谱效率需同时优化的问题,提出了认知无线电中能效与谱效折衷的子载波比特联合优化方法。
本发明解决的问题的技术方案包括以下步骤:
步骤1、认知无线网络系统建模:
在多认知用户、多载波条件下对能效以及谱效进行分析建模,CRN中传输数据调制方式为多进制相移键控(M-ary Phase Shift Keying,MPSK)调制。
在M个认知用户N个子载波的认知无线网络环境下,CRN系统的谱效ηSE表示如下:
其中:W为系统带宽,单位为Hz;R为认知无线网络的总信息传输速率,单位为bit/s,即单位时间内传输的比特数。
系统能效ηEE表示如下:
其中:Pm为第m(1≤m≤M)个认知用户的传输功率;ζ为产生单位传输功率所需的功率放大系数;Pc为系统电路消耗的功率。
由于需要对能效和谱效进行折衷取舍,利用一个权重因子ω来建立一个能效与谱效的折衷函数,表示如下:
当ω为0时能效最大,谱效对这个折衷函数的影响较小,当ω为1时谱效最大,能效对这个折衷函数的影响较小。
MA准则是资源分配方法的主要准则之一,是指在保证系统信息传输速率的条件下最小化系统的发射功率。MA准则用以下优化公式表示:
在单位时间内,认知无线网络的总信息传输速率R表示为:
其中:Rm为第m个SU的信息传输速率;Xm为分配给第m个SU的子载波集合;hm,n为第m个SU使用第n个载波传输时的符合瑞利衰落的信道衰落因子;fm(bm,n)表示信道增益为1时,第m个SU在第n个载波上传输bm,n比特所需的传输功率,主要由SU要求的误比特率pe以及系统采用的调制方式所决定。
在本模型中,CRN中传输数据调制方式为MPSK调制,fm(bm,n)与误比特率pe的关系式表示为:
其中:N0为加性高斯白噪声的单边功率谱密度;Q-1(x)为Q(x)函数的反函数,Q(x)函数表示如下:
步骤2、子载波分配:
在子载波分配算法部分,为了满足各个认知用户信息传输速率公平比的要求,对信息传输速率要求最高的用户优先分配最佳信道条件的子载波。
令X
m表示第m个SU的子载波集合,Z表示未被分配的子载波集合,各个SU之间的速率公平比例为
计算出第m个SU分配的信息传输速率R
m和信息传输速率比例系数
为该比例系数最小的SU优先分配最佳信道条件的子载波,直至所有载波都分配给各个SU。
子载波分配算法具体如下:
(1)初始化:R
m=0,
Z={1,2,3,...,N}
(2)分别取m=1,2,...,M;
更新Xm=XmU{n*},Z=Z-{n*},Rm=Rm+R/N;
②找出比例系数μ
m中的最小值
找出对应m
*满足条件
n∈Z的最优n
*;
步骤3、比特分配:
在子载波分配以后,分别对每个SU进行比特分配。比特分配部分主要研究两种比特分配方法,Hughes-Hartogs算法和Chow算法。
3-1Hughes-Hartogs算法下的比特分配
Hughes-Hartogs算法(简称HH算法)的原理为:在每一次比特分配的过程中,给所需功率增量最小的子载波分配一个单位的信息增量,直至所有比特信息分配完毕。
HH算法的具体如下:
⑴初始化:对于所有的l(1≤l≤L),bl=0;
①求出所有L个子载波增加1比特信息所带来的功率增量
3-2Chow算法下的比特分配
Chow算法是一种性能余量最大化算法。γmargin含义表示为在满足系统误比特率BER的情况下,系统可允许的噪声增量(单位dB)。Chow算法首先找出系统最佳性能余量,然后根据公式b(l)=lb(1+SNR(l)/(Γ+γmargin))计算出分配给每个子载波的比特数。其中:SNR(l)为各个载波上的信噪比,Γ为信噪比间隔。
其中:hl为认知用户的信道增益,N0为加性高斯白噪声的单边功率谱密度。
Chow的具体步骤如下:
⑴初始化:
计算认知用户每个子载波上的信噪比SNR(l),系统性能余量最优时的噪声门限γmargin=0,剩余可使用的载波数量c=L,迭代次数t=0;
⑵迭代:
①依次计算各个子载波分配的比特
比特取整后为
比特差值为
④计算
其中B
target为期望的总发送比特数,迭代次数t=t+1;
⑤如果Btot≠Btarget且t<tmax,重复执行以上⑵步骤,否则执行⑶;
⑶比特调整:
如果B
tot>B
target,求出
B
tot=B
tot-1,重复此步骤直到B
tot=B
target;
如果B
tot<B
target,求出
B
tot=B
tot+1,重复此步骤直到B
tot=B
target。
本发明有益效果如下:
本发明对认知无线网络系统所需性能(能量效率或频谱效率等)为优化目标建立优化模型,通过进行子载波、比特、功率资源的合理分配,可以使系统性能达到所需要求。
