CN107994933B

CN107994933B - 认知mimo网络中次用户系统容量的优化方法

Info

Publication number: CN107994933B
Application number: CN201711240949.9A
Authority: CN
Inventors: 唐宏; 廖晗; 金凤; 张进彦
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2017-11-30
Filing date: 2017-11-30
Publication date: 2021-01-29
Anticipated expiration: 2037-11-30
Also published as: CN107994933A

Abstract

本发明涉及移动通信技术领域，特别涉及一种认知MIMO网络中次用户系统容量的优化方法，包括：计算次用户信道矩阵的迹，根据信道矩阵迹的大小对信道进行排序并在发送端采用最小均方误差方法进行预编码设计；根据信道矩阵迹的排序，使用头尾分簇法对次用户进行分簇并对此用户进行功率分配；以分簇之后认知用户的系统容量为优化目标列出满足优化要求的优化方程；获得优化方程的Lagrange函数，根据KKT条件进行最优功率分配系数的求解，最后根据数学归纳法得出使得目标函数最优的功率分配系数；本发明基于信道状态进行分簇的情况下，对次用户进行动态功率分配，采用数学归纳法求得次用户的最优功率分配系数，使求得的系统容量达到最优。

Description

认知MIMO网络中次用户系统容量的优化方法

技术领域

本发明涉及移动通信技术领域，特别涉及一种认知MIMO网络中次用户系统容量的优化方法。

背景技术

认知无线电技术与MIMO技术结合的网络称之为认知MIMO网络，其借助MIMO的空域并行传输优势，能够较大幅度提升系统的容量。面对即将到来的5G时代，频谱稀缺依然是一个严峻的问题，而认知MIMO兼具认知无线电的智能灵活性和MIMO的空间传输优势，能够在提升频谱利用率的同时提高系统的容量，对于未来移动通信具有广泛的前景。1G到4G，均采用正交多址接入技术，5G时代，非正交多址接入技术日益受到产业界的关注，其不仅能进一步增强频谱效率，也是逼近多用户信道容量界的有效手段。相比于认知MIMO的其他模式，underlay频谱共享以其较高的频谱效率和可实现性成为了一种更具吸引力的共享模式，在该模式中，主用户和次用户同时工作，它们占用相同的频段完成自身通信，但认知用户(次用户)对授权用户的有害干扰不能影响授权用户的正常通信，否则，认知用户不能工作。

非正交多址(non-orthogonal multiple access，NOMA)是一种在发送端主动引入干扰，在接收端采用串行干扰消除手段进行信号接收的新型多址接入技术，自2014年9月这项技术被提出至今，越来越多的研究者将NOMA与MIMO结合起来研究，还有一小部分研究者将NOMA与认知无线电联合起来进行研究，主要目的都是提升系统的频谱利用率及提高系统容量，但目前该类研究相对较少。针对未来移动通信系统对大容量、高频谱利用率的需求，基于非正交多址技术的认知多输入多输出网络次用户系统容量优化方法是提高认知MIMO系统容量的重要手段。

随着集成电路进一步的发展，对于未来移动通信，NOMA技术是增加系统容量的一项重要候选技术，目前，采用NOMA技术也存在一定缺点，因为NOMA技术在接收端采用串行干扰消除进行有用信号的接收，而串行干扰消除是以增加接收机的复杂度为代价提高系统容量的。

