CN109379705A - 一种基于位置信息的功率分配方法 - Google Patents

Abstract

本发明提供了一种基于位置信息的功率分配方法，可用于认知无线电网络中。目标认知无线电网络由基站、主用户、认知用户等构成，且位于城市峡谷等恶劣的环境中。针对该网络所设计的功率分配方法，首先要求认知用户通过基于协作定位获取自身位置信息并估计自身的定位误差，进一步获得认知用户与认知用户的距离及距离误差，再结合相关位置信息构建功率优化模型，获取使得网络吞吐量最大的功率分配方案。本发现利用协作定位技术获取节点的位置信息，并基于位置信息合理地分配用户功率，有效提高认知用户之间的吞吐量。

Description

一种基于位置信息的功率分配方法

技术领域

本发明属于无线通信及无线网络技术应用领域，具体涉及一种基于位置信息的功率分配方法。

背景技术

随着无线通信的快速发展，当前的频谱资源越来越稀缺，而认知无线电网络可以有效提高频谱利用效率、缓解频谱资源紧张。其中，主用户对授权频段拥有优先使用权，认知用户必须在保证主用户通信质量的情况下利用授权频段进行通信。而作为通信网络优化的重要因素，位置信息在中继选择、链路调度、资源分配、路由规划等方面已被越来越多的专家学者密切关注与研究。目前，对于位置信息的获取，绝大多数应用均采用GNSS定位方式。但是在恶劣的环境条件下，如城市峡谷、森林及强信号干扰环境，GNSS信号易受干扰，所提供的位置信息与真实位置信息会存在较大的偏差。而协作定位能够有效利用通信网络中各设备单元的定位信息，来提高定位性能与稳定性。

本发明提供了一种基于位置信息的功率分配方法。该方法利用基于协作定位进行位置感知获取位置信息，合理分配系统功率，从而提高通信系统性能。所提出的功率分配方法，首先要求主用户与认知用户通过基于协作定位的位置感知方法获取自身位置信息并估计自身的定位误差，再进一步可获得用户与用户的距离及距离误差，再结合相关信息构建功率优化模型获得最佳的功率分配方案。

发明内容

本发明要解决的问题是在恶劣环境条件下，认知无线电网络无法通过传统定位方法对用户进行准确定位，进而无法利用位置信息来优化功率分配，造成网络吞吐量降低。为解决上述问题，针对由基站、主用户、认知用户构成的认知无线电系统，本发明提出了一种基于位置信息的功率分配方法，具体包括以下步骤：

1)获取用户间位置信息。在认知无线电网络中，基站与各认知用户以一定的定位功率用广播的形式发送定位信息；认知用户收集上述的定位信息后，计算获取自身的位置信息；获取所有用户的位置后，计算用户与用户之间的距离及距离误差估计。

2)基于拓扑信息，构建优化模型。利用网络的拓扑信息、信道信息及定位功率大小，计算定位信号对通信的干扰；接着构建一个权衡距离误差估计与定位信号干扰，最大化认知用户吞吐量，关于功率分配的非凸优化模型。该优化模型以认知用户的定位功率与通信功率作为优化变量，以认知用户间的吞吐量最大化作为优化目标，以认知用户的功率上限以及主用户的通信质量下限作为优化约束。

3)求解优化模型，分配认知用户功率。先对步骤(2)得到的优化模型的优化目标和优化约束，先加入冗余变量进行放缩，再进行解耦与线性化操作，获得形式简单的凸优化模型。接着，设置迭代最大迭代次数，赋予优化变量满足优化约束的原始值。然后开始迭代操作，在已有的优化变量与优化目标的基础上，寻找计算获得新优化变量值以及新优化目标值。直到优化目标收敛或迭代至最大次数，返回新优化变量值和新优化目标值，并作为优化结果对用户功率进行分配。

本发明与现有技术相比，所具有的有益效果是：

基于协作定位技术获取认知用户位置信息与距离信息，并进一步计算获得距离的误差估计及定位信号干扰；同时通过构建权衡定位误差与定位信号干扰的功率优化模型，合理地分配认知用户功率，在保证主用户正常通信的前提下，使得认知用户吞吐量最大化。

附图说明

图1是本发明一种基于位置感知的功率分配方法的模型求解方法流程图；

图2是本发明的一种认知无线电系统的用户拓扑结构示意图；

图3是本发明实施例的优化收敛特性图；

图4是本发明实施例的优化效果对比图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不限用于限制本发明的范围。

本发明设计了一种基于位置信息的功率分配方法，要求在一个认知无线电系统中，认知用户不使用传统定位方式，而是采用基于协作定位方式获取位置信息，再利用相关信息对网络中认知用户功率分配进行优化，提高认知用户的吞吐量。

该方法包括如下步骤：

(1)获取各用户的位置信息。在认知无线电网络中，基站与各认知用户以一定的定位功率用广播的形式发送定位信息；认知用户i收集上述的定位信息后，计算获取自身的位置信息p_i＝[x_i,y_i]^T；获取所有用户的位置后，计算用户h与用户k之间的距离L_kh＝||p_k-p_h||及距离误差估计ΔL_kh。其中ΔL_kh满足如下公式

