CN111615202A - 基于noma与波束成型的超密集网络无线资源分配方法 - Google Patents

Abstract

本发明公开了一种基于NOMA与波束成型的超密集网络无线资源分配方法，把波束成形和NOMA相结合，配备多天线的基站与多个单天线的用户设备进行通信，从宏基站到小基站，采用波束形成来提高信号的覆盖率和信噪比，在小基站向用户传输的过程中采用NOMA，将不同的传输功率分配给不同的用户，以适应用户无法根据网络环境的变化反馈有效的网络状态信息的情况。本发明不仅有效抑制了簇间干扰和簇内用户干扰，而且在一定程度上保证了用户之间的公平性，提高了系统的吞吐量性能，公平有效地进行了功率分配，使系统具有高吞吐量、高信号质量、高功率效率的优点，并且支持大量用户同时通信，从而大大提高系统性能和频谱利用率。

Description

基于NOMA与波束成型的超密集网络无线资源分配方法

技术领域

本发明涉及一种资源分配方法，特别是一种基于NOMA与波束成型的超密集网络无线资源分配方法，属于通信技术领域。

背景技术

第五代移动通信系统(5G)，其理论峰值传输速率可达数十Gbit/s，超过4G系统传输速率数百倍，数据流量增加1000倍，其无线覆盖性能、系统安全性和服务质量也将得到显著提高。为了实现这一目标，除了增加频谱带宽和利用先进的无线传输技术提高频谱利用率外，主要采用的方法之一是通过密集化小区部署以提高空间复用度，构建超密集网络(UDN)。超密集网络可使用户终端在覆盖区域内获得更多频谱，距离各个发射节点更近，提升了系统功率效率、频谱效率，进而提高了系统容量，保证了无线业务在多种接入技术与异构网络覆盖相叠加的场景下负载均衡。另外，超密集网络的小基站/微小基站主要部署在低发射功率的热点区域，因此，超密集网络可为5G系统用户提供较高的吞吐量和较为灵活的接入服务。

然而，随着小基站/微小基站数量的增加，部署复杂性增大。由于微小基站的自主性和布设的随机性，5G系统用户设备之间会产生较大的频谱冲突，导致了同层蜂窝小区之间以及不同层蜂窝小区之间存在严重干扰。开展干扰消除、提高能效的有效办法则是设计合理的频谱共享和功率控制机制，实现资源在用户终端之间及不同蜂窝层次之间的融合共享，从而提高系统容量、用户服务质量和资源利用率。

针对上述问题，现有技术主要采用最优化理论、注水算法、SIC检测器等技术。然而他们仍然具有以下缺陷：

1)干扰限制：随着基站密度的增加和用户与基站之间距离的减小，UDN的簇间干扰强度和干扰基站数都增加了，这会增加很多额外的开销和功率消耗，并且由于多个用户共享一个波束成形向量，因此，总容量易受来自其他波束成形向量的干扰影响，多重干扰下使得以往的资源管理控制方法并不适用。

2)开销限制：传统随机波束成形仍然要求所有用户向基站发送信道状态信息，这样就会消耗大量的资源。具有大量用户的网络中的系统开销较大。许多协议需要发送端的信道信息状态(CSI)，这可能会导致较大的系统开销。但在NOMA系统中，只使用较少的反馈，在用户的信道条件下即可构建系统。

3)业务限制：随着小区覆盖范围的缩小，用户之间的行为具有较高的相关性，业务关联问题变得更加复杂。而业务关联技术会直接影响网络的资源分配方案，从而影响网络性能。

4)复杂度限制：相对于传统的SIC接收机，NOMA采用的SIC接收机更加复杂，要求有更高的信号处理能力。其次，基于信号功率的用户优先级决定了最佳的接收效果。而在实际应用中，用户的功率是在不断变化的，这就要求不断地对信号功率进行重新排序，并且每一级处理都会产生一定的时延，而多级处理中产生的时延很大。

总体而言，超密集网络资源管理机制方面的研究主要集中在密度分析、小区间协作、分级资源分配等方面，并未涉及从小区间到用户间的系统级方法，以及频谱分配与功率控制全面结合的资源分配方法。NOMA可应用于具有两个以上用户的上行链路和下行链路。然而，使用叠加编码和SIC会引起额外的系统复杂性，但同时能够激励用户群集，有效降低系统复杂性。然而，在基于群集的NOMA系统中，确定如何最好地将用户动态分配到具有不同大小的动态数量的簇非常困难。更重要的是所得到的组合优化问题通常求解难度大，并且计算巨大。

