CN113904742A - 非正交多址接入网络中基于智能反射面的资源分配方法 - Google Patents

Abstract

本发明属于无线通信网络中的资源分配技术领域，具体涉及非正交多址接入网络中基于智能反射面的资源分配方法；所述方法包括建立基于智能反射面的非正交多址接入网络系统；在该网络系统中，基于基站最大发射功率约束、智能反射面的连续相移约束以及用户的信干噪比中断概率约束，构建出能效最大的资源分配模型；求解所述能效最大的资源分配模型，得到非正交多址接入网络中基于智能反射面的资源分配结果。本发明通过构建智能反射面辅助的非正交多址接入模型，来反映出多用户在非正交多址技术以及智能反射面辅助下的资源分配情况，并通过使用丁科尔巴赫方法以及交替优化算法进行快速求解，使得本发明在鲁棒性和能效性上的到了很大的提升。

Description

非正交多址接入网络中基于智能反射面的资源分配方法

技术领域

本发明属于无线通信网络中的资源分配技术领域，具体涉及非正交多址接入网络中基于智能反射面的鲁棒能效最大资源分配方法。

背景技术

随着5G技术的商业化，6G技术的不断研究和发展，以及手机、平板电脑、穿戴设备和车联网设备等移动接入设备的大量使用，用户对于通信速率的需求与日俱增，大规模天线阵列基站(Base Station,BS)的应用在实现信息高速传输的同时，面临架设成本高，功耗大，效率低，通信死角多等新问题，如何提升系统能量效率(Energy Efficiency,EE)和鲁棒性成为值得关注的问题。因此，非正交多址接入(Non-Orthogonal Multiple-Access,NOMA)随需求而出现，NOMA可以在有限的无线电资源上提供大量的连接，从而显著提高频谱效率和能效。此外，智能反射面(Intelligent Reflecting Surface,IRS)作为一种新兴的通信技术，相较于传统无线通信技术，可以通过调节其相移和幅度来改变用户信道矢量的方向，有效的改变用户信道固定且由传播环境决定的现状，能够进一步提高频谱的利用率和鲁棒性。

目前，射频技术和大规模基站的使用，可以解决部分以上问题，但是由于视频技术有源的特性，不符合现在低能耗的要求，大规模基站也面临同样的问题。对于本发明而言，已经发现了智能反射面与非正交多址接入技术相结合的一些案列，如DING等人研究了两种不同情况下的硬件损伤以及波束成形对网络的影响，ZENG等人研究了上行IRS-NOMA通信网络，通过联合优化用户功率和相移最大化和速率。MU等人研究了理想情况和非理想情况的两种场景，并提出了一种新的NOMA解码顺序。

然而，上述研究都假设基站可以获得完美的信道状态信息，而在实际情况中这种假设是非常不合理的。由于智能反射面不能向基站发射导频信号，所以传统的信道估计方法无法满足信道估计的需求。多天线基站和多反射面之间的信道系数非常大，因此实际应用中信道估计的误差是不可避免的。

发明内容

因此，基于现有技术存在的问题，本发明发现如果能够将智能反射面与非正交多址接入技术相结合将可以达到最大化系统能效；因此，本发明的目的是提供一种非正交多址接入网络中基于智能反射面的资源分配方法。将基站处最大发射功率约束、连续相移约束以及含有信道不确定性的中断概率约束纳入考虑范围。首先利用丁克尔巴赫方法将目标函数转化为含有辅助变量参数相减的形式，再利用S-procedure方法将含有信道不确定性的信干噪比(Signal-to-Interference-Noise Ratio,SINR)中断概率约束转换成确定性形式，利用交替优化算法将多变量耦合的非凸优化问题分解成三个凸优化子问题，最后用凸优化工具箱CVX对分解出的子问题进行求解。仿真结果表明，本发明中的方法具有更好的能效和鲁棒性。

