CN115696613B - 不完美csi下异构共存网络的资源分配方法 - Google Patents

Abstract

本发明公开不完美CSI下异构共存网络的资源分配方法，包括：构建NB‑IoT与蜂窝移动网同频共存模型；基于NB‑IoT与蜂窝移动网同频共存模型，采用交替优化迭代法，实现资源分配。本发明具有快速收敛以及显著提高能效的特点，可实现在4次迭代内快速收敛，且该方法对于系统总能效的提高明显优于其它对比方法，当NB‑IoT小区数量为60时，本发明得到的系统总能效高出现有方法19.4％。

Description

不完美CSI下异构共存网络的资源分配方法

技术领域

本发明涉及物联网移动通信通信技术领域，特别涉及不完美CSI下异构共存网络的资源分配方法。

背景技术

移动通信应用已经从基本的语音电话转变为支持各行各业的广泛垂直领域，最显著的是日常生活中不可或缺的物联网应用。在万物互联的时代，更多的智能场景进入人们的生活，这意味着更多的设备接入了物联网。随着物联网不断发展，通信技术日趋成熟，低功耗广域网(Low Power Wide Area Network，LPWAN)已成为物联网中增长最快的市场之一，它描述了一类旨在支持物联网部署的无线通信技术，其设计的主要目标包括提供强大的覆盖范围、高能效、大规模、低成本通信和低带宽。作为工作在授权频谱的LPWAN技术之一，窄带物联网(Narrowband Internet of Things，NB-IoT)是第三代合作伙伴计划(The3rd Generation Partner Project，3GPP)第13版本中引入的一种新蜂窝技术。传统物联网设备大多采用短距离通信技术承载，如蓝牙、Zigbee、Wi-Fi，而NB-IoT是专门为物联网设计的长期演进(Long Term Evolution，LTE)变体，通过移动运营商网络实现物对物的连接。NB-IoT具备覆盖增强、超低功耗以及海量终端接入的优点，支持广域网上低功耗设备的蜂窝数据连接，可以满足非延迟敏感和低码率应用的要求,降低生产成本，实现海量物联网设备的接入。

为了缓解频谱资源的紧张，NB-IoT系统可以采用带内部署模式，占用蜂窝系统带内正常的载波资源块，从而提升频谱效率。然而，NB-IoT系统与蜂窝移动网同频共存面临以下挑战。一方面是基于NB-IoT系统与现有蜂窝系统共存场景的系统建模研究尚需深入。对NB-IoT系统和蜂窝移动网构成的宏微共存网络进行系统建模，从而满足后续的模拟仿真需求；增加相应的功能模块，同时也需要对程序进行进一步的规范，从而更加准确地描述两系统共存产生的系统性能。另一方面是在两系统频谱间隔较小的情况下，会对相邻系统造成一定的干扰。因此，如何在带内部署场景下进行共存网络优化设计、降低同频干扰、提高系统容量和频谱利用率，成为目前亟待解决的热点问题。

异构网络(Heterogeneous Networks，HetNets)能够提高网络覆盖率和系统频谱效率，非正交多址接入(Non Orthogonal Multiple Access，NOMA)技术允许多个用户占用相同的频谱资源传输数据，两种技术的结合可以提高频谱利用率，满足海量设备接入的需求。然而，NB-IoT系统和蜂窝移动系统存在互相干扰的问题。其次，由于NB-IoT用户服务请求的突发性，需要联合优化用户关联分配和用户功率分配，以获取高效的资源分配方案。此外，由于现实信道的不理想性，完美信道信息状态(Channel State Information，CSI)的假设对实际的通信系统是不合理的，因此需要研究不完美CSI下基于多用户的NOMA-HetNets资源分配策略。此外还需研究高效的优化算法来满足用户的QoS需求。

发明内容

为解决上述现有技术中所存在的问题，本发明提供不完美CSI下异构共存网络的资源分配方法，通过用户关联因子分配和功率分配最大化整个系统的能量效率，将含有不确定性参数的非线性分数优化问题转换为更易处理的问题，为了获得最优解，采用交替优化迭代法交替优化NB-IoT小区和蜂窝小区的网络性能。实现在4次迭代内收敛，当NB-IoT小区数量为60时，本发明得到的系统EE高出现有方法19.4％。