发明内容

本发明所要解决的技术问题是提供一种基于NOMA与波束成型的超密集网络无线资源分配方法，把波束成形和NOMA相结合，配备多天线的基站与多个单天线的用户设备进行通信，大大提高了系统性能和频谱利用率。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于包含以下步骤：

步骤一：构建一个下行系统，每个用户与所接入的基站构成一条链路，分为接入链路和回程链路，回程链路利用波束形成技术进行传输，接入链路则在以用户为中心的超密集网络中引入了非正交多址接入传输方式；

步骤二：构建链路传输模型和干扰模型，建立上下行速率和系统容量计算模型；在所述网络的簇之间分配子信道，每个子信道可被多个基站和用户使用，子信道的分配以最大化系统总容量为目标，根据分配的限制条件构建最大化功率效率的数学模型；

步骤三：对所述每个基站所用子信道上的功率进行控制，功率控制以最大化系统功率效率为目标，对最大化功率效率非凸优化问题进行凸优化处理，利用拉格朗日函数法，对凸优化问题求解；

步骤四：设计基于注水算法的启发式算法对优化问题进行求解，得到近似最优的性能。

进一步地，所述步骤二具体为

2.1构建接入链路和回程链路传输信号的信噪比，可实现的访问速率、接入链路和回程链路的吞吐量等数学模型；

2.2构建系统总吞吐量模型；

2.3构建以最大化用户能量效率为目标的信道分配和功率控制优化模型，提出基站间与用户间的频谱分配和功率控制机制；

2.4在网络的簇之间分配子信道，每个子信道可以被多个基站和用户使用，子信道的分配以最大化系统总容量为目标，分配的限制条件为对基站间的干扰限制、系统的总容量需求以及宏基站和小基站AP中信道分配的正交性，根据限制条件构建最大化功率效率的数学模型。

进一步地，所述2.1具体为

对于接入链路，假设每个用户都被分配到一组小基站，将多个基站AP构成为各个基站组APG合作；用户端接收到信号后，首先解码最强信号，解码后从接收信号中删除该信号，然后解码第二最强信号，以此类推；则用户n从基站组APG在簇f中的信道k上获得的信号可以表示为：

H_f,1,n,k≥H_f,m,n,k≥...≥H_f,M,n,k

由此，可得第n个用户在第m个小基站、第k个信道上接收到的信噪比：

其中，

表示从第m个AP到第n个用户在第k个信道上的发射功率，H_f,q,n,k表示第n个用户从小基站q在第k个信道上获取的信道增益，

表示宏基站到小基站间的高斯白噪声，则所有用户在第m个AP上可实现的访问速率可表示为：

则访问下行链路吞吐量可表示为：

对于回程链路中，即宏基站到小基站这一链路，将具有不同信道增益的多个接收天线分组为不同簇；

表示回程链路中第m个AP在第k个信道从第f个簇所接收到的信噪比，根据波束成型原理，可表示为：

其中，

表示簇f在信道k上的对基站m的解码权重因子，e_b表示BF预编码矩阵的第b列，H_f,m,k是簇f信道k上对基站m的无线信道增益列向量，

表示对于簇f上的信道k对基站m产生的发射功率；

表示一种循环对称复高斯噪声，则在第m个AP可实现的回程速率可表示为：

则回程下行链路吞吐量可表示为：

进一步地，所述2.2具体为

构建系统总吞吐量模型，它只与可实现的访问速率有关，用C可表示为:

s.t.R₁≤R₂

其中，a_f,m,n,k表示基站和信道的分配变量；当a_f,m,n,k＝1时表示选择APG中的第m个AP在第k个信道上服务于第n个用户，否则a_f,m,n,k＝0。

进一步地，所述2.3具体为

整个系统的总功耗可表示为：

其中,P_m,t表示接入链路中接入的AP消耗的发射功率,

表示基站不发送信号时，簇f中第k信道上由第m个AP服务第n用户发射的运行所需的功率；P_m,c＝P_m,r+v_aP_m,d表示接入链路中接入的AP消耗的功率包括用于处理接收信号的恒定电路功率和动态解码功率；

