CN108012272A - 基于认知网络中动态功率分配的干扰对齐方法 - Google Patents
基于认知网络中动态功率分配的干扰对齐方法 Download PDFInfo
- Publication number
- CN108012272A CN108012272A CN201711243344.5A CN201711243344A CN108012272A CN 108012272 A CN108012272 A CN 108012272A CN 201711243344 A CN201711243344 A CN 201711243344A CN 108012272 A CN108012272 A CN 108012272A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- matrix
- interference
- user
- 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.)
- Granted
Links
- 230000019771 cognition Effects 0.000 title abstract 2
- 239000011159 matrix material Substances 0.000 claims abstract description 177
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 230000001629 suppression Effects 0.000 claims description 37
- 230000001149 cognitive effect Effects 0.000 claims description 23
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000000354 decomposition reaction Methods 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001112867 Jafar Species 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0426—Power distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0452—Multi-user MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线通信技术领域,特别涉及一种基于认知网络中动态功率分配的干扰对齐方法,包括:将次用户的第一预编码矩阵和第一干扰抑制矩阵进行矩阵分解;得到第一干扰消除参数和第二预编码矩阵,第二干扰消除参数和第二干扰抑制矩阵;通过消除主次用户间干扰的成立条件来求解第一干扰消除参数和第二干扰消除参数;在消除了主用户与次用户之间干扰的情况下,考虑功率分配对系统性能带来的影响,使用交替迭代法求解出最优的第二预编码矩阵、第二干扰抑制矩阵及用户的发射功率;本发明充分考虑功率对系统性能的影响,动态的求解出最优的预编码、干扰抑制矩阵及用户的发射功率,提高了系统性能。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种基于认知网络中动态功率分配的干扰对齐方法。
背景技术
无线通信在最近二十年里经历了飞速的发展,2009年中国政府发放了3G运营牌照,4年之后的2013年,4G技术已成功商用。随着无线移动终端的普及,尤其是近几年移动互联网业务的兴起,用户能够随时随地十分方便的接入网络享受高速的数据服务。然而随着用户数的增加,干扰问题变得尤为突出。如何提高无线通信系统的容量、数据速率以及稳定性、有效的降低系统的干扰成为亟待解决的问题。在无线通信系统中,干扰问题总是如影随形,是一个至关重要的问题。因此,在当前频谱资源紧缺并且无线通信需求还在不断增长的情况下,研究如何对抗干扰,提高频谱利用率就显得十分必要而有意义。
传统的干扰管理技术方法主要有:将干扰视作噪声、干扰正交化和将干扰解码等。但是上述几种干扰管理方法都有着各自不可避免的问题,如频谱利用率低,计算复杂度高等。2008年加州大学的Jafar教授最早提出利用干扰对齐(Interference Alignment,IA)解决干扰问题,干扰对齐的实现是通过在发送端采用预编码矩阵将期望信号和干扰信号在空间、时间或频率上隔离,并利用波束成型技术压缩干扰信号在非期望接收端上的维度,最后在接收端采用接收矩阵最小化干扰和噪声所带来的影响。相较于“切蛋糕”式的正交化频谱共享方式,干扰对齐技术能够极大的提高频谱利用率,获得更高的系统自由度(Degrees ofFreedom,DoF)。干扰对齐从理论上证明了,无线通信系统的信道容量不是干扰受限的,在K对用户的无线信道中,每个用户最多可以获得相对于只存在一对用户时总频谱资源的1/2,K对用户最多可以获得相对于只存在一对用户时总频谱资源的K/2倍,也就是说信道容量是随着用户数的增加而线性增加的,从而极大的提高了信道容量和频谱利用率。