为了实现上述技术目的，本发明提供了不完美CSI下异构共存网络的资源分配方法，包括：

构建NB-IoT与蜂窝移动网同频共存模型；

基于所述NB-IoT与蜂窝移动网同频共存模型，采用交替优化迭代法，实现资源分配。

可选地，所述NB-IoT与蜂窝移动网同频共存模型包括一个蜂窝移动基站和F个NB-IoT基站，所述蜂窝移动基站和所述NB-IoT基站在同一频段上工作。

可选地，所述NB-IoT基站所在小区的总速率的计算公式为：

其中：

R_f,n＝Bα_f,nlog₂(1+γ_f,n)

式中，N为NB-IoT基站所在小区的第N个NB-IoT用户；F为NB-IoT基站个数；f∈{1,2,...,F}为第f个NB-IoT基站；n∈{1,2,...,N}为第n个NB-IoT用户；R_f,n为第f个NB-IoT基站解码第n个NB-IoT用户时的速率；α_f,n为用户关联因子，当第n个NB-IoT用户关联到第f个NB-IoT时α_f,n＝1，否则，α_f,n＝0；B为传输带宽；γ_f,n为第f个NB-IoT检测第n个NB-IoT用户时的信号与干扰加噪声比；p_f,n为第f个NB-IoT为第n个NB-IoT用户提供的发射功率；|h_f,n|为第f个NB-IoT中第n个NB-IoT用户到蜂窝移动基站的干扰链路增益；

为NB-IoT小区间干扰；/>

为所有NB-IoT用户对第f个NB-IoT的干扰；|g_f,k|为第k个蜂窝移动用户到第f个NB-IoT干扰链路的信道增益；σ²为方差。

可选地，所述NB-IoT基站所在小区的总功耗的计算公式为：

式中，p_f,n为第f个NB-IoT基站为第n个NB-IoT用户提供的发射功率。

可选地，所述蜂窝移动基站所在小区的总速率的计算公式为：

其中：

R_k＝Blog₂(1+γ_k)

K为蜂窝移动用户个数；k∈{1,2,...,K}为第k个蜂窝移动用户；R_k为第k个蜂窝移动用户的速率；γ_k为第k个蜂窝移动用户的信号与干扰加噪声比；p_k为表示第k个蜂窝移动用户的发射功率；h_k为表示第k个蜂窝移动用户的信道增益；

为NB-IoT小区间干扰；/>

为第f个NB-IoT中第n个NB-IoT用户到蜂窝移动基站的干扰。

可选地，所述蜂窝移动基站所在小区的总功耗的计算公式为：

可选地，所述交替优化迭代法包括：

首先基于最坏准则原理将含不确定性参数的约束条件转化为确定性的凸约束，通过凸松弛将二进制的用户关联因子变量松弛为连续变量，采用Dinkelbach法将分式目标函数转化为等效含参的相减形式，并通过连续凸近似方法将原问题转化为凸问题，利用拉格朗日对偶原理和KKT条件得出功率分配和用户关联因子的闭式表达式；其次结合次梯度迭代算法，获得用户关联和功率分配的最优解；最后通过交替优化NB-IoT小区和蜂窝小区的系统总能效，最大化系统总能效。

可选地，所述资源分配在约束下执行，所述约束包括：用户功率约束、跨层干扰功率约束、用户关联因子约束和用户传输速率约束。

本发明具有如下技术效果：

本发明通过用户关联因子分配和功率分配最大化整个系统的能量效率，将含有不确定性参数的非线性分数优化问题转换为更易处理的问题，为了获得最优解，采用交替优化迭代法交替优化NB-IoT小区和蜂窝小区的能量效率，实现系统能量效率最大化。本发明的方法具有快速收敛以及显著提高能效的特点，可实现在4次迭代内快速收敛，且该方法对于系统总能效的提高明显优于其它对比方法，当NB-IoT小区数量为60时，本发明得到的系统总能效高出现有方法19.4％。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例NB-IoT与蜂窝移动网同频共存模型示意图；