本发明采用如下技术方案解决上述技术问题：

非正交多址接入网络中基于智能反射面的资源分配方法，所述方法包括：

建立基于智能反射面的非正交多址接入网络系统，所述系统包括一个配备有M根天线的基站，一个智能反射面和K个单天线用户，所述智能反射面配备有N个反射阵元；

在所述基于智能反射面的非正交多址接入网络系统中，基于基站最大发射功率约束、智能反射面的连续相移约束以及用户的信干噪比中断概率约束，构建出能效最大的资源分配模型；

求解所述能效最大的资源分配模型，得到非正交多址接入网络中基于智能反射面的资源分配结果。

本发明的有益效果:

本发明考虑到无智能反射面辅助的无线通信中存在障碍物遮挡无线信号导致信号强度变弱，并考虑实际应用中所出现的信道不确定性以及信道中断概率，构建出智能反射面辅助的非正交多址接入模型，该模型能够反映出多用户在非正交多址技术以及智能反射面辅助下的资源分配情况，通过使用丁科尔巴赫方法以及交替优化算法，该模型在鲁棒性和能效性上的到了很大的提升。

本发明的其他优势、目标和特征在一定程度上将在随后的说明书中进行阐述，并且在某种程度上，鉴于对下文的考察研究对同领域技术人员来说是不言而喻的，同时可以在实践中从本发明中得到一定的指导。本发明的目标和剩余的优势通过下面的说名书得以实现。

附图说明

图1是本发明实施例中非正交多址接入网络中基于智能反射面的资源分配方法流程图；

图2是本发明实施例采用的基于智能反射面的非正交多址接入网络系统模型图；

图3是本发明优选实施例中非正交多址接入网络中基于智能反射面的资源分配方法流程图；

图4是本发明实施例中基于智能反射面的资源分配结果的求解流程图；

图5是本发明实施例中某一仿真参考的模型；

图6是本发明实施例中基于智能反射面的资源分配结果的收敛图；

图7是本发明实施例与其他算法对比，最大发射功率与系统能效之间的关系图；

图8是本发明实施例与其他算法对比，用户目标SINR与中断概率之间的关系图。

具体实施方式

下面将结合本发明实施例中的附图，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。

以下结合具体实施例和附图，对文中的本发明实施方式作出具体的描述。相同领域的技术人员可以通过本说明书所阐述的内容，轻松的获得本发明的其他优势和功能。本发明还可以更具具体的实施场景变换应用，本说明书中的各项细则也可以通过变换观点加以应用，在不偏离本发明的意图的情况下进行修改变换。特别声明，在如下实施例中所提供的图示只通过示意的方式阐明本发明的基本思想，在不互相矛盾的前提下，下文中实施例以及实施例中的特征可以相结合。

其中，图例只用来展示性说明，仅代表示意图而非实物图，并不限制本发明的实际应用；为了更好的展示本发明的实施例，示意图中的元件大小并不代表元件的实际尺寸；本发明附图中一些常识结构以及其对应的说明的省略并不影响本领域相关的技人员理解。

图1给出了本发明实施例中非正交多址接入网络中基于智能反射面的资源分配方法流程图，如图1所示，所述方法包括：

S101、建立基于智能反射面的非正交多址接入网络系统；

在本发明实施例中，如图2所示，所述基于智能反射面的非正交多址接入网络系统包括一个配备有M根天线的基站，一个智能反射面和K个单天线用户(1,2,…j…k…K)，所述智能反射面配备有N个反射阵元；假设基站到智能反射面、智能反射面到用户和基站到用户的信道依次为：

且服从瑞利衰落；其中每个反射阵元将入射信号相位偏移后反射。控制器设置在智能反射面与基站之间，用于动态调整反射阵元的相位偏移以增强非正交多址接入网络传输性能。

S201、在所述基于智能反射面的非正交多址接入网络系统中，基于基站最大发射功率约束、智能反射面的连续相移约束以及用户的信干噪比中断概率约束，构建出能效最大的资源分配模型；