此后,在多用户多输入多输出(Multiple-Input Multiple-Output,MIMO)无线网络中,利用干扰对齐对抗干扰成为了重要的研究方向。近年来干扰对齐逐渐应用到认知无线电中,在认知无线电(Cognitive Radio,CR)中,次用户通过频谱感知技术检测主用户的空闲子信道,在发送端通过干扰对齐技术将对主用户的干扰对齐在主用户的空闲子信道上。这样,次用户就可以在相同的频段上进行通信,并且不对主用户产生干扰,提高了频谱的利用率,符合认知无线电的思想。但是,传统的认知无线电干扰对齐算法只考虑了次用户对主用户的干扰对齐,忽略了次用户之间的干扰对齐。而当存在多对次用户时,只考虑次用户对主用户的干扰对齐是不够的,因为次用户之间的干扰将严重影响着次用户的通信性能;因此,还要考虑次用户之间的干扰对齐。
发明内容
针对以上技术问题,本发明提出一种基于认知网络中动态功率分配的干扰对齐方法,包括:
S1、将次用户的第一预编码矩阵Vi分解为第一干扰消除参数Gi和第二预编码矩阵将第一干扰抑制矩阵Ui分解为第二干扰消除参数Bi和第二干扰抑制矩阵
S2、通过消除主次用户间干扰的成立条件来求解第一干扰消除参数Gi和第二干扰消除参数Bi;
S3、在消除了主用户与次用户之间干扰的的情况下,使用交替迭代法求解出最优的预编码矩阵、干扰抑制矩阵及功率分配Pi;
优选地,将次用户的预编码矩阵Vi和干扰抑制矩阵Ui进行矩阵分解包括:
次用户的预编码矩阵:
次用户的干扰抑制矩阵:
其中,为第二预编码矩阵,为第二干扰抑制矩阵,Kp为主用户的用户数,K为主用户与次用户的用户数之和。
优选地,通过消除主次用户间干扰的成立条件来求解第一干扰消除参数Gi和第二干扰参数Bi包括:
且i=Kp+1,Kp+2,…,K,j=1,2,…,Kp;
其中,为Uj的转置共轭矩阵,为Bi的转置共轭矩阵,Hij是发送端j到接收端i的信道矩阵,Hji是发送端i到接收端j的信道矩阵。
优选地,交替迭代法包括:
首先通过满足主用户与次用户之间干扰对齐成立条件,即消除主用户与次用户之间干扰求出次用户的第一干扰参数Gi和第二干扰参数Bi。
101、开始迭代求解消除次用户间干扰的次用户预编码干扰抑制矩阵及每个用户所分配的功率pi,设置迭代的收敛阈值z,及系统总功率Pt;
102、令n=1,初始化功率分配pi与干扰抑制矩阵以及与预编码矩阵求此时f0;
103、首先固定功率分配、干扰抑制矩阵,利用最小干扰泄漏算法求此时最优预编码矩阵;
104、在反向通信中,利用信道互易性,固定功率分配、预编码矩阵求此时最优干扰抑制矩阵;
105、固定干扰抑制矩阵、预编码矩阵,利用最大和容量算法求此时最优功率分配;
106、利用步骤103~106所求功率分配与干扰抑制矩阵以及与预编码矩阵求fn,;
107、当|fn-fn-1|≤z迭代结束,否则令n=n+1并返回步骤103。
优选地,固定功率分配、干扰抑制矩阵,利用最小干扰泄漏算法求此时最优第二预编码矩阵为:
其中,pi为用户i的功率,为第二干扰矩阵,为第二预编码矩阵,Gi表示第一干扰消除参数,Bi表示第二干扰消除参数,Hij是发送端j到接收端i的信道矩阵,Hij是发送端i到接收端j的信道矩阵,sj是发送端i的发送信号,表示di个最小特征值对应的特征向量,上标H表示矩阵的转置共轭矩阵。
优选的,利用信道互易性,固定功率分配、预编码矩阵求此时最优第二干扰抑制矩阵为:
本发明在主用户间和次用户间的干扰对齐,大多数认知干扰对齐迭代优化算法只是关注预编码和干扰抑制矩阵的设计,忽略了用户间功率分配的影响,而阻碍了系统整体性能的进一步提升;在多个主用户和多个次用的认知MIMO网络中,首先,为保证主用户次用户的接入不对主用户的通信造成不利的影响,由次用户单方面进行消除主用户与次用户之间的干扰;其次,为充分考虑功率对系统性能的影响,在根据干扰功率在期望信号空间最小求解最优的预编码和干扰抑制矩阵时,联合用户间功率分配,动态的求解出最优的预编码、干扰抑制矩阵及功率分配,使每个用户动态的分配最优的功率从而提高了系统性能。
附图说明
图1为本发明所需的多主用户、多次用户的认知MIMO系统模型框架;
图2为本发明一种基于认知网络中动态功率分配的干扰对齐方法的流程图;
图3为本发明一种基于认知网络中动态功率分配的干扰对齐方法中的交替迭代法流程图。
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2所示,具体包括以下步骤:
S1、将次用户的第一预编码矩阵Vi分解为第一干扰消除参数Gi和第二预编码矩阵将第一干扰抑制矩阵Ui分解为第二干扰消除参数Bi和第二干扰抑制矩阵
S2、令主用户与次用户之间的干扰为零,求解第一干扰消除参数Gi和第二干扰消除参数Bi;
S3、在消除了主用户与次用户之间干扰的情况下,使用交替迭代法求解出最优的第二预编码矩阵、第二干扰抑制矩阵及功率分配Pi。
进一步地,还可以包括:
S4、根据求解最优的第二预编码矩阵第二干扰抑制矩阵及功率分配Pi分析次用户干扰对齐成立的必要性条件。