图2为本发明实施例不完美CSI下异构共存网络的资源分配方法的流程框图；

图3为本发明实施例NU发射功率随迭代次数变化的曲线图；

图4为本发明实施例NB-IoT小区数量对NB-IoT能效的影响示意图；

图5为本发明实施例NB-IoT小区数量对蜂窝移动网络能效的影响示意图；

图6为本发明实施例NB-IoT小区能效与干扰功率阈值和估计误差的关系示意图；

图7为本发明实施例所提方法对比图。

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。

本发明公开不完美CSI下异构共存网络的资源分配方法，包括：

构建NB-IoT与蜂窝移动网同频共存模型；

如图1所示，在多用户上行链路传输场景中，构建基于NOMA的NB-IoT与蜂窝移动网同频共存模型。NB-IoT与蜂窝移动网同频共存模型由一个蜂窝移动基站(Cellular MobileBase Station，CMBS)和F个NB-IoT基站(NB-IoT Femtocell Base Station，NFBS)组成，CMBS和NFBS在同一个频段上工作。CMBS为K个蜂窝移动用户(Cellular Users，CU)服务，k∈{1,2,...,K}表示第k个CU；用f∈{1,2,...,F}表示第f个NFBS，NB-IoT小区中有N个NB-IoT用户(NB-IoTUsers，NU)，n∈{1,2,...,N}表示第n个NU。所有的用户和基站都是单天线节点，每个NB-IoT用户最多只能同时关联一个NB-IoT基站，每个NB-IoT基站可以为多个用户提供服务，即k个CU全部关联到CMBS。假设每个NB-IoT小区占用一个子信道以提高系统频谱效率，由于NB-IoT的低功率特性可以忽略NB-IoT小区之间的小区干扰。

第f个NFBS接收到的信号表示为：

式中，p_f,n表示第f个NFBS为第n个NU提供的发射功率；h_f,n表示第n个NU到第f个NFBS的信道增益；x_f,n表示第n个NU的传输信号；p_k表示第k个CU的发射功率；g_f,k表示第k个CU到第f个NFBS的信道增益；x_k表示第k个CU的传输信号；ω₀表示均值为0，方差为σ²的加性高斯白噪声。

在NB-IoT小区中，根据NOMA原理，NFBS从叠加信号中按照信道增益大小顺序依次解码出每个用户的信号，将N个NU的信道增益按照降序顺序排列，即|h_f,1|≥|h_f,2|≥...≥|h_f,n|≥|h_f,l|≥...≥|h_f,N|。第f个NFBS检测第n个NU时的信号与干扰加噪声比(SINR)为：

/>

式中，

为NB-IoT小区间干扰；/>

为所有CU对第f个NFBS的干扰；|g_f,k|为第k个CU到第f个NFBS干扰链路的信道增益；p_f,n为第f个NFBS为第n个NU提供的发射功率；|h_f,n|为第f个NB-IoT中第n个NB-IoT用户到蜂窝移动基站的干扰链路增益。

根据香农定理可以得到，第f个NFBS解码第n个NU时的数据速率为：

R_f,n＝Bα_f,nlog₂(1+γ_f,n)

式中，α_f,n为用户关联因子，当第个NB-IoT用户关联到第f个NB-IoT时α_f,n＝1，否则，α_f,n＝0；B为传输带宽。因此，NB-IoT小区总速率为：

NB-IoT小区总能耗为：

在蜂窝小区中，同样地运用NOMA原理，将CU的信道增益按照降序排序，即|h₁|≥|h₂|≥...≥|h_k|≥|h_m|≥...≥h_K|，可以求得第k个CU的SINR为：

h_f,n|为第f个NFBS中第n个NU到CMBS干扰链路增益；p_k为；h_k为第k个CU的发射功率；

为NB-IoT小区间干扰；/>

为第f个NFBS中第n个NU到CMBS的干扰。

可以得到第k个蜂窝用户的速率为：

R_k＝Blog₂(1+γ_k)