对于回程链路，包含电路功耗、动态解码功率和传输功率，表示为

其中P_m,c表示第m个用户消耗的电路功耗，包括接收功率P_m,r和动态解码功率P_m,d，

表示回程链路中的发射功率，其中v_a和v_b与第m个AP所在APG中的AP数相关，a_f,m,n,k表示接入链路信道的分配变量，b_f,m,k表示回程链路中信道的分配变量，两者都可以根据网络流量动态调整。

进一步地，所述2.4具体为

资源分配问题总结为最优化问题可表示为：

C1：

C2:

C3:

C4：

C5:

C6:

其中，C1确保每个用户的最小速率，C3和C4分别是MBS和每个AP的最大发射功率；C2是宏基站和小基站的数据速率保证，以确保从宏基站到AP m的数据速率大于从多个AP到用户的速率；C5保证一个AP中信道分配的正交性，C6保证宏基站中信道分配的正交性。

进一步地，所述步骤三具体为

3.1将整数变量松弛为连续变量，得到问题的一些约束条件

对于接入链路的功率分配，如果第m个AP的第k信道分配给第n个用户，将把功率分配给这个信道；如果第m个AP的第k信道没有分配给第n用户，那就给这个信道分配零功率；则系统的吞吐量可转换为

与接入链路同理，对于回程链路的功率分配，如果簇f的信道k被分配给APm，将把功率分配给这个信道；如果簇f的信道k没有被分配到用户n；对于用户n，则为该信道分配零功率；同理将b_f,m,k∈{0,1}放松为连续变量b_f,m,k∈[0,1]，所以

可以表示为：

整体的功率消耗为

且目标优化问题也转化为

s.t.C1:

C2:

C3:

C4:

其中，

3.2利用比率和算法，将目标问题转化为一个减法结构，得到一个等价且更易于处理的结构，则目标问题可以表示为：

s.t.C1:

C2：

C3:

C4:

3.3将目标问题看作一个标准的凸最大化问题，通过凸问题的解得到它的最大值；利用连续凸逼近SCA算法来求解这个凸问题；给出一个上界，来松弛变量，以得到几个凸问题；通过不断更新和迭代

来进一步收紧边界；设定一个下界为：

其中，

是一个连续变量，等价于

放宽的条件如下：

同上，

的下界为：

在以下情况下，近似方法等于原始目标。

则最优化问题可以转化为：

s.t.C1:

C2:

C3:

C4:

再利用指数和对数之间的转换关系将上式转化为

s.t.C1：

C2:

C3:

C4:

其中，

进一步地，所述步骤四具体为

4.1根据步骤三约束条件将其最大化功率效益这个非凸问题转化为拉格朗日对偶问题：

4.2在系统容量需求限制条件下调整

检验拉格朗日函数是否收敛；当本次迭代获得的拉格朗日公式乘子λ，

θ，τ的值和上一次迭代获得的值之差大于最大收敛值R时，表明拉格朗日函数不收敛；此时更新拉格朗日公式乘子λ，

θ，τ，测量噪声矩阵，获得新的功率分配方案，迭代次数最大值S增加一次。

4.3当

收敛时，结束迭代，输出功率分配方案。

本发明与现有技术相比，具有以下优点和效果：

本发明把波束成形和NOMA相结合，配备多天线的基站与多个单天线的用户设备进行通信。从宏基站到小基站，本发明采用波束形成来提高信号的覆盖率和信噪比，从而使接收机获得更好的信号质量。另一方面，在小基站向用户传输的过程中采用NOMA，将不同的传输功率分配给不同的用户，以适应用户无法根据网络环境的变化反馈有效的网络状态信息的情况，从而提高系统的吞吐率。本发明不仅有效抑制了簇间干扰和簇间用户干扰，而且在一定程度上保证了用户之间的公平性，提高了系统的吞吐量性能，公平有效地进行了功率分配，使系统具有高带宽、高吞吐量、高信号质量、低信噪比的优点，并且支持大量用户同时通信，从而大大提高系统性能和频谱利用率。