在一些实施例中，本方法可以基于历史信息进行功率分配，大大缩小了功率分配范围，极大地降低了计算复杂度，同时还能达到用户总吞吐量局部最优。令智能反射面的相移对角矩阵为θ＝diag{φ₁，...，φ_n，...，φ_N}，其中

j表示虚数单位。β_n∈[0，1]和θ_n∈[0，2π)分别为智能反射面第n个反射面即反射阵元n的反射幅度和相移，取β_n＝1。因此，能效最大的资源分配模型可以表示为：

其中，

表示能效最大的资源分配模型的目标函数；C₁为基站的最大发射功率约束；C₂为智能反射镜的连续相移约束；C₃为用户k的SINR中断概率约束；η表示基于智能反射面的非正交多址接入网络系统的能效，R_k表示用户k的信息速率，R_k＝log₂(1+SINR_k)，SINR_k表示用户k的信干噪比，

因此用户k的信息速率可以表示为

表示智能反射面到用户k的信道矩阵，

表示基站到用户k的信道矩阵，θ表示智能反射面的相移矩阵，θ＝{θ₁，θ₂，...，θ_N}，θ_n表示反射阵元n的相移矩阵，n∈{1，2，...，N}；G表示基站到智能反射面的信道矩阵，

表示用户k的噪声功率，P₀表示基站的最大传输功率。Pr表示求概率；

表示用户k的目标信干噪比；ρ_k表示用户k的信干噪比中断概率；上标H表示共轭矩阵。

S301、求解所述能效最大的资源分配模型，得到非正交多址接入网络中基于智能反射面的资源分配结果。

考虑到无智能反射面辅助的网络中，如果基站和用户之间存在障碍物，那么用户的信号强度会受到严重的影响。另外，在没有使用非正交多址接入技术的网络中，当用户数量增多而基站天线数量一定时，天线无法满足同一方向的多个用户的需求。所以，本发明将智能反射面与非正交多址接入技术相结合，建立了智能反射面辅助的非正交多址接入网络。

在一些实施例中，为了求解上述能效最大的资源分配模型，可以根据丁克尔巴赫Dinkelbach算法将目标函数

转换成参数相减的形式，再引入松弛变量，将问题转换为三个凸优化子问题，利用交替优化算法求解。

图3给出了本发明优选实施例中非正交多址接入网络中基于智能反射面的资源分配方法流程图，如图3所示，所述方法包括：

S102、建立基于智能反射面的非正交多址接入网络系统；

与上一实施例类似，所述系统同样可以包括一个配备有M根天线的基站，一个智能反射面和K个单天线用户，所述智能反射面配备有N个反射阵元。

S202、在所述基于智能反射面的非正交多址接入网络系统中，基于基站最大发射功率约束、智能反射面的连续相移约束以及用户含有信道不确定性的信干噪比中断概率约束，构建出优化后的能效最大的资源分配模型；

在本发明实施例中，考虑到信道不确定性在实际应用中是不可避免的，因此本实施例在建立能效最大的资源分配模型的过程中考虑了信道的不确定性，并将信道不确定性建模为加性模型：