特别说明的是,S1-S3已经达成了干扰对齐,S4只是分析,得到的是次用户自由度的上限,表达出与传统MIMO干扰信道中的制约条件不同。
本发明考虑主用户、多次用户的认知MIMO系统,图1为多主用户、多次用户的认知MIMO系统模型框架图。考虑共有K=Kp+Ks对用户,其中Kp个主用户对、KS个次用户对。每个主用户发收两端均分别配置Mp和Np根天线,同样地,每个次用户发收两端均分别配置Ms和Ns根天线,假设用户i(i=1,2,…K)发送di个数据流(即用户i的自由度为di),系统模型如图1所示。
在特定的时频资源上,接收端i的接收信号为:
其中Vj和Vi分别为发送端j和i的预编码矩阵,其维度分别为Mj×dj和Mi×di,且维度为di×1的si是发送端i的发送信号,且满足其中E[·]表示·的期望;定义Hij(Ni×Mj)为发送端j到接收端i的信道矩阵,Hii(Ni×Mi)是发送端i到接收端i的信道矩阵,假设信道是平坦衰落的,信道中每个元素独立同分布,服从均值为0方差为1的复高斯分布。ni为均值为0方差1的加性高斯白噪声,且满足其中E[·]表示·的期望,接收信号yi经过干扰抑制矩阵Ui(Ni×di)处理之后为:
其中且满足条件:
其中i,j=1,2,…K。
本发明的方法具体包括如下步骤:
S1、将次用户的第一预编码矩阵Vi分解为第一干扰消除参数Gi和第二预编码矩阵将第一干扰抑制矩阵Ui分解为第二干扰消除参数Bi和第二干扰抑制矩阵包括:
在认知无线网络中,由于主用户是授权用户,甚至不知道次用户的存在。次用户作为非授权用户只有在不影响主用户通信的前提下才允许接入。因此在设计次用户的第一预编码矩阵Vi和第一干扰抑制矩阵Ui时不仅要消除次用户对主用户和主用户对次用户的干扰而且还要在消除次用户间干扰的同时尽量使其性能最优。为此,分别对Vi和Ui进行分解:
S2、令主用户与次用户之间的干扰为零,求解第一干扰消除参数Gi和第二干扰消除参数Bi;
分别用Gi和Bi来消除次用户i对每一个主用户的干扰和每一个主用户对次用户i的干扰,公式表达如下:
且j=1,2,…,Kp;
令
Gi取Li的零空间,且维数为 的维数为Bi取Oi的零空间,且维数为 的维数为
S3、在消除了主用户与次用户之间干扰的的情况下,使用交替迭代法求解出最优的第二预编码矩阵、第二干扰抑制矩阵及功率分配Pi;
优选的,如图3,交替迭代法求解出最优的第二预编码矩阵、第二干扰抑制矩阵及功率分配Pi包括:
101、开始迭代求解消除次用户间干扰的次用户预编码干扰抑制矩阵及每个用户所分配的功率pi,设置迭代的收敛阈值z,及系统总功率Pt;
102、令n=1,初始化功率分配pi与干扰抑制矩阵以及与预编码矩阵求此时f0;
103、首先固定功率分配、干扰抑制矩阵,利用最小干扰泄漏算法求此时最优预编码矩阵;
104、在反向通信中,利用信道互易性,固定功率分配、预编码矩阵求此时最优干扰抑制矩阵;
105、固定干扰抑制矩阵、预编码矩阵,利用最大和容量算法求此时最优功率分配;
106、利用所求功率分配与干扰抑制矩阵以及与预编码矩阵求fn;
107、当|fn-fn-1|≤z迭代结束,否则令n=n+1并返回步骤103;
通过迭代的方式为每个用户动态的分配最优的功率从而提高系统性能。
在消除主次用户间的干扰之后,为提高次用户的性能,充分考虑功率对系统性能的影响,在根据干扰功率在期望信号空间最小的原则求解最优的第二预编码矩阵和第二干扰抑制矩阵时,联合用户间功率分配,动态的求解出最优的预编码、干扰抑制矩阵及功率分配Pi;
在消除了主次用户间的干扰之后,在次用户系统间进行干扰对齐,使用根据干扰功率在期望信号空间最小的原则求解最优的预编码矩阵和干扰抑制矩阵。
为求出最优固定功率pi,并满足下式:
根据瑞利熵定理,固定定功率分配、干扰抑制矩阵,利用最小干扰泄漏算法求此时最优第二预编码矩阵,可以得到:
其中,表示di个最小特征值对应的特征向量,上标H表示矩阵的转置共轭矩阵,pk表示用户k的功率,tr(·)表示矩阵·的迹。
由信道互易性,固定功率分配、预编码矩阵求此时最优第二干扰抑制矩阵,可以得到:
其中,表示di个最小特征值对应的特征向量,pi表示用户i的功率。
根据次用户系统和容量最优,求解每一个用户的所分配的功率,固定第二干扰抑制矩阵、第二预编码矩阵,利用最大和容量算法求此时最优功率分配,求出最优的pi,需要满足下式:
由凸优化可知上式的最优问题可以通过拉格朗日乘数法解决:
其中,是拉格朗日乘子且不等于0,令得到:
令得到:
将上式写成矩阵的形式为:
化简得:
其中,bki为干扰信号功率系数矩阵,bki表示第i个用户对第k个用户的干扰信号功率系数,表示为bkk为期望信号功率系数矩阵,bkk表示用户k的期望信号功率系数,表示为k,i∈[1,K],表示用户k的干扰抑制矩阵的转置共轭矩阵,Hki表示发送端i到接收端k的信道矩阵,Vki表示发送端i到接收端k的预编码矩阵,K为主用户与次用户的用户数之和,C为信道容量,I为单位矩阵,k∈[1,K],Hkk表示发送端k到接收端k的信道矩阵,Vkk表示发送端k到接收端k的期望信号的预编码矩阵,Pt表示系统总功率。
首先通过满足主用户与次用户之间干扰对齐成立条件,即消除主用户与次用户之间干扰求出次用户的第一干扰参数Gi和第二干扰参数Bi。