附图说明

图1是本发明的基于NOMA与波束成型的超密集网络无线资源分配方法的流程图。

图2是本发明的基于NOMA与波束成型的超密集网络无线资源分配方法的系统模型图。

具体实施方式

下面通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

如图1所示，本发明的基于NOMA与波束成型的超密集网络无线资源分配方法，包含以下步骤：

步骤一：本发明只考虑下行链路，如图2所示，构建一个下行系统，其基站数目为m，用户数目为n，利用k个非正交信道，每个信道带宽为10MHz用于分配给任意基站和用户。每个用户与所接入的基站构成一条链路，分为接入链路和回程链路。从宏基站到小基站(即回程链路)，本发明将利用波束成型技术进行传输，动态地将用户设备的接收天线分组为多个簇，簇内的所有接收天线共享单个波束成型矢量。关于从小基站到用户(即接入链路)，本发明引入了非正交多址接入(NOMA)传输方式，支持在同一频率资源上传输多个信号。

为了提高频谱利用率，本发明引入面向频域干扰协调的非正交多址接入(NOMA)，在发送端采用非正交传输，主动引入干扰信息，在接收端通过串行干扰删除(SIC)实现正确解调，即采用逐级消除干扰的方法，在接收信号中对用户逐个进行判决，恢复幅度后，将该用户信号产生的多址干扰从接收信号中去除，并对剩下的用户再次进行判决，如此循环操作，直至消除所有的多址干扰。此外，NOMA允许多个用户同时接入相同的无线信道，从而支持更多的连接，实现频分复用，有效提高频谱利用率，减少时延。

波束成型是通过控制波源发射或接收的波之间的相对相位和幅度，对多个天线阵接收到的信号进行加权合成，以提高目标用户的解调信噪比。采用多天线系统，小能量波束集中在一个小的区域，信号强度集中在一个特定的方向和特定的用户群。因此，可显著降低小区内的自干扰和邻域干扰。

步骤二：构建链路传输模型和干扰模型，建立上下行速率和系统容量计算模型。在所述网络的簇之间分配子信道，每个子信道可被多个基站和用户使用，子信道的分配以最大化系统总容量为目标，根据分配的限制条件构建最大化功率效率的数学模型。步骤具体包括：

2.1构建接入链路和回程链路传输信号的信噪比，可实现的访问速率、接入链路和回程链路的吞吐量等数学模型。

对于接入链路，即小基站到用户这一链路。假设每个用户都被分配到一组小基站。将多个基站(即AP)构成为各个基站组(APG)合作。用户端接收到信号后，首先解码最强信号，解码后从接收信号中删除该信号，然后解码第二最强信号，以此类推。则用户n从基站组(APG)在簇f中的信道k上获得的信号可以表示为：

H_f,1,n,k≥H_f,m,n,k≥...≥H_f,M,n,k

由此，可得第n个用户在第m个小基站、第k个信道上接收到的信噪比：

其中，

表示从第m个AP到第n个用户在第k个信道上的发射功率，H_f,q,n,k表示第n个用户从小基站q在第k个信道上获取的信道增益，

表示宏基站到小基站间的高斯白噪声，则所有用户在第m个AP上可实现的访问速率可表示为：

则访问下行链路吞吐量可表示为：

对于回程链路中，即宏基站到小基站这一链路，将具有不同信道增益的多个接收天线分组为不同簇。

表示回程链路中第m个AP在第k个信道从第f个簇所接收到的信噪比，根据波束成型原理，可表示为：

其中，

表示簇f在信道k上的对基站m的解码权重因子，e_b表示BF预编码矩阵(单位矩阵)的第b列，H_f,m,k是簇f信道k上对基站m的无线信道增益列向量，

表示对于簇f上的信道k对基站m产生的发射功率；

表示一种循环对称复高斯噪声，则在第m个AP可实现的回程速率可表示为：

则回程下行链路吞吐量可表示为：

2.2构建系统总吞吐量模型，它只与可实现的访问速率有关，用C可表示为:

s.t.R₁≤R₂

其中，a_f,m,n,k表示基站和信道的分配变量。当a_f,m,n,k＝1时表示选择APG中的第m个AP在第k个信道上服务于第n个用户，否则a_f,m,n,k＝0。

2.3构建以最大化用户能量效率为目标的信道分配和功率控制优化模型，提出基站间与用户间的频谱分配和功率控制机制。

整个系统的总功耗可表示为：

其中,P_m,t表示接入链路中接入的AP消耗的发射功率,

表示基站不发送信号时，簇f中第k信道上由第m个AP服务第n用户发射的运行所需的功率。P_m,c＝P_m,r+v_aP_m,d表示接入链路中接入的AP消耗的功率包括用于处理接收信号的恒定电路功率和动态解码功率。对于回程链路，包含电路功耗、动态解码功率和传输功率，可以表示为