其中，

表示基站到智能反射面的估计信道矩阵，ΔG表示基站到智能反射面的估计信道误差矩阵；

表示基站到用户k的估计信道矩阵，Δr_k表示基站到用户k的估计信道误差矩阵；同样的，令

上标H表示共轭矩阵，上标T表示转置矩阵；因此，

表示基站到用户k的信道矩阵的厄米特矩阵，

表示智能反射面到用户k的信道矩阵的厄米特矩阵；

表示智能反射面的估计相移矩阵；可以得到

则复合信道不确定性模型可以表示为：

其中，H_k表示用户k的复合信道矩阵，

表示用户k的估计复合信道矩阵，ΔH_k表示用户k的估计复合信道误差矩阵。

因此，考虑信道不确定性，能效最大的资源分配模型(1)可以重写为：

其中，

表示能效最大的资源分配模型的目标函数；约束C₁、约束C₂与能效最大的资源分配模型(1)中的对应约束保持一致；

为用户k的

中断概率约束，

表示为用户k含有信道不确定性的平均信干噪比，

在本发明优选实施例中，考虑到优化问题式(4)是一个含有非线性多变了耦合的优化问题，且

含有信道不确定性，难以求解出全局最优解；因此本发明实施例利用丁克尔巴赫方法将所述目标函数转化为含有辅助变量参数相减的形式，利用S-引理方法将含有信道不确定性的信干噪比中断概率约束转换成确定性形式，继续优化能效最大的资源分配模型；具体的：

本发明优选实施例中引入松弛变量λ^*和β_k，并利用丁克尔巴赫方法，将优化问题公式(4)中的目标函数变为确定性参数减法的形式；同时利用S-引理方法将含有信道不确定性的信干噪比中断概率约束转换成确定性形式，令

并引入W_k≥0，rank(W_k)＝1，Θ≥0，rank(Θ)＝1，则能效最大的资源分配模型(4)可以重写为一个半定松弛标准形式：

其中，约束C₂与能效最大的资源分配模型(1)和(4)中的对应约束保持一致，而约束C₁和约束

都发生了变化；将约束

放缩为C₄～C₁₆，Tr表示求矩阵的迹；W_k表示用户k的波束成形矩阵，

t_k表示用户k的第一松弛变量；μ_k表示用户k的第二松弛变量；β_k表示用户k的SINR松弛变量；Θ表示相移矩阵，

表示智能反射面的估计相移矩阵；W_k≥0，rank(W_k)＝1，Θ≥0，rank(Θ)＝1；λ表示能效松弛变量；

表示基站功耗；Q_k1表示用户k的第一参数；K_k1表示用户k的第二参数；

表示混合信道的估计值；c_k1表示用户k的第三参数；I_MN+M表示MN+M阶的单位矩阵；d_k1表示用户k的第四参数；

表示信道噪声功率；

表示具有m个自由度的卡方分布；Q_k2表示用户k的第五参数；K_k2表示用户k的第六参数；c_k2表示用户k的第七参数；v_k表示高斯随机向量，属于半径为1的球形区域。

该模型同时考虑了智能反射面的特性和传输过程中的信道不确定性，并且该优化后的能效最大的资源分配模型中断概率低，具有较好的鲁棒性，信号容量大的同时，功耗低，具有良好的能效性。

S302、求解所述优化后的能效最大的资源分配模型，得到非正交多址接入网络中基于智能反射面的资源分配结果。

在本发明优选实施例中，利用交替优化算法将优化后的能效最大的资源分配模型中多变量耦合的非凸优化问题分解成三个凸优化子问题，利用凸优化工具箱对分解出的子问题进行求解。

其中，当给出的相移矩阵Θ^(i-1)和松弛变量β_k ^(i-)计算波束成形向量时，在给出Θ^(i-1)和β_k ^(i-1)的情况下，式(5)所对应的第一凸优化子问题SP1可以重写为：

其中，当给出波束成形W_k ⁽ⁱ⁾和相移矩阵Θ^(i-1)计算松弛变量β_k ⁽ⁱ⁾时，在给出W_k ⁽ⁱ⁾和Θ^(i-1)的情况下，式(5)所对应的第二凸优化子问题SP2可以重写为：

其中，当给出波束成形W_k ⁽ⁱ⁾和松弛变量β_k ⁽ⁱ⁾计算相移矩阵Θ⁽ⁱ⁾时，在给出W_k ⁽ⁱ⁾和β_k ⁽ⁱ⁾的情况下，式(5)所对应的第三凸优化子问题SP3可以重写为：