根据求解最优的第二预编码矩阵第二干扰抑制矩阵及功率分配Pi分析次用户干扰对齐成立的必要条件,得到次用户自由度的上限;
次用户系统中干扰对齐成立所需的最优的第二预编码矩阵和最优的第二干扰抑制矩阵已经求解出来了,在认知无线网络中,当主用户存在时次用户干扰对齐成立的必要条件是不同于传统MIMO干扰信道干扰对齐成立的必要条件的;所以,必须分析次用户干扰对齐成立的必要条件,已知次用户干扰对成立条件为:
要使上述方程组有解,根据Bezout定理,独立方程个数Ne应不大于独立变量的个数Nv。
由Nv≥Ne可以得到得次用户干扰对齐成立的必要条件:
其中,ds表示次用户的自由度,dp表示主用户的自由度。
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。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于认知网络中动态功率分配的干扰对齐方法,其特征在于,包括:
S1、将次用户的第一预编码矩阵Vi分解为第一干扰消除参数Gi和第二预编码矩阵将第一干扰抑制矩阵Ui分解为第二干扰消除参数Bi和第二干扰抑制矩阵
S2、令主用户与次用户之间的干扰为零,求解第一干扰消除参数Gi和第二干扰消除参数Bi;
S3、在消除了主用户与次用户之间干扰的的情况下,使用交替迭代法求解出最优的第二预编码矩阵、第二干扰抑制矩阵及功率分配Pi。
2.根据权利要求1所述的一种基于认知网络中动态功率分配的干扰对齐方法,其特征在于,所述将次用户的第一预编码矩阵Vi分解为第一干扰消除参数Gi和第二预编码矩阵将第一干扰抑制矩阵Ui分解为第二干扰消除参数Bi和第二干扰抑制矩阵包括:
预编码矩阵:i=Kp+1,Kp+2,…,K;
干扰抑制矩阵:i=Kp+1,Kp+2…,K;
其中,Kp为主用户的用户数,K为主用户与次用户的用户数之和。
3.根据权利要求1所述的一种基于认知网络中动态功率分配的干扰对齐方法,其特征在于,所述令主用户与次用户之间的干扰为零,求解第一干扰消除参数Gi和第二干扰消除参数Bi包括:
其中
且i=Kp+1,Kp+2,…,K,j=1,2,…,Kp;
若令
<mrow>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>V</mi>
<mn>1</mn>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<msub>
<mi>V</mi>
<mn>2</mn>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<msub>
<mi>H</mi>
<mrow>
<msub>
<mi>iK</mi>
<mi>p</mi>
</msub>
</mrow>
</msub>
<msub>
<mi>V</mi>
<msub>
<mi>K</mi>
<mi>p</mi>
</msub>
</msub>
<mo>&rsqb;</mo>
<mo>&rsqb;</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>U</mi>
<mn>1</mn>
<mi>H</mi>
</msubsup>
<msub>
<mi>H</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>,</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>U</mi>
<mn>2</mn>
<mi>H</mi>
</msubsup>
<msub>
<mi>H</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>,</mo>
<mo>...</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>U</mi>
<msub>
<mi>K</mi>
<mi>p</mi>
</msub>
<mi>H</mi>
</msubsup>
<msub>
<mi>H</mi>
<mrow>
<msub>
<mi>K</mi>
<mi>p</mi>
</msub>
<mi>i</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
Gi取Li的零空间,且维数为 的维数为Bi取Oi的零空间,且维数为 的维数为
其中,为Uj的转置共轭矩阵,为Bi的转置共轭矩阵,Hij是发送端j到接收端i的信道矩阵,Hik表示用户k到接收端i的信道矩阵,Hki表示用户i到接收端k的信道矩阵,其中k∈[1,Kp],Kp为主用户的用户数,VKp表示第Kp个用户的的预编码矩阵,Mi表示用户i发送端的天线数,di表示用户i的自由度,Ni表示用户i接收端的天线数,dj表示用户j的自由度,Hji是发送端i到接收端j的信道矩阵,上标H表示矩阵的转置共轭矩阵,K表示总的用户数。