Ω_CRN是该认知无线网络中所有设备单元的集合，包括基站与认知用户；P_L表示为用户定位功率；q_ki＝[cosθ_ki,sinθ_ki]^T，θ_ki表示为用户k与用户i之间的几何角度；λ_ki受信道质量影响可表示为

其中W表示有效带宽，c为光速，σ²为信道噪声，χ_ki表示为等效多径传输系数。而g_ki与h_ki则表示为两节点之间信道的增益与响应，ε为路径损耗系数。

(2)基于拓扑信息，构建优化模型。利用网络的拓扑信息、信道信息及定位功率大小，计算定位信号对通信的干扰I(P_L)；接着构建一个权衡距离误差估计与定位信号干扰，最大化认知用户吞吐量，关于功率分配的非凸优化模型。该优化模型可具体表示为

[α(1-Q_FA)·P_b+(1-α)·Q_MDP_b+α·Q_FA·P_s+(1-α)·Q_DEP_s]≤P₀

P_L≤P₁

其中α、Q_FA、Q_MD分别表示该频段被主用户占用概率、虚警概率、漏检概率。P_b与P_s分别表示用户检测到频段不被占用及被占用时发送用户的通信功率。P_L，P₀，P₁分别表示定位功率，通信功率上限，定位功率上限。表示主用户与基站链路的中断概率，则表示中断概率的上限。P_PT、ρ、ε分别表示基站的通信功率、主用户门限信噪比、路径损耗系数。g_p、h_p、g_sp、h_sp分别表示基站与主用户之间信道增益与响应和认知用户与主用之间信道增益与响应。L、L_sp则表示基站与主用户的距离、主用户与认知用户之间的距离。而Υ₁、Υ₂则分别表示频段不被占用及占用时的吞吐量，受定位误差估计与定位信号干扰共同影响，可具体表示为，

其中P_ST为当前发送用户的通信功率，定位信号干扰L_ps表示基站与接收用户的距离。

(3)求解优化模型，获得认知用户功率分配。先对步骤2)中的优化模型的优化目标和优化约束，加入冗余变量，进行放缩，再进行解耦与线性化操作，获得形式简单的凸优化模型。接着，设置迭代最大迭代次数N_itn，赋予优化变量P_b ⁰、P_s ⁰、P_L ⁰，校正因子Ω。然后开始迭代操作，即在在已有的优化变量值与优化目标值的基础上，寻找计算获得新优化变量值以及新优化目标值。直到优化目标收敛或迭代至最大次数N_itn，返回新优化变量值和新优化目标值，并作为优化结果P_b、P_s、P_L对用户功率进行分配。

实施例

在一个认知无线电网络中，主用户与认知用户随机地分布在以主用户为原点的坐标系中。设定在认知无线电网络中，总有认知用户(104)向认知用户(105)传输相关信息，所用频谱资源为基站与主用户(102)之间的下行频段。认知用户基站的信号发送功率P_PT为30kW，频段占用概率α为0.85，虚警概率Q_FA为0.05、漏检概率Q_MD为0.02，其中相关信道的增益与响应按高斯分布随机设置。其它相关参数进行如下设置：σ²＝-60dBm，ε＝3，P₀＝5W，P₁＝0.1W，针对该系统提出了一种基于位置感知的功率分配方法，具体包括以下步骤：

(1)获取各用户的位置信息。在认知无线电网络中，基站与各认知用户以一定的定位功率用广播的形式发送定位信息；认知用户i收集上述的定位信息后，计算获取自身的位置信息p_i＝[x_i,y_i]^T；获取所有用户的位置后，计算用户h与用户k之间的距离L_kh＝||p_k-p_h||及距离误差估计ΔL_kh。其中ΔL_kh满足如下公式

Ω_CRN是该认知无线网络中所有设备单元的集合，包括基站与认知用户；P_L表示为用户定位功率；q_ki＝[cosθ_ki,sinθ_ki]^T，θ_ki表示为用户k与用户i之间的几何角度；λ_ki受信道质量影响可表示为

其中W表示有效带宽，c为光速，σ²为信道噪声，χ_ki表示为等效多径传输系数。而g_ki与h_ki则表示为两节点之间信道的增益与响应，ε为路径损耗系数。

(2)基于拓扑信息，构建优化模型。利用网络的拓扑信息、信道信息及定位功率大小，计算定位信号对通信的干扰I(P_L)；接着构建一个权衡距离误差估计与定位信号干扰，最大化认知用户吞吐量，关于功率分配的非凸优化模型。该优化模型可具体表示为