其中P_m,c表示第m个用户消耗的电路功耗，包括接收功率P_m,r和动态解码功率P_m,d，

表示回程链路中的发射功率，其中v_a和v_b与第m个AP所在APG中的AP数相关。a_f,m,n,k表示接入链路信道的分配变量，b_f,m,k表示回程链路中信道的分配变量，两者都可以根据网络流量动态调整。

2.4在所述网络的簇之间分配子信道，每个子信道可以被多个基站和用户使用，子信道的分配以最大化系统总容量为目标，分配的限制条件为对基站间的干扰限制、系统的总容量需求以及宏基站和小基站AP中信道分配的正交性。根据限制条件构建最大化功率效率的数学模型。

本发明要解决的资源分配问题总结为最优化问题可表示为：

C1：

C2：

C3：

C4：

C5：

C6：

其中，C1确保每个用户的最小速率，C3和C4分别是MBS和每个AP的最大发射功率。C2是宏基站和小基站的数据速率保证，以确保从宏基站到AP m的数据速率大于从多个AP到用户的速率。C5保证一个AP中信道分配的正交性，C6保证宏基站中信道分配的正交性。

步骤三：对所述每个基站所用子信道上的功率进行控制，功率控制以最大化系统功率效率为目标，对最大化功率效率非凸优化问题进行凸优化处理，本发明利用拉格朗日函数法，对凸优化问题求解。转换的具体步骤如下：

3.1将整数变量松弛为连续变量，得到问题的一些约束条件。

对于接入链路(即小基站到用户)的功率分配，如果第m个AP的第k信道分配给第n个用户，将把功率分配给这个信道；如果第m个AP的第k信道没有分配给第n用户，那就给这个信道分配零功率。

则系统的吞吐量可转换为

与接入链路同理，对于回程链路(即从宏基站到小基站)的功率分配，如果簇f的信道k被分配给APm，将把功率分配给这个信道；如果簇f的信道k没有被分配到用户n。对于用户n，则为该信道分配零功率。同理将b_f,m,k∈{0,1}放松为连续变量b_f,m,k∈[0,1]。所以

可以表示为：

整体的功率消耗为

且目标优化问题也转化为

s.t.C1:

C2:

C3:

C4:

其中，

3.2利用比率和算法，将目标问题(即分数阶结构)转化为一个减法结构，得到一个等价且更易于处理的结构，则目标问题可以表示为：

s.t.C1:

C2:

C3:

C4:

3.3将目标问题看作一个标准的凸最大化问题，通过凸问题的解得到它的最大值。利用连续凸逼近(SCA)算法来求解这个凸问题。给出一个上界，来松弛变量，以得到几个凸问题。通过不断更新和迭代

来进一步收紧边界。设定一个下界为：

其中，

是一个连续变量，等价于

放宽的条件如下：

同上，

的下界为：

在以下情况下，近似方法等于原始目标。

则最优化问题可以转化为：

s.t.C1:

C2:

C3:

C4:

再利用指数和对数之间的转换关系将上式转化为

s.t.C1:

C2:

C3:

C4:

其中，

步骤四：设计基于注水算法的启发式算法对以

为变量的优化问题进行求解，在系统容量限制条件下进行调整，如果超过最大限制则设为最大限。具体包括以下步骤：

4.1根据以上的约束条件将其最大化功率效益这个非凸问题转化为拉格朗日对偶问题：

4.2在系统容量需求限制条件下调整

检验拉格朗日函数是否收敛。当本次迭代获得的拉格朗日公式乘子λ，

θ，τ的值和上一次迭代获得的值之差大于最大收敛值R时，表明拉格朗日函数不收敛。此时更新拉格朗日公式乘子λ，

θ，τ，测量噪声矩阵。获得新的功率分配方案。迭代次数最大值S增加一次。

4.3当

收敛时，结束迭代，输出功率分配方案。

本发明实现了一种波束成形与NOMA相结合的资源分配和功率控制方法，构建了链路模型和干扰模型，建立了上下行速率和系统容量计算模型，提出了以最大化用户能量效率为目标的信道分配和功率控制优化模型，设计了基站间与用户间的频谱分配和功率控制机制，以得到频谱利用率和功率效率的提升。