4.根据权利要求1所述的一种基于认知网络中动态功率分配的干扰对齐方法,其特征在于,所述交替迭代法包括:
首先通过满足主用户与次用户之间干扰对齐成立条件,即消除主用户与次用户之间干扰,求出次用户的第一干扰参数Gi和第二干扰参数Bi,交替迭代过程如下:
101、开始迭代求解消除次用户间干扰的次用户预编码干扰抑制矩阵及每个用户所分配的功率pi,设置迭代的收敛阈值z及系统总功率Pt;
102、令n=1,初始化功率分配pi与干扰抑制矩阵以及与预编码矩阵求此时f0;
103、固定功率分配、干扰抑制矩阵,利用最小干扰泄漏算法求此时最优第二预编码矩阵;
104、在反向通信中,利用信道互易性,固定功率分配、预编码矩阵求此时最优第二干扰抑制矩阵;
105、固定第二干扰抑制矩阵、第二预编码矩阵,利用最大和容量算法求此时最优功率分配;
106、利用所求功率分配与干扰抑制矩阵以及与预编码矩阵求fn;
107、当|fn-fn-1|≤z迭代结束,否则令n=n+1并返回步骤103;
其中,n为迭代次数,f0表示初始的信道容量,z表示收敛阈值,fn=Cn表示第n次迭代时的信道容量。
5.根据权利要求4所述的一种基于认知网络中动态功率分配的干扰对齐方法,其特征在于,所述固定定功率分配、干扰抑制矩阵,利用最小干扰泄漏算法求此时最优第二预编码矩阵为:
<mrow>
<msub>
<mover>
<mi>U</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>R</mi>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>B</mi>
<mi>i</mi>
<mi>H</mi>
</msubsup>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
<msub>
<mover>
<mi>V</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<msubsup>
<mover>
<mi>V</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mi>H</mi>
</msubsup>
<msubsup>
<mi>G</mi>
<mi>j</mi>
<mi>H</mi>
</msubsup>
<msubsup>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>H</mi>
</msubsup>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,pi为用户i的功率,为第二干扰矩阵,为第二预编码矩阵,Gi表示第一干扰消除参数,Bi表示第二干扰消除参数,Hij是发送端j到接收端i的信道矩阵,Hij是发送端i到接收端j的信道矩阵,sj是发送端i的发送信号,Rdi表示di个最小特征值对应的特征向量,i∈[1,K],j∈[Kp+1,K],j≠i,上标H表示矩阵的转置共轭矩阵。
6.根据权利要求4所述的一种基于认知网络中动态功率分配的干扰对齐方法,其特征在于,所述利用信道互易性,固定功率分配、预编码矩阵求此时最优第二干扰抑制矩阵为:
<mrow>
<msub>
<mover>
<mi>V</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>R</mi>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>G</mi>
<mi>i</mi>
<mi>H</mi>
</msubsup>
<msubsup>
<mi>H</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>H</mi>
</msubsup>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<msub>
<mover>
<mi>U</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<msubsup>
<mover>
<mi>U</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mi>H</mi>
</msubsup>
<msubsup>
<mi>B</mi>
<mi>j</mi>
<mi>H</mi>
</msubsup>
<msub>
<mi>H</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,pi为用户i的功率,为第二干扰矩阵,为第二预编码矩阵,Gi表示第一干扰消除参数,Bi表示第二干扰消除参数,Hji是发送端i到接收端j的信道矩阵,Hij是发送端j到接收端i的信道矩阵,sj是发送端i的发送信号,i∈[1,K],j∈[Kp+1,K],j≠i,表示di个最小特征值对应的特征向量,上标H表示矩阵的转置共轭矩阵。