因此，蜂窝小区的总速率为：

蜂窝小区的总能耗为：

含有不完美CSI的信道模型的构建包括：

在实际的通信系统中，由于用户移动性、接收机性能受限、处理和传递信令时延长等因素，基站获得的CSI是不完美的，因此，理想的CSI假设对实际的无线通信系统是不合理的。本发明将真实的信道增益表示为估计的信道增益与信道估计误差之和：

h_f,n＝h′_f,n+Δh_f,n

g_f,k＝g′_f,k+Δg_f,k

h_k＝h′_k+Δh_k

g_n＝g′_n+Δh_n

式中，h′_f,n,g′_f,k,h′_k和g′_n是估计的信道增益，Δh_f,n,Δg_f,k,Δh_k和Δg_n表示相应的信道估计误差。当估计误差均为0时，实际的信道增益等于估计的信道增益。

本发明基于最坏准则实现信道估计误差的不确定性建模。最坏准则认为信道估计误差由表示实际值和估计值之间距离的有界集建模，可以保持传输质量而不会出现任何中断。定义第n个NU到第f个NFBS的信道估计误差不确定集合为

其中δ_f,n是第n个NU到第f个NFBS不完美CSI估计误差的上限，当δ_f,n的取值很小时，意味着估计的信道增益h′_f,n与实际的信道增益值很接近，相反，当δ_f,n的取值很大时，意味着估计的信道增益h′_f,n与实际的信道增益值相差甚远。定义第k个CU到第f个NFBS的信道估计误差不确定性集合为/>

δ_k是第k个CU到第f个NFBS不完美CSI估计误差的上限,其中||g_f,k-g′_f,k||表示2范数，g_f,k＝[g_1,k,g_2,k,...,g_F,k]^T是实际信道增益向量，g′_f,k＝[g′_1,k,g′_2,k,...,g′_F,k]^T是估计的信道增益向量，δ_f,n和δ_k的值以及范数的定义由估计误差的大小和信道不确定性的来源决定。相似的，定义/>

为第k个CU到CMBS的信道估计误差不确定集合，定义/>

为第n个NU到CMBS的信道估计误差不确定集合。

本发明通过资源分配最大化系统的总能量效率，定义整个系统总能效为系统总数据速率与系统总能耗之比，即：

式中，R^N为NB-IoT小区总速率；R^M为蜂窝小区总速率；P^N为NB-IoT小区总能耗；P^M为蜂窝小区总能耗；P_c为电路损耗。

最大化能效的资源分配是由整个系统在以下约束下执行的。首先是总功率约束，NU和CU的总功率分别不能超过其最大发射功率

和/>

为了保证用户的服务质量(QoS)，使NU和CU能够进行正常通信，需要对用户速率和干扰功率进行约束：

式中，R_min为用户的最小数据速率。CU到第f个NB-IoT基站的干扰功率I^NM小于干扰阈值I_th

NU到蜂窝基站的干扰功率也要小于干扰阈值I_th

因此，NB-IoT与蜂窝移动网同频共存的系统能效资源分配问题可以表述为：

I^NM≤I_th,I^MN≤I_th (f)

优化问题

中，约束(a)和约束(b)保证每个用户只能关联一个基站，约束(c)保证所有用户的发射功率不小于零，约束(d)为所有用户发射功率限制，约束(e)要求每个用户的数据速率应不小于用户的最小数据速率R_min以保证用户的QoS，约束(f)要求来自CU和NU的跨层干扰受到干扰阈值I_th的约束。

基于NB-IoT与蜂窝移动网同频共存模型，采用交替优化迭代法，实现资源分配；

本发明提出了交替优化迭代法实现整个系统能量效率的最大化，以满足网络中用户的QoS需求，流程框图如图2所示。首先基于最坏准则原理将含不确定性参数的约束条件转化为确定性的凸约束，通过凸松弛将二进制的用户关联因子变量松弛为连续变量，采用Dinkelbach法将分式目标函数转化为等效含参的相减形式，并通过连续凸近似方法将原问题转化为凸问题，利用拉格朗日对偶原理和KKT条件得出功率分配和用户关联因子的闭式表达式。其次结合次梯度迭代算法，获得用户关联和功率分配的最优解。最后通过交替优化NB-IoT小区和蜂窝小区的EE，最大化系统EE。