本发明基于CRN中的两种经典比特分配算法,将原有两种单用户经典比特分配算法扩展为多用户子载波比特联合优化分配方法,同时保证各认知用户传输速率公平比条件。分析对比了认知无线网络子载波比特分配结果,同时给出了在子载波比特优化分配时的能量效率-频谱效率折衷关系曲线。本发明有效满足认知无线网络系统对能效与谱效折衷的要求,同时实现认知无线网络系统能效与谱效的权衡。
附图说明
图1为多认知用户多资源联合分配与频谱共享场景图。
图2(a)为认知无线网络总比特数与总功率关系图。
图2(b)为认知无线网络EE-SE的折衷关系图。
图3为认知无线网络系统比特分配结果图。
图4为认知无线网络能效与认知用户数M的关系图。
图5为认知无线网络能效与子载波总数N的关系图。
具体实施方式
图1为多认知用户多资源联合分配与频谱共享场景图。认知基站(CBS)将多个分布式SU本地频谱感知进行集中式融合判决,并将判决结果进行广播,如果CBS判决结果为PU未使用该频段,则SU以交叉式共享方式接入PU频谱。如果判决结果为PU正在利用该频段,则在保证PU正常通信的条件下,SU自适应调整发射功率和占用的子载波等,以重叠式共享方式机会式接入PU频谱。同时以能量效率或频谱效率为优化目标,考虑各个SU之间的速率公平比、各个SU传输信道增益(或信道衰落因子等),进行子载波和比特分配。
图2(a)给出了认知无线系统分配的总比特数与总功率的关系图,系统分配的总比特数越大,系统的总功率消耗越大。总比特数与总功率都是影响认知无线系统总能效的主要因素,而总比特数直接关系着系统的频谱效率。图2(b)给出了EE-SE的折衷关系曲线。由图可知,在CRN系统中,当频谱效率较低时,随着频谱效率的增加能量效率也逐渐增加;当频谱效率达到一定程度继续增加时,系统能效逐渐递减。例如,当认知用户数M=8,子载波总数N=128,系统带宽W=10
6Hz,系统电路功耗P
c=10W,功率放大系数ζ=1,误比特率BER=10
-2,加行高斯白噪声单边功率谱密度N
0=0.01,每个子载波上的平均传输功率P
av=1W,每个认知用户之间的速率公平比为
信道衰落因子h
m,n服从方差为1的瑞利分布。本发明研究了能效与谱效折衷的多用户子载波比特分配方案,比特分配部分对比了HH和Chow两种比特分配方法,得到系统总比特数与总功率关系图、EE-SE的折衷关系曲线。在ω=0的左半部分,系统的能效与谱效均较低,系统的性能没有达到最优;在ω=0时,系统能效达到最优;ω>0后,若继续提高谱效,则会在一定程度上牺牲能效。可根据系统对能效与谱效的要求,取一个合理的ω来使能效和谱效性能达到系统要求。
图3给出了认知无线网络系统比特分配结果图。例如,当认知用户数M=8,子载波总数N=64,系统带宽W=10
6Hz,系统电路功耗P
c=10W,功率放大系数ζ=1,误比特率BER=10
-2,加行高斯白噪声单边功率谱密度N
0=0.01,每个子载波上的平均传输功率P
av=1W,单位时间内的系统总的传输比特数为R=64bit/s,信道衰落因子h
m,n服从方差为1的瑞利分布,每个认知用户之间的速率公平比为
子载波分配后第一个SU至第8个SU分配子载波数分别为5,5,9,9,12,16,4,4。图3给出了两种比特分配方法的8个SU的比特分配结果,图中各个子载波序号按认知用户从1至8串接为一张仿真图,两种不同比特分配方法得到的分配结果不同,一定程度影响了两者能效的差异。
图4给出了能效与认知用户数M的关系曲线。例如,当子载波总数
N=128,系统带宽W=10
6Hz,误比特率BER=10
-2,加行高斯白噪声单边功率谱密度N
0=0.01,每个子载波上的平均传输功率P
av=1W,单位时间内的系统总的传输比特数为R=256bit/s,信道衰落因子h
m,n服从方差为1的瑞利分布,每个认知用户之间的速率公平比为
由图可知,当以上条件限定时,随着认知用户数M的增多,系统总能效先逐渐增大,后慢慢趋于稳定。由于每次认知用户数M变化对应的随机产生信道衰落因子有所不同,使得系统总能效在用户增加时有时出现降低的情况,但整体趋势不变。此外,比特分配部分使用Chow算法比使用HH算法的系统能效要高。图中同时分析了功率放大系数ζ和系统电路功率消耗P
c对认知无线系统能效的影响,其中ζ或P
c越大,系统能效越低。
图5给出了能效与子载波总数N的关系曲线。例如,当认知用户数M=8,系统带宽W=10
6Hz,系统电路功耗P
c=10W,功率放大系数ζ=1,误比特率BER=10
-2,加性高斯白噪声单边功率谱密度N
0=0.01,每个子载波上的平均传输功率P
av=1W,单位时间内的系统总传输比特数为R=256bit/s,每个认知用户之间的速率公平比为
信道衰落因子h
m,n服从方差为1的瑞利分布。由图可知,当以上条件限定时,随着子载波总数N的增加,系统能效显著提升后增长缓慢,最后逐渐趋于稳定。
本技术领域中的普通技术人员应当认识到,以上实施例仅是用来说明本发明,而并非作为对本发明的限定,只要在本发明的范围内,对以上实施例的变化、变型都将落在本发明的保护范围。