7.根据权利要求4所述的一种基于认知网络中动态功率分配的干扰对齐方法,其特征在于,所述固定第二干扰抑制矩阵、第二预编码矩阵,利用最大和容量算法求此时最优功率分配包括:
为了求解功率分配,固定最优的预编码矩阵和干扰抑制矩阵,需要满足条件:
<mrow>
<mi>C</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
<mi>I</mi>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>U</mi>
<mi>k</mi>
<mi>H</mi>
</msubsup>
<msub>
<mi>H</mi>
<mrow>
<mi>k</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>V</mi>
<mrow>
<mi>k</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
<mrow>
<mi>I</mi>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>U</mi>
<mi>k</mi>
<mi>H</mi>
</msubsup>
<msub>
<mi>H</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>V</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mrow>
</mfrac>
<mo>|</mo>
<mo>;</mo>
</mrow>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
</mrow>
由凸优化可知上式的最优问题可以通过拉格朗日乘数法解决:
其中,是拉格朗日乘子且不等于0,令得到:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>;</mo>
</mrow>
令得到:
将上式写成矩阵的形式为:
化简得:
其中,bki为干扰信号功率系数矩阵,bki表示第i个用户对第k个用户的干扰信号功率系数,表示为bkk为期望信号功率系数矩阵,bkk表示用户k的期望信号功率系数,表示为k,i∈[1,K],Uk表示用户k的干扰抑制矩阵,Hki表示发送端i到接收端k的信道矩阵,Vki表示发送端i到接收端k的预编码矩阵,表示矩阵的范数,K为主用户与次用户的用户数之和,C为信道容量,I为单位矩阵,pi表示用户i的功率,Hkk表示发送端k到接收端k的信道矩阵,Hki表示发送端i到接收端k的信道矩阵,Vkk表示发送端k到接收端k的期望信号的预编码矩阵,Vki表示发送端i到接收端k的期望信号的预编码矩阵,Pt表示系统总功率,上标H表示矩阵的转置共轭矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711243344.5A CN108012272B (zh) | 2017-11-30 | 2017-11-30 | 基于认知网络中动态功率分配的干扰对齐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711243344.5A CN108012272B (zh) | 2017-11-30 | 2017-11-30 | 基于认知网络中动态功率分配的干扰对齐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108012272A true CN108012272A (zh) | 2018-05-08 |
CN108012272B CN108012272B (zh) | 2021-11-12 |
Family
ID=62055585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711243344.5A Active CN108012272B (zh) | 2017-11-30 | 2017-11-30 | 基于认知网络中动态功率分配的干扰对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108012272B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112954806A (zh) * | 2021-01-26 | 2021-06-11 | 西安电子科技大学 | 异构网络中基于弦图着色的联合干扰对齐与资源分配方法 |
CN113287343A (zh) * | 2019-02-01 | 2021-08-20 | 索尼集团公司 | 用于无线通信的电子设备和方法、计算机可读存储介质 |
CN115664479A (zh) * | 2022-10-14 | 2023-01-31 | 杭州电子科技大学 | 一种基于mil准则和rcg算法的干扰对齐方法 |