[α(1-Q_FA)·P_b+(1-α)·Q_MDP_b+α·Q_FA·P_s+(1-α)·Q_DEP_s]≤P₀

P_L≤P₁

(3)求解优化模型，获得系统功率分配。先对步骤(2)模型的优化目标和优化约束，先加入冗余变量B,C₁,C₂,S,E_kj,V_kj,F_kj，进行放缩，再进行解耦与线性化操作，获得形式简单的凸优化模型。可具体表示为

B≥(L_kh+S)^ε P_L≤P₁

G₁≥exp{U₁} G₂≥exp{U₂}

[α(1-Q_FA)·P_b+(1-α)·Q_MDP_b+α·Q_FA·P_s+(1-α)·Q_DEP_s+P_L]≤P₀

接着，设置迭代最大迭代次数N_itn＝100，赋予优化变量P_b ⁰＝5W、P_s ⁰＝2W、校正因子Ω＝0.0001。然后利用MATLAB的CVX工具包开始迭代操作，在已有的优化结果的基础上寻找计算获得新优化变量值以及新优化目标值。直到优化目标收敛，即前后两次迭代的目标值之差的绝对值小于Ω＝0.0001或迭代至最大次数N_itn＝100，返回最新优化变量值和优化目标值，获得优化模型的求解结果P_b、P_s、P_L。

图3中可以看出，在利用CVX迭代求解时，只需进行较少迭代数，便可以获得优化结果。该结果可以说明本发明提出的功率优化方法具有较好的收敛特性，且计算复杂度不高。

图4表示在本次实施例的网络中，认知用户(104)与认知用户(105)分别在不同情况下的最大吞吐量。其中，在无位置信息情况下，认知用户无法利用位置信息进行通信；在理想位置信息情况下，认知用户可得到无误差的位置信息，且定位时不会对通信造成干扰。与无位置信息比较，可以发现本发明提出的方法利用位置信息可以有效提高吞吐量。与完全已知位置信息比较，虽然本发明的位置感知方法会对用户的通信造成干扰且存在定位误差，但是吞吐量只是小幅退化。可以看出本发明提出的功率优化方法可以有效提高认知用户的吞吐量。

Claims (4)

1.一种基于位置信息的功率分配方法，其特征在于包括如下步骤：

1)获取用户间位置信息

在认知无线电网络中，基站与各认知用户以一定的定位功率用广播的形式发送定位信息；认知用户收集上述的定位信息后，计算获取自身的位置信息；获取所有用户的位置后，计算用户与用户之间的距离及距离误差估计；

2)基于拓扑信息，构建优化模型

利用网络的拓扑信息、信道信息及定位功率大小，计算定位信号对通信的干扰；接着构建一个权衡距离误差估计与定位信号干扰、最大化认知用户吞吐量、关于功率分配的非凸优化模型；

3)求解优化模型，分配认知用户功率

将步骤2)获得的非凸优化模型转化为形式简单的凸优化模型，再进行迭代计算获得优化变量值以及优化目标值，并作为优化结果对用户功率进行分配。

2.根据权利要求1所述基于位置信息的功率分配方法，其特征在于所述的认知无线电网络由基站、主用户、认知用户构成；其中，认知用户利用协作定位获取带有偏差的位置信息，同时在保证基站与主用户正常通信的情况下，利用基站的频谱资源与其它认知用户通信。

3.根据权利要求1所述的基于位置信息的功率分配方法，其特征在于所述的距离误差估计满足如下公式：

ΔL_kh表示用户h与用户k之间的距离误差，Ω_CRN是该认知无线网络中所有设备单元的集合，包括基站与认知用户；P_L表示为用户定位功率；q_ki＝[cosθ_ki,sinθ_ki]^T，θ_ki表示为用户k与用户i之间的几何角度；λ_ki受信道质量影响可表示为

其中W表示有效带宽，c为光速，σ²为信道噪声，χ_ki表示为等效多径传输系数；而g_ki与h_ki则表示为用户k与用户i之间信道的增益与响应，L_ki表示为用户k与用户i的距离，ε为路径损耗系数。

4.根据权利要求1所述基于位置信息的功率分配方法，其特征在于所述的非凸优化模型中，优化变量为认知用户的定位功率与通信功率，优化目标为认知用户间的吞吐量最大化，优化约束为认知用户的功率及主用户的通信中断概率，非凸优化模型可具体表示为：

[α(1-Q_FA)·P_b+(1-α)·Q_MDP_b+α·Q_FA·P_s+(1-α)·Q_DEP_s]≤P₀

P_L≤P₁

其中α、Q_FA、Q_MD分别表示相关频段被基站占用概率、虚警概率、漏检概率；P_b与P_s分别表示用户检测到频段不被占用及被占用时发送用户的通信功率；P₀，P₁分别表示通信功率上限，定位功率上限；表示主用户与基站链路的中断概率，则表示正常通信要求的中断概率上限；Υ₁、Υ₂则分别表示频段不被占用及占用时的吞吐量，且受定位误差估计与定位信号干扰共同影响，可具体表示为，

其中P_ST为当前发送用户的通信功率，定位信号干扰L_ps表示基站与接收用户的距离。