其中，

表示第一凸优化问题的目标函数；

表示第二凸优化问题的目标函数；findΘ⁽ⁱ⁾表示第三凸优化问题的目标函数；

表示第i次迭代过程中的W_k；

表示第i次迭代过程中用户k的第一松弛变量；μ_k表示第i次迭代过程中用户k的第二松弛变量；Θ⁽ⁱ⁾表示第i次迭代过程中的Θ，

表示第i次迭代时反射阵元n的相移矩阵。其中，凸优化子问题(6)，(7)，(8)均可以使用CVX工具箱求解。

在第一凸优化子问题SP1中，通过给出的相移矩阵和松弛变量计算出当前迭代过程中的波束成形向量以及第一凸优化子问题的目标函数值

在第二凸优化子问题SP2中，通过给出的波束成形向量和相移矩阵计算出当前迭代过程中的松弛变量以及第二凸优化子问题的目标函数值

在第三凸优化子问题SP3中，通过波束成形向量和松弛变量计算出当前迭代过程中的相移矩阵；根据当前迭代过程中的λ⁽ⁱ⁾，计算出目标函数值

当迭代次数达到最大时，判断各个凸优化子问题的目标函数和对应的能效值是否收敛，若收敛，则输出波束成形向量、相移矩阵、松弛变量以及能效值，否则继续迭代。

图4是本发明实施例中基于智能反射面的资源分配结果的求解流程图，如图4所示，在本发明实施例中，该求解过程可以包括：

S1：设定系统参数，包括单天线用户数K、基站天线数M、智能反射面阵元个数N、基站到智能反射面的信道G、基站到用户k的信道h_k、智能反射面到用户k的信道r_k、智能反射面的相移矩阵θ、用户k的第一松弛变量t_k、用户k的第二松弛变量μ_k、用户k的目标信干噪比

基站的最大传输速率P₀、用户k的波束成形向量w_k、用户k的信干噪比中断概率ρ_k、基站的信号发射功率P_BS、系统电路功耗P_c、基站到智能反射面的估计信道

基站到智能反射面的估计信道误差矩阵ΔG、基站到用户k的估计信道矩阵

基站到用户k的估计信道误差矩阵Δr_k，同时还设置迭代次数的最大值设置为i_max，初始能量效率值η₀，用户噪声功率

收敛精度ε。

S2：通过给出的SINR相移矩阵Θ^(i-1)和松弛变量β_k ^(i-1)来计算波束成形向量W_k ⁽ⁱ⁾和目标函数值

在本步骤中，通过上一次迭代过程i-1中的相移矩阵和Θ^(i-1)和松弛变量β_k ^(i-1)，利用第一凸优化模型(6)计算出当前迭代过程i中的波束成形向量W_k ⁽ⁱ⁾和目标函数值

S3：通过给出波束成形W_k ⁽ⁱ⁾和相移矩阵Θ^(i-1)来计算松弛变量β_k ⁽ⁱ⁾和

在本步骤中，通过当前迭代过程i中求得的波束成形向量W_k ⁽ⁱ⁾和上一次迭代过程i-1中的松弛变量β_k ^(i-1)，利用第二凸优化模型(7)计算出当前迭代过程i中的松弛变量β_k ⁽ⁱ⁾和目标函数值

S4：通过给出波束成形W_k ⁽ⁱ⁾和松弛变量β_k ⁽ⁱ⁾来计算相移矩阵Θ⁽ⁱ⁾；

在本步骤中，通过当前迭代过程i中求得的波束成形向量W_k ⁽ⁱ⁾和当前迭代过程i中求得的松弛变量β_k ⁽ⁱ⁾，利用第三凸优化模型(8)计算出当前迭代过程i中的相移矩阵Θ⁽ⁱ⁾。将λ⁽ⁱ⁾带入模型(5)中的目标函数中即λ^*，计算得到对应的目标函数值