CN115664479B (zh) * | 2022-10-14 | 2024-09-06 | 杭州电子科技大学 | 一种基于mil准则和rcg算法的干扰对齐方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120069824A1 (en) * | 2010-09-22 | 2012-03-22 | Haralabos Papadopoulos | Method for efficient mu-mimo transmission by joint assignments of transmission architecture, and interference alignmnet schemes using optimized user-code assignments and power-allocation |
CN103368702A (zh) * | 2013-07-15 | 2013-10-23 | 东南大学 | 无线局域网分布式干扰对齐中的流数自适应方法 |
CN104883214A (zh) * | 2015-05-11 | 2015-09-02 | 大连理工大学 | 基于自由度调度的干扰对齐方法 |
CN105680925A (zh) * | 2016-03-04 | 2016-06-15 | 上海师范大学 | 一种基于干扰对齐的d2d用户的功率控制方法 |
CN105704721A (zh) * | 2016-01-13 | 2016-06-22 | 上海师范大学 | 一种提高频谱利用率的d2d-p复用蜂窝网络通信方法 |
CN107070520A (zh) * | 2017-04-26 | 2017-08-18 | 重庆邮电大学 | 一种基于级联预编码和esinr准则的d2d通信干扰对齐方法 |
-
2017
- 2017-11-30 CN CN201711243344.5A patent/CN108012272B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120069824A1 (en) * | 2010-09-22 | 2012-03-22 | Haralabos Papadopoulos | Method for efficient mu-mimo transmission by joint assignments of transmission architecture, and interference alignmnet schemes using optimized user-code assignments and power-allocation |
CN103368702A (zh) * | 2013-07-15 | 2013-10-23 | 东南大学 | 无线局域网分布式干扰对齐中的流数自适应方法 |
CN104883214A (zh) * | 2015-05-11 | 2015-09-02 | 大连理工大学 | 基于自由度调度的干扰对齐方法 |
CN105704721A (zh) * | 2016-01-13 | 2016-06-22 | 上海师范大学 | 一种提高频谱利用率的d2d-p复用蜂窝网络通信方法 |
CN105680925A (zh) * | 2016-03-04 | 2016-06-15 | 上海师范大学 | 一种基于干扰对齐的d2d用户的功率控制方法 |
CN107070520A (zh) * | 2017-04-26 | 2017-08-18 | 重庆邮电大学 | 一种基于级联预编码和esinr准则的d2d通信干扰对齐方法 |
Non-Patent Citations (1)
Title |
---|
FEREIDOUN H. PANAHI ETC.: "Interference alignment and power allocation for multi-user MIMO interference channels", 《2016 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113287343A (zh) * | 2019-02-01 | 2021-08-20 | 索尼集团公司 | 用于无线通信的电子设备和方法、计算机可读存储介质 |
CN113287343B (zh) * | 2019-02-01 | 2024-04-30 | 索尼集团公司 | 用于无线通信的电子设备和方法、计算机可读存储介质 |
CN112954806A (zh) * | 2021-01-26 | 2021-06-11 | 西安电子科技大学 | 异构网络中基于弦图着色的联合干扰对齐与资源分配方法 |
CN112954806B (zh) * | 2021-01-26 | 2022-10-21 | 西安电子科技大学 | 异构网络中基于弦图着色的联合干扰对齐与资源分配方法 |
CN115664479A (zh) * | 2022-10-14 | 2023-01-31 | 杭州电子科技大学 | 一种基于mil准则和rcg算法的干扰对齐方法 |