发明内容

针对以上技术问题，本发明提出一种认知MIMO网络中次用户系统容量的优化方法，包括：

S1、计算次用户信道矩阵的迹，根据信道矩阵迹的大小对信道进行排序并在发送端采用最小均方误差方法进行预编码设计；

S2、根据信道矩阵迹的排序，使用头尾分簇法对次用户进行分簇并对此用户进行功率分配；

S3、以分簇之后认知用户的系统容量为优化目标列出满足优化要求的优化方程；

S4、获得优化方程的Lagrange函数，再根据KKT条件进行最优功率分配系数的求解，最后根据数学归纳法得出使得目标函数最优的功率分配系数；

S5、验证所求的解是否符合KKT条件。

优选的，信道矩阵迹的大小对信道进行排序包括：

首先求得各信道矩阵的迹：

然后按照信道矩阵迹的大小进行排序，则排序之后为：

h_n,1>h_n,2>h_n,3>…>h_n,K；

其中，K表示每个簇中的次用户数量，h_n,i表示第n簇的第i个用户的信道矩阵，h_n,i ^H表示h_n,i的转置共轭矩阵，tr(·)表示矩阵·的迹。

优选的，发送端采用最小均方误差方法进行预编码设计包括：

预编码矩阵的表达式为：U＝(H^HH+σ²I)^-1H^H；

其中，U表示预编码矩阵，H表示传输信道矩阵，H^H表示H的转置共轭矩阵，σ²表示高斯白噪声功率，I是单位矩阵。

本发明采用的是基于NOMA的认知MIMO网络次用户系统容量优化方法，在基于信道状态进行分簇的情况下，对次用户进行动态功率分配，并且给信道质量差的用户分配较多功率，给信道质量好的用户分配较少功率，可以最大限度地保证次用户的公平性并请提高次用户的系统容量；并且在保证次用户系统服务质量和认知基站正常工作的情况下，采用数学归纳法求得次用户的最优功率分配系数，使求得的系统容量达到最优。

附图说明

图1为本发明一种MIMO网络中次用户系统容量的优化方法的流程图；

图2为本发明多用户认知MIMO网络系统模型图。

具体实施方式

下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

发明提出的一种基于认知网络中动态功率分配的干扰对齐方法，如图1所示，具体包括以下步骤：

S5、验证所求的解是否符合KKT条件，如果符合KKT条件，则此功率分配系数可使次用户系统容量更优。

本发明的整个系统模型包含两部分，如图2所示，一部分为认知MIMO的主用户系统，一部分为次用户系统，其中主用户系统包含多个主用户，次用户系统包含多个次用户和认知基站。考虑一个多用户的下行链路通信网络，认知系统采用underlay频谱共享模式，此时，需要考虑次用户系统对主用户系统的干扰约束，次用户接收来自次用户基站的信号，信号包括有用信号和干扰信号，主用户接收来自次用户基站的干扰信号。假设次用户发射天线为N_t根，次用户数目为N个，为了便于分析，设次用户分成N_t个簇，且每个簇中有K个次用户，若每个簇中K是不变的，则有N_tK＝N，若每个簇中K是变化的，次用户分簇的数目为n，则有Kn，且设每根天线的功率占总功率的比例相同。

考虑次用户服务质量、功率分配系数取值范围及已解码的次用户与尚未解码的次用户之间最小的功率差大于一定值这三个约束条件，对次用系统进行容量优化。

S1、计算次用户信道矩阵的迹，根据信道矩阵迹的大小对信道进行排序并在发送端采用最小均方误差方法进行预编码设计：

首先求得各信道矩阵的迹：

其中h_n,i表示第n簇的第i个用户的信道矩阵，上标H表示转置共轭矩阵，tr(·)表示矩阵·的迹；

然后按照信道矩阵迹的大小进行排序，则排序之后为：

h_n,1>h_n,2>h_n,3>…>h_n,K。

S2、根据信道矩阵迹的排序，使用头尾分簇法对次用户进行分簇并对此用户进行功率分配：

本发明采用的预编码技术为最小均方误差预编码(Minimum Mean Square Error，MMSE)方式，现今很多研究人员采用迫零(Zero-forcing，ZF)预编码方式对信号进行预编码，这种方式虽然简单，并且当每个簇中只有一个用户时，这种方式在忽略系统噪声的情况下，能够完全消除簇间干扰，但实际通信系统中，每个簇中的用户数目大于等于2时，此种方式便不再简便，并且采用最小均方误差进行预编码的误码率(Bit Error Rate，BER)更低，更切合实际。