与现有研究只优化小蜂窝小区的性能指标不同，本发明提出的交替优化迭代算法通过交替优化不同网络小区的能量效率，获得最优的功率分配策略和用户关联策略，以最大化共存网络的能量效率。具体来说，首先平均分配CU的传输功率，其次根据获得NB-IoT小区和蜂窝移动网络小区的最佳功率分配策略、用户关联策略，利用次梯度迭代算法找到最优解，最后更新CU的发射功率。在双网共存条件下保证双网用户能够进行正常通信的情况下，实现系统能量效率的最大化。

将上述构建的含有不完美CSI的信道模型应用到NB-IoT小区能效优化问题中，含不确定性参数的子问题可以表述为：

s.t.(a)(b)

其中(a)(b)为上述提到的约束条件(a)(b)。

由于用户关联因子α_f,n为二进制整数变量，优化问题

是分数形式的混合整数规划问题，并且是非凸的问题。首先可以引入松弛变量p′_f,n＝α_f,np_f,n将α_f,n松弛为0～1范围内的连续变量以减少整数变量引起的计算复杂性。因此，可以将优化问题/>

重新表述为：

s.t.(b')(e')

其中：

其次，考虑约束(e’)中含有的不确定性参数会影响用户进行稳定通信，采用最坏情况的方法重新表述

最坏情况方法的目的是在有界信道不确定性集合下保持传输质量防止出现中断的情况，即在信道估计误差存在的情况下，让用户的最小传输速率大于R_min，来自跨层用户的最大干扰功率小于I_th，以保证用户的QoS。为了消除不确定性参数，可以将约束(c”)和约束(d”)中的左项转为凸项。

对于约束(c”)来说，需要确定左项R′_f,n的下界，结合约束(c”)和不确定性集合

的定义，有子问题/>

s.t.h_f,n∈[h′_f,n-δ_f,n,h′_f,n+δ_f,n]

将h_f,n代入到式(g)中，经过不等式变换可以得到R'_f,n的最小值：

对于约束d”来说，需要确定左项的上界，结合约束d”和不确定性集合

的定义，有子问题/>

s.t.g_f,k∈[g′_f,k-δ_k,g′_f,k+δ_k]

将g_f,k代入到d”中，经过柯西—施瓦茨不等式变换，可以得到最坏情况下跨层干扰功率的最大值：

结合公式(h)和公式(i)，可以将不确定性问题转化为确定性问题，即：

s.t.(b’)(a”)(b”)

/>

由于式(j)中的目标函数依然是分数形式，优化问题

仍然是非凸的。因此采用Dinkelbach的方法将其转换成的等效的相减形式：

其中，t是一个非负的参数，对于给定的t值，用{α_f,n}和{p′_f,n}分别表示用户关联策略和功率分配策略的解。当t接近正无穷大时，f(t)为负，当t接近负无穷大时

f(t)为正，可以证明f(t)是连续的并且随着t严格递减函数。将和/>

定义为式(k)的最优解，当且仅当f(t^*)＝0时才能达到最大能效t*：

基于连续凸优化，有以下逼近关系：

其中

代表γ′_f,n的最后一次迭代值。通过上述转换，优化问题/>

的目标函数是凸函数，优化问题/>

表示为：

s.t.(b’)(a”)(b”)(b”’)

首先在给定t值情况下获得最优的用户关联因子分配策略和功率分配策略，然后更新t，直到获得全局最优解。因此，可以利用拉格朗日对偶分解法来解决凸优化问题

定义拉格朗日函数为：

其中β_f,n，λ_f，μ_f,n，η_k是非负的拉格朗日乘数，式(m)可以写成：

其中，

令

式(m)的的对偶问题变成了：

s.t.λ_f≥0,β_f,n≥0,μ_f,n≥0,η_k≥0

从对偶函数的结构上可以看出是一个两层优化问题，内层是求解最优的用户关联因子

和最优分配功率/>

外层是获得拉格朗日乘数。根据KKT条件可以求得NU的最佳功率分配：

对α_f,n求偏导数，可以得到：

其中

的值为：

因此，可以得到最佳的用户关联策略为：

基于次梯度方法可以更新拉格朗日乘数：

其中，s是迭代索引，ζ₁，ζ₂和ζ₃是正步长，选取合适步长可以保证所提算法是收敛的，本发明通过后边内容进行仿真结果验证。NB-IoT小区的优化算法为：

/>

为了进一步提高系统的能效，需要优化CU的功率，与NB-IoT用户零星上传的特性不同，假设CU全部与蜂窝基站关联，本发明介绍了CU的功率分配策略。蜂窝移动网络小区的的优化问题可以表示如下：