1.本发明提出了一种超密集网络中基于波束成型与NOMA的无线通信模型。从宏基站到小基站(即回程链路)，利用波束形成技术进行传输。首先动态地将用户设备接收天线分组为多个簇，然后，簇内所有接收天线共享单个波束形成矢量。而从小基站到用户(即接入链路)，则在以用户为中心的超密集网络中引入了NOMA资源的传输方式，以支持在同一频率资源上传输多个信号，有效地提高频谱利用率。

2.构建链路模型和干扰模型，建立上下行速率和系统容量计算模型，建立以最大化用户功率效率为目标的信道分配和功率控制优化模型，提出基站间与用户间的频谱分配和功率控制机制。在所述网络的簇之间分配子信道，每个子信道可被多个基站和用户使用，子信道的分配以最大化系统总容量为目标，分配的限制条件为对基站间的干扰限制，系统的总容量需求以及宏基站和小基站中信道分配的正交性。通过分配的限制条件构建最大化功率效率的数学模型。

3.利用拉格朗日函数法对最大化功率效率的数学模型转化为一系列凸优化，大大降低了问题的计算复杂度。为了给出一个上界算法，首先松弛变量，然后用逐次凸逼近(SCA)将问题转化为一系列凸优化子问题。

4.设计基于注水算法的启发式算法对变量的优化问题进行求解。利用拉格朗日对偶技术迭代到收敛，得到拉格朗日乘子向量的值。最后，目标变量的值将由收敛时的拉格朗日乘子向量，以较低的计算复杂度得到近似最优的性能。

本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于包含以下步骤：

步骤一：构建一个下行系统，每个用户与所接入的基站构成一条链路，分为接入链路和回程链路，回程链路利用波束形成技术进行传输，接入链路则在以用户为中心的超密集网络中引入了非正交多址接入传输方式；

步骤二：构建链路传输模型和干扰模型，建立上下行速率和系统容量计算模型；在所述网络的簇之间分配子信道，每个子信道可被多个基站和用户使用，子信道的分配以最大化系统总容量为目标，根据分配的限制条件构建最大化功率效率的数学模型；

步骤三：对所述每个基站所用子信道上的功率进行控制，功率控制以最大化系统功率效率为目标，对最大化功率效率非凸优化问题进行凸优化处理，利用拉格朗日函数法，对凸优化问题求解；

步骤四：设计基于注水算法的启发式算法对优化问题进行求解，得到近似最优的性能。

2.按照权利要求1所述的基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于：所述步骤二具体为

2.1构建接入链路和回程链路传输信号的信噪比，可实现的访问速率、接入链路和回程链路的吞吐量等数学模型；

2.2构建系统总吞吐量模型；

2.3构建以最大化用户能量效率为目标的信道分配和功率控制优化模型，提出基站间与用户间的频谱分配和功率控制机制；

2.4在网络的簇之间分配子信道，每个子信道可以被多个基站和用户使用，子信道的分配以最大化系统总容量为目标，分配的限制条件为对基站间的干扰限制、系统的总容量需求以及宏基站和小基站AP中信道分配的正交性，根据限制条件构建最大化功率效率的数学模型。

3.按照权利要求2所述的基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于：所述2.1具体为

对于接入链路，假设每个用户都被分配到一组小基站，将多个基站AP构成为各个基站组APG合作；用户端接收到信号后，首先解码最强信号，解码后从接收信号中删除该信号，然后解码第二最强信号，以此类推；则用户n从基站组APG在簇f中的信道k上获得的信号可以表示为：

H_f,1,n,k≥H_f,m,n,k≥...≥H_f,M,n,k

由此，可得第n个用户在第m个小基站、第k个信道上接收到的信噪比：

其中，

表示从第m个AP到第n个用户在第k个信道上的发射功率，H_f,q,n,k表示第n个用户从小基站q在第k个信道上获取的信道增益，

表示宏基站到小基站间的高斯白噪声，则所有用户在第m个AP上可实现的访问速率可表示为：

则访问下行链路吞吐量可表示为：

对于回程链路中，即宏基站到小基站这一链路，将具有不同信道增益的多个接收天线分组为不同簇；

表示回程链路中第m个AP在第k个信道从第f个簇所接收到的信噪比，根据波束成型原理，可表示为：

其中，

表示簇f在信道k上的对基站m的解码权重因子，e_b表示BF预编码矩阵的第b列，H_f,m,k是簇f信道k上对基站m的无线信道增益列向量，

表示对于簇f上的信道k对基站m产生的发射功率；

表示一种循环对称复高斯噪声，则在第m个AP可实现的回程速率可表示为：

则回程下行链路吞吐量可表示为：

4.按照权利要求2所述的基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于：所述2.2具体为

构建系统总吞吐量模型，它只与可实现的访问速率有关，用C可表示为:

s.t.R₁≤R₂

其中，a_f,m,n,k表示基站和信道的分配变量；当a_f,m,n,k＝1时表示选择APG中的第m个AP在第k个信道上服务于第n个用户，否则a_f,m,n,k＝0。

5.按照权利要求2所述的基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于：所述2.3具体为

整个系统的总功耗可表示为：

其中,P_m,t表示接入链路中接入的AP消耗的发射功率,

表示基站不发送信号时，簇f中第k信道上由第m个AP服务第n用户发射的运行所需的功率；P_m,c＝P_m,r+v_aP_m,d表示接入链路中接入的AP消耗的功率包括用于处理接收信号的恒定电路功率和动态解码功率；

对于回程链路，包含电路功耗、动态解码功率和传输功率，表示为

其中P_m,c表示第m个用户消耗的电路功耗，包括接收功率P_m,r和动态解码功率P_m,d，

表示回程链路中的发射功率，其中v_a和v_b与第m个AP所在APG中的AP数相关，a_f,m,n,k表示接入链路信道的分配变量，b_f,m,k表示回程链路中信道的分配变量，两者都可以根据网络流量动态调整。

6.按照权利要求2所述的基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于：所述2.4具体为

资源分配问题总结为最优化问题可表示为：

其中，C1确保每个用户的最小速率，C3和C4分别是MBS和每个AP的最大发射功率；C2是宏基站和小基站的数据速率保证，以确保从宏基站到APm的数据速率大于从多个AP到用户的速率；C5保证一个AP中信道分配的正交性，C6保证宏基站中信道分配的正交性。

7.按照权利要求1所述的基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于：所述步骤三具体为

3.1将整数变量松弛为连续变量，得到问题的一些约束条件

对于接入链路的功率分配，如果第m个AP的第k信道分配给第n个用户，将把功率分配给这个信道；如果第m个AP的第k信道没有分配给第n用户，那就给这个信道分配零功率；则系统的吞吐量可转换为

与接入链路同理，对于回程链路的功率分配，如果簇f的信道k被分配给APm，将把功率分配给这个信道；如果簇f的信道k没有被分配到用户n；对于用户n，则为该信道分配零功率；同理将b_f,m,k∈{0,1}放松为连续变量b_f,m,k∈[0,1]，所以

可以表示为：

整体的功率消耗为

且目标优化问题也转化为

其中，

3.2利用比率和算法，将目标问题转化为一个减法结构，得到一个等价且更易于处理的结构，则目标问题可以表示为：

3.3将目标问题看作一个标准的凸最大化问题，通过凸问题的解得到它的最大值；利用连续凸逼近SCA算法来求解这个凸问题；给出一个上界，来松弛变量，以得到几个凸问题；通过不断更新和迭代

来进一步收紧边界；设定一个下界为：

其中，

是一个连续变量，等价于

放宽的条件如下：

同上，

的下界为：

在以下情况下，近似方法等于原始目标。

则最优化问题可以转化为：

再利用指数和对数之间的转换关系将上式转化为

其中，

8.按照权利要求1所述的基于NOMA与波束成型的超密集网络无线资源分配方法，其特征在于：所述步骤四具体为

4.1根据步骤三约束条件将其最大化功率效益这个非凸问题转化为拉格朗日对偶问题：

4.2在系统容量需求限制条件下调整

检验拉格朗日函数是否收敛；当本次迭代获得的拉格朗日公式乘子λ，

θ，τ的值和上一次迭代获得的值之差大于最大收敛值R时，表明拉格朗日函数不收敛；此时更新拉格朗日公式乘子λ，

θ，τ，测量噪声矩阵，获得新的功率分配方案，迭代次数最大值S增加一次。

4.3当

收敛时，结束迭代，输出功率分配方案。

Images