最小均方误差预编码方式预编码矩阵与信道紧密相关，且预编码矩阵的表达式为：

U＝(H^HH+σ²I)^-1H^H；

其中，U表示预编码矩阵，H表示传输信道矩阵，上标H表示转置共轭矩阵，σ²表示高斯白噪声功率，I是单位矩阵；

对次用户进行分簇，考虑每个簇中次用户的数量为奇数和偶数两种情况，为了方便计算，在本专利的实施例中将整个次用户系统分成两个簇，即n＝{1,2}，这里n表示第n簇。

当K为偶数时，第一簇的信道增益分布为：

第二簇的信道增益分布为：

当K为奇数时，第一簇的信道增益分布为：

第二簇的信道增益分布为：

这里，K表示每个簇中次用户的数目，

表示在第n簇中的用户k，g_i表示第i个用户，其中g_i按照信道增益排序，即g_i的信道增益＞g_i+1的信道增益；

进行功率分配，由于功率因素对信道质量差的用户的影响远大于信道质量好的用户，因此，在进行功率分配时，给信道状态差的用户分配较多的功率，信道状态好的用户分配较少的功率，这种功率分配相比于传统的注水功率分配方式更有利于系统性能提升，同时也能够很好地兼顾认知用户的公平性。

S3、以分簇之后认知用户的系统容量为优化目标列出满足优化要求的优化方程：

考虑次用户服务质量、功率分配系数取值范围及已解码的次用户与尚未解码的次用户之间最小的功率差大于一定值三个约束条件，对次用系统进行容量优化。

101、优化目标函数：

102、考虑优化目标函数的约束包括：

约束条件C1：进行功率分配之后系数之和小于等于1，列出约束条件C1为：

约束条件C2：对次用户的速率进行限制，次用户系统中的每个用户的速率都满足大于一定值，从而保证次用户的用户服务质量，列出约束条件C2为：

约束条件C3：已经解码的次用户与尚未解码的次用户之间最小的功率之差大于p_tol，则约束条件C3为：

约束条件C4：对功率分配系数进行限制，此限制在求解最优功率分配系数的时候有作用，则约束条件C4为：

其中，

表示优化的目标函数，K表示每个簇中次用户的数目，B为常数，

表示第n簇的用户k，a_n,k表示第n簇的用户k的功率，R₀为次用户最小速率需求，β、γ为常数，p_tol为认知基站实际的总功率，P_t为认知基站实际的发射功率。

S4、获得优化方程的Lagrange函数，再根据KKT条件进行最优功率分配系数的求解，最后根据数学归纳法得出使得目标函数最优的功率分配系数，包括：

201、获得优化方程的Lagrange函数，优化方程的Lagrange函数表示为：

其中，L(a_n,k,λ,η,ζ)为优化方程的Lagrange函数，K表示每个簇中的次用户数量，β和γ为常数，η、λ和ζ为Lagrange乘子，η_k表示Lagrange乘子η的集合中的第k个元素，ζ_k表示Lagrange乘子ζ的集合中的第k个元素。

202、根据KKT条件进行最优功率分配系数的求解；

其中，a_n,k表示第n簇中的用户k的功率的分配系数，

和

分别表示L(a_n,k,λ,η,ζ)取极值点时a_n,k、η、λ和ζ的值，且这里设集合O为Lagrange乘子λ的集合，集合Ω为Lagrange乘子η的集合，η_k表示Lagrange乘子η的集合Ω中的第k个元素，集合Ψ为Lagrange乘子ζ的集合，ζ_k表示Lagrange乘子ζ的集合Ψ中的第k个元素。

若设O＝{λ}；Ω＝{η₁,η₂,η₃,...,η_K}；Θ＝{ζ₁,ζ₂,ζ₃,...,ζ_K}，由于K≥2，所以可得Lagrange函数L(a_n,k,λ,η,ζ)的最优解的集为：

Ψ＝{λ,η₂或ζ₂,η₃或ζ₃,η₄或ζ₄,...,η_K或ζ_K}；

假设满足认知系统的最小速率的条件，即：Ψ＝{λ,ζ₂,ζ₃,ζ₄,...,ζ_K}，且ζ₁＝η₁＝η₂＝η₃＝...＝η_K＝0时，此时有：

当每组次用户数目为2,3,4时候的功率分配系数分别为：

当K＝2时，每簇中每个次用户的功率分配系数为：

当K＝3时，每簇中每个次用户的功率分配系数为：

当K＝4时，每簇中每个次用户的功率分配系数为：

203、根据数学归纳法得出使得目标函数最优的功率分配系数；

由数学归纳法，得到簇簇头的功率分配系数为：

每簇中的其他K-1个用户，可得功率分配系数为：

S5、验证所求的解是否符合KKT条件，如果符合KKT条件，则此功率分配系数可使系统容量更优：

验证所求的解是否符合KKT条件是验证不含特殊性的任一情况，本发明验证当N＝8的情况，此时，每个簇中有四个次用户，即：K＝4，此时，假设Ψ＝{λ,ζ₂,ζ₃,ζ₄},Θ＝{ζ₂,ζ₃,ζ₄}，令