/>

与NB-IoT小区的资源分配方案类似，需要将含有信道不确定性参数的问题转化为含有确定性参数的问题。同样基于最坏准则对不确定性约束项进行有界放大或缩小，最终可以得到最坏情况下CU的速率最小值和跨层干扰功率的最大值：

结合式(o)和(p)，可以将不确定性问题(m)转换成确定性问题：

s.t.(i’)(j’)

为了获得最佳分配策略，将式(q)转换为非分数的等效形式，得到蜂窝移动网络小区凸优化问题：

s.t.(h’)(b”)(j’)

其中，

代表/>

的最后一次迭代值。为了获得闭式解，采用拉格朗日对偶法解决问题/>

定义拉格朗日函数为

其中λ_k，μ_k和η_f,n是非负的拉格朗日乘数，上式可以写成：

其中，

令

可以得到对偶问题：

s.t.λ_k≥0,μ_k≥0,η_f,n≥0

根据KKT条件可以求得CU的最佳功率分配策略：

基于次梯度方法可以更新拉格朗日乘数：

其中，j是迭代索引，ξ₁，ξ₂和ξ₃是正步长，选取合适的步长可以保证所提算法是收敛的，同样可以通过仿真结果验证。蜂窝小区的优化算法为：

/>

仿真验证：

仿真区域设为蜂窝正六边形，蜂窝基站位于区域中心，NB-IoT基站与蜂窝基站的最小距离设为50m，蜂窝小区和NB-IoT小区的覆盖半径分别设为500m和20m。信道模型包括瑞利衰落和路径损耗，路径损耗因子设为3，系统噪声设为10^-8w。

图3为NU发射功率随迭代次数变化的曲线图，图中

和/>

分别代表第一个NB-IoT小区和第二个NB-IoT的总发射功率，p_1,1和p_1,2分别代表第一个NB-IoT小区内第一个NU和第二个NU的发射功率。可以看出在迭代4次之后每个NU的传输功率达到稳定状态，并且每个NB-IoT小区的总发射功率满足最大传输功率阈值的要求。仿真曲线表明了本发明所提方法具有良好的收敛性能。

图4-图5分别为NB-IoT小区数量对NB-IoT小区能量效率和蜂窝移动网络小区能量效率的影响。从图中可以看出，具有更多NB-IoT小区数量的系统能够达到更高的能量效率。假设每个小区占用一个子信道，那么NB-IoT小区数量越多，子信道就越多，每个子信道上的单位带宽导致更多的带宽。根据能效的定义，具有更多NB-IoT小区数量的系统可以比具有较少NB-IoT小区数量的系统获得更高的能量效率。此外，从图中还可以看出在迭代4次之后能量效率值达到稳定状态，从而证明了本发明所提方法通过的收敛性。

图6显示了不同传输链路估计误差和干扰链路估计误差对NB-IoT小区EE的影响，可以看出估计误差的变化对系统性能有很大的影响。首先，NB-IoT小区能量效率随着干扰功率阈值的增加而增加，在I_th＝0.015w之后逐渐稳定。由于NU发射功率的可行范围会随着干扰功率阈值的增大而扩大，所提算法可以进一步获得最优的资源分配，从而提高NB-IoT小区的能量效率；然而NU的发射功率会受到发射功率阈值的限制，NB-IoT小区的能量效率最终会稳定下来。其次，在传输链路估计误差相同的情况下，随着干扰链路估计误差的增加，NB-IoT小区的能量效率先降低，然后稳定在高干扰功率阈值处，这是因为δ_k的增加会降低NFBS发射功率的可行范围。此外，在干扰链路估计误差相同的条件下，较高的传输链路估计误差会减小NB-IoT小区的能量效率。原因是δ_f,n越大，代表传输链路的信道条件越不稳定，这将导致NU的总速率降低，从而减小NB-IoT小区的能量效率。