在本步骤中，

中的λ⁽ⁱ⁾是由

计算，其中，

是由步骤S2计算得到，

由步骤S3计算得到。

S5：判断迭代次数是否最大即i≥i_max是否成立，若成立，则进入步骤S6；否则，进入S7继续更新迭代；

S6：判断各个子问题的目标函数和能效值是否达到收敛，若收敛，则输出结果

否则，进入S7更新迭代；

在本步骤中，当

以及|η_i+1-η_i|/η_i≤ε均成立时，则表明当前迭代过程中所计算的目标函数值和能效值都达到了收敛。

S7：迭代更新各个子问题的目标函数值，能效值，松弛变量值，迭代次数，进入S2重新计算。

在本步骤中，每个子问题的目标函数值

的更新表达式为

η_i＝η_i+1，i＝i+1。

下文将通过仿真结果来详细展示本发明的实际应用效用。

1)仿真条件

如图5，本实施例中设置基站天线数设置为2，智能反射面阵元数设置为4，并设计含有两个用户。设置基站到智能反射面、用户，智能反射面到用户的路损分别为3.5，2.2和2.2。信道带宽B＝10MHz，电路损耗P_c＝-20dBm，最大传输功率P₀＝10W，用户噪声功率

收敛精度ε＝10^-6。在仿真中，基站、智能反射面和用户三者之间的位置关系及距离如图5所示。

2)仿真结果

图6阐明了所提算法和传统算法系统能效的收敛性能。图7对比了三种算法下最大发射功率和能效之间的关系，可以看出，所有算法的能效都随着最大发射功率逐渐增大，本发明的能效要明显优于其他两种算法。图8对比了三种算法下用户目标SINR和中断概率之间的关系。3种算法的中断概率均随用户目标SINR增加而增大，但本发明的中断概率明显低于其他两种算法。

以上仿真结果仅代表本模型在理想情况下的实施例，并不能够限制本发明，一切遵循本发明精神及原则的改动、等同替换或改进等，均应该在本发明所保护的范围之内。

在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.非正交多址接入网络中基于智能反射面的资源分配方法，其特征在于，所述方法包括：

建立基于智能反射面的非正交多址接入网络系统，所述系统包括一个配备有M根天线的基站，一个智能反射面和K个单天线用户，所述智能反射面配备有N个反射阵元；

在所述基于智能反射面的非正交多址接入网络系统中，基于基站最大发射功率约束、智能反射面的连续相移约束以及用户的信干噪比中断概率约束，构建出能效最大的资源分配模型；

求解所述能效最大的资源分配模型，得到非正交多址接入网络中基于智能反射面的资源分配结果。

2.根据权利要求1所述的非正交多址接入网络中基于智能反射面的资源分配方法，其特征在于，所述能效最大的资源分配模型包括：

C₂:0≤θ_n≤2π

其中，

表示能效最大的资源分配模型的目标函数；C₁为基站的最大发射功率约束；C₂为智能反射镜的连续相移约束；C₃为用户k的SINR中断概率约束；η表示基于智能反射面的非正交多址接入网络系统的能效，R_k表示用户k的信息速率，R_k＝log₂(1+SINR_k)，SINR_k表示用户k的信干噪比，

表示智能反射面到用户k的信道矩阵，

表示智能反射面到用户k的信道矩阵，θ表示智能反射面的相移矩阵，θ＝{θ₁,θ₂,...,θ_N}；G表示基站到智能反射面的信道矩阵，

表示用户k的噪声功率；P_BS表示基站的信号发射功率；w_k表示基站到用户k的波束成形向量；P₀表示基站的最大传输速率；θ_n表示反射阵元n的相移矩阵，n∈{1,2,...,N}；P_r表示求概率；

表示用户k的目标信干噪比；ρ_k表示用户k的信干噪比中断概率；上标H表示共轭转置。

3.根据权利要求2所述的非正交多址接入网络中基于智能反射面的资源分配方法，其特征在于，在所述能效最大的资源分配模型中，基于信道不确定性，利用含有信道不确定性的SINR中断概率约束优化所述能效最大的资源分配模型，表示为：