等于0，再根据几何运算，可以得到如下关系式：

从上式可以解得：

上式表达式满足，

η，λ，ζ均满足大于等于零，可知满足KKT条件。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括至少一个该特征，不能理解为对本发明的限制。

Claims

1.认知MIMO网络中次用户系统容量的优化方法，其特征在于，包括：

S3、分簇之后以次用户系统容量为优化目标列出满足优化要求的优化方程，该方程表示为：

S4、获得优化方程的Lagrange函数，根据KKT条件进行最优功率分配系数的求解，根据数学归纳法得出使得目标函数最优的功率分配系数；

S5、验证所求的解是否符合KKT条件，如果符合KKT条件，则此功率分配系数可使次用户系统容量更优；

其中，

表示第n簇的用户k，a_n,k表示第n簇的用户k的功率分配系数。

2.根据权利要求1所述的认知MIMO网络次用户系统容量优化方法，其特征在于，计算次用户信道矩阵的迹，根据信道矩阵迹的大小对信道进行排序包括：

首先求得各信道矩阵的迹：

然后按照信道矩阵迹的大小进行排序，则排序之后为：

h_n,1＞h_n,2＞h_n,3＞…＞h_n,K；

3.根据权利要求1所述的认知MIMO网络次用户系统容量优化方法，其特征在于，在发送端采用最小均方误差方法进行预编码设计包括：

预编码矩阵为：U＝(H^HH+σ²I)^-1H^H；

4.根据权利要求1所述的认知MIMO网络中次用户系统容量的优化方法，其特征在于，根据信道矩阵迹的排序，使用头尾分簇法对次用户进行分簇包括：

考虑每个簇中次用户的数量为奇数和偶数两种情况，将整个次用户系统分成两个簇，即n＝{1,2}，n表示第n簇；

当K为偶数时，第一簇的信道增益分布为：

第二簇的信道增益分布为：

当K为奇数时，第一簇的信道增益分布为：

第二簇的信道增益分布为：

其中，K表示每个簇中次用户的数目，

表示在第n簇中的用户k，g_i表示第i个用户。

5.根据权利要求1所述的认知MIMO网络次用户系统容量优化方法，其特征在于，考虑优化目标函数的约束包括：

C1:

R₀/B＝γ；

约束条件C3：已经解码的次用户与尚未解码的次用户之间最小的功率之差大于p_tol，则相应的约束条件C3为：

p_tol×(P_t/2)^-1＝β；

约束条件C4：对功率分配系数进行限制，此限制在求解最优功率分配系数的时候有作用，约束条件C4为：

其中，R₀为次用户最小速率需求，β、γ为常数，p_tol为认知基站实际的总功率，P_t为认知基站实际的发射功率。

6.根据权利要求1所述的认知MIMO网络次用户系统容量优化方法，其特征在于，所述获得优化方程的Lagrange函数包括：

其中，L(a_n,k,λ,η,ζ)为优化方程的Lagrange函数，K表示每个簇中的次用户数量，β和γ为常数，B为常数，

表示第n簇的第k个用户，η、λ和ζ为Lagrange乘子，η_k表示Lagrange乘子η的集合中的第k个元素，ζ_k表示Lagrange乘子ζ的集合中的第k个元素，a_n,k表示第n簇中的用户k的功率的分配系数。

7.根据权利要求1所述的一种认知MIMO网络中次用户系统容量的优化方法，其特征在于，所述验证所求的解是否符合KKT条件包括：求解出最优功率分配系数之后，随意选取其中不存在特殊性的一组数据验证是否满足KKT条件，如果符合KKT条件，则此功率分配系数可使次用户系统容量更优。