本发明所提方法与现有技术的对比如图7所示，其中ASIRA代表本发明所提方法，SA表示现有的子信道分配算法。为了使比较工作更加公平准确，将最大发射功率设置为30dBm。从曲线对比可以看出，ASIRA方案优于其他方案，当NB-IoT小区数量为60时，所提算法得到的EE比SA算法提高19.4％，具有快速收敛的特点，显著提高系统能效。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.不完美CSI下异构共存网络的资源分配方法，其特征在于，包括以下步骤：

构建NB-IoT与蜂窝移动网同频共存模型；

基于所述NB-IoT与蜂窝移动网同频共存模型，采用交替优化迭代法，实现资源分配；

所述NB-IoT基站所在小区的总速率的计算公式为：

其中：

R_f,n＝Bα_f,nlog₂(1+γ_f,n)

式中，N为NB-IoT基站所在小区的第N个NB-IoT用户；F为NB-IoT基站个数；f∈{1,2,...,F}为第f个NB-IoT基站；n∈{1,2,...,N}为第n个NB-IoT用户；R_f,n为第f个NB-IoT基站解码第n个NB-IoT用户时的速率；α_f,n为用户关联因子，当第n个NB-IoT用户关联到第f个NB-IoT时α_f,n＝1，否则，α_f,n＝0；B为传输带宽；γ_f,n为第f个NB-IoT检测第n个NB-IoT用户时的信号与干扰加噪声比；p_f,n为第f个NB-IoT为第n个NB-IoT用户提供的发射功率；|h_f,n|为第f个NB-IoT中第n个NB-IoT用户到蜂窝移动基站的干扰链路增益；

为NB-IoT小区间干扰；/>

为所有NB-IoT用户对第f个NB-IoT的干扰；|g_f,k|为第k个蜂窝移动用户到第f个NB-IoT干扰链路的信道增益；σ²为方差。

2.根据权利要求1所述的不完美CSI下异构共存网络的资源分配方法，其特征在于，所述NB-IoT与蜂窝移动网同频共存模型包括一个蜂窝移动基站和F个NB-IoT基站，所述蜂窝移动基站和所述NB-IoT基站在同一频段上工作。

3.根据权利要求2所述的不完美CSI下异构共存网络的资源分配方法，其特征在于，

所述NB-IoT基站所在小区的总功耗的计算公式为：

式中，p_f,n为第f个NB-IoT基站为第n个NB-IoT用户提供的发射功率。

4.根据权利要求2所述的不完美CSI下异构共存网络的资源分配方法，其特征在于，所述蜂窝移动基站所在小区的总速率的计算公式为：

其中：

R_k＝B log₂(1+γ_k)

B为传输带宽；K为蜂窝移动用户个数；k∈{1,2,...,K}为第k个蜂窝移动用户；R_k为第k个蜂窝移动用户的速率；γ_k为第k个蜂窝移动用户的信号与干扰加噪声比；p_k为表示第k个蜂窝移动用户的发射功率；h_k为表示第k个蜂窝移动用户的信道增益；

为NB-IoT小区间干扰；/>

为第f个NB-IoT中第n个NB-IoT用户到蜂窝移动基站的干扰。

5.根据权利要求2所述的不完美CSI下异构共存网络的资源分配方法，其特征在于，所述蜂窝移动基站所在小区的总功耗的计算公式为：

6.根据权利要求1所述的不完美CSI下异构共存网络的资源分配方法，其特征在于，所述交替优化迭代法包括：

首先基于最坏准则原理将含不确定性参数的约束条件转化为确定性的凸约束，通过凸松弛将二进制的用户关联因子变量松弛为连续变量，采用Dinkelbach法将分式目标函数转化为等效含参的相减形式，并通过连续凸近似方法将原问题转化为凸问题，利用拉格朗日对偶原理和KKT条件得出功率分配和用户关联因子的闭式表达式；其次结合次梯度迭代算法，获得用户关联和功率分配的最优解；最后通过交替优化NB-IoT小区和蜂窝小区的系统总能效，最大化系统总能效。

7.根据权利要求1所述的不完美CSI下异构共存网络的资源分配方法，其特征在于，所述资源分配在约束下执行，所述约束包括：用户功率约束、跨层干扰功率约束、用户关联因子约束和用户传输速率约束。

Images