其中，

表示能效最大的资源分配模型的目标函数；

为用户k的

中断概率约束，

表示为用户k含有信道不确定性的平均信干噪比，

表示智能反射面的估计相移矩阵，

表示用户k的估计复合信道矩阵，ΔH_k表示用户k的估计复合信道误差矩阵，1_N表示N阶单位矩阵，

H_k表示用户k的复合信道矩阵，

上标T表示转置矩阵。

4.根据权利要求3所述的非正交多址接入网络中基于智能反射面的资源分配方法，其特征在于，求解优化后的能效最大的资源分配模型包括利用丁克尔巴赫方法将所述目标函数转化为含有辅助变量参数相减的形式，利用S-引理方法将含有信道不确定性的信干噪比中断概率约束转换成确定性形式，继续优化能效最大的资源分配模型；利用交替优化算法将优化后的能效最大的资源分配模型中多变量耦合的非凸优化问题分解成三个凸优化子问题，利用凸优化工具箱对分解出的子问题进行求解。

5.根据权利要求4所述的非正交多址接入网络中基于智能反射面的资源分配方法，其特征在于，继续优化后的能效最大的资源分配模型表示为：

C₈:t_k≥0

C₁₄:μ_k≥0

其中，Tr表示求矩阵的迹；W_k表示用户k的波束成型矩阵，

t_k表示用户k的第一松弛变量；μ_k表示用户k的第二松弛变量；β_k表示用户k的SINR松弛变量；Θ表示相移矩阵，

表示智能反射面的估计相移矩阵；

λ表示能效松弛变量；

表示基站消耗功率；Q_k1表示用户k的第一参数；K_k1表示用户k的第二参数；

表示信道估计值；c_k1表示用户k的第三参数；I_MN+M表示一个(MN+M)阶的单位矩阵；d_k1表示用户k的第四参数；

表示信道噪声功率；

表示自由度为2MN的卡方分布；Q_k2表示用户k的第五参数；K_k2表示用户k的第六参数；c_k2表示用户k的第七参数；v_k表示高斯随机向量属于半径为且的球型区域。

6.根据权利要求5所述的非正交多址接入网络中基于智能反射面的资源分配方法，其特征在于，所述利用交替优化算法将优化后的能效最大的资源分配模型中多变量耦合的非凸优化问题分解成三个凸优化子问题SP1～SP3依次表示为：

SP1:

C₄～C₁₄

SP2:

s.t.C₁₀～C₁₄

SP3:

findΘ⁽ⁱ⁾

s.t.C₄～C₇

C₁₀～C₁₄

其中，

表示第一凸优化问题的目标函数；

表示第二凸优化问题的目标函数；findΘ⁽ⁱ⁾表示第三凸优化问题的目标函数；

表示第i次迭代过程中的波束成形矩阵W_k；

表示第i次迭代过程中用户k的第一松弛变量t_k；μ_k表示第i次迭代过程中用户k的第二松弛变量μ_k；Θ⁽ⁱ⁾表示第i次迭代过程中的相移矩阵Θ，

表示第i次迭代时反射阵元n的相移矩阵。

7.根据权利要求6所述的非正交多址接入网络中基于智能反射面的资源分配方法，其特征在于，所述利用凸优化工具箱对分解出的子问题进行求解包括在第一凸优化子问题SP1中，通过给出的相移矩阵和SINR松弛变量计算出当前迭代过程中的波束成形向量以及第一凸优化子问题的目标函数值

在第二凸优化子问题SP2中，通过给出的波束成形向量和相移矩阵计算出当前迭代过程中的SINR松弛变量以及第二凸优化子问题的目标函数值

在第三凸优化子问题SP3中，通过波束成形向量和SINR松弛变量计算出当前迭代过程中的相移矩阵；根据当前迭代过程中的λ⁽ⁱ⁾，计算出目标函数值

当迭代次数达到最大时，判断各个凸优化子问题的目标函数和对应的能效值是否收敛，若收敛，则输出波束成形向量、相移矩阵、SINR松弛变量以及能效值，否则继续迭代。

Images