CN115664479B (zh) * | 2022-10-14 | 2024-09-06 | 杭州电子科技大学 | 一种基于mil准则和rcg算法的干扰对齐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108012272B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Interference alignment techniques for MIMO multi-cell interfering broadcast channels | |
CN102055563B (zh) | 一种适用于多基站协作的自适应联合线性预编码方法 | |
CN110492915A (zh) | 一种基于mimo-noma短包传输的功率分配方法 | |
CN104158573B (zh) | 消除干扰的预编码方法及系统 | |
CN106102073B (zh) | 一种异构认知无线网络下行链路干扰对齐方法 | |
Miandoab et al. | A user pairing method to improve the channel capacity for multiuser MIMO channels in downlink mode based on NOMA | |
CN104039004A (zh) | 大规模多输入多输出系统中异构用户导频功率优化分配方法 | |
CN107070520A (zh) | 一种基于级联预编码和esinr准则的d2d通信干扰对齐方法 | |
CN108012272B (zh) | 基于认知网络中动态功率分配的干扰对齐方法 | |
Gharagezlou et al. | Secrecy sum rate analysis and power allocation with OSTBC and artificial noise for MIMO systems | |
CN103607260B (zh) | 基于mimo系统总干扰泄漏最小的预编码矩阵组的选择算法 | |
CN105429687B (zh) | 一种最小化干扰功率与维度的干扰对齐方法 | |
CN103929224A (zh) | 蜂窝网络中干扰抑制方法及装置 | |
Louie et al. | Spatial multiplexing with MMSE receivers in ad hoc networks | |
CN103346867B (zh) | 基于三角分解和slnr算法的多小区多用户同频干扰抑制方法 | |
Tien Ngoc et al. | Harvested energy and spectral efficiency trade-offs in multicell MIMO wireless networks | |
Li et al. | Power Allocation Method of Downlink Non-orthogonal Multiple Access System Based on α Fair Utility Function | |
Anderson et al. | Sum-rate maximization in distributed-antenna heterogeneous MIMO downlinks: Application to measured channels | |
Kaleva et al. | Decentralized sum MSE minimization for coordinated multi-point transmission | |
Yoon et al. | Downlink interference alignment with multi-user and multi-beam diversity for fog RANs | |
KR101741361B1 (ko) | 간섭 정렬 기반의 인지 무선 네트워크에서 최적의 송수신 장치 설계 방법 | |
Bogale et al. | Linear transceiver design for downlink multiuser MIMO systems: Downlink-interference duality approach | |
CN105099530B (zh) | 认知无线电mimo-ofdm系统中基于认知用户漏功率的干扰抑制预编码方法 | |
Aycan Beyazıt et al. | On stream selection for interference alignment in heterogeneous networks | |
Xu et al. | Joint interference alignment and power allocation in MIMO interference network |
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 |