CN102364973A - 基于共享频谱接入的载波和功率联合分配方法 - Google Patents

Abstract

本发明公开了一种基于共享频谱接入的载波和功率联合分配方法，它将博弈相关理论、对偶原理、次梯度方法等结合起来解决认知无线电中频谱分配问题：在填充式频谱接入时，提出了功率分配的迭代算法，并验证了迭代算法的收敛性与有效性，解决了下垫式频谱接入时的载波和功率分配问题；在下垫式频谱接入时，由于干扰容限的约束，用户之间的策略空间是相互耦合的，通过引入对偶原理和次梯度方法，将耦合策略博弈分解为了一个策略独立的非合作博弈以及一个最优化问题，进而解决了下垫式频谱接入时的载波和功率分配问题。

Description

基于共享频谱接入的载波和功率联合分配方法

技术领域

本发明涉及认知无线电***中功率注水算法、载波分配方法以及功率迭代算法，特别适用于授权用户存在或具有干扰容限约束时的共享频谱接入，目的是合理的分配认知用户的功率和授权用户的频谱，提高频谱资源的利用率。

背景技术

随着第三代移动通信***与高速数据网络的出现，特别是对多媒体数据业务的支持，先进的频谱利用技术及频谱分配算法对***性能的提高起到至关重要的作用。认知无线电技术由于能够充分利用授权用户的空闲频谱，逐渐成为业界和各频谱管理机构的研究热点。基于认知无线电的频谱分配策略不仅能够完成CR网络中频谱及功率资源的合理分配，且对提高现有无线通信***的频谱资源利用率亦有重要的理论意义。

动态频谱分配能够利用授权用户的可用频谱，同时有效地限制和降低冲突发生的可能。在正交频谱接入中，每条信道或载波某一时刻只允许一个认知用户接入，分配结束后，认知用户之间的通信信道是相互正交的，即用户之间不存在干扰(或干扰可以忽略不计)。由于每条信道只有一个用户接入，当授权用户的工作状态改变或是由于环境变化导致授权用户的干扰容限发生变化时，只需要一个或少数认知用户调整相关的传输参数即可。因此，正交式频谱接入具有较低的***复杂度和响应时间，外部环境的变化对认知用户的工作状态影响不大，但却是以牺牲用户效用为代价的。

在共享频谱接入中，认知用户同时接入授权用户的多条信道或载波，用户除需考虑授权用户的干扰容限外，还需要考虑来自其它用户的干扰。在这种情况下，认知用户可以使用全部可用信道，通过类似“扩频”的形式传输信息，但当外部环境变化时，所有用户的传输参数均需随之调整，对认知无线电***的动态性和实时性要求很高。

发明内容

本发明的目的在于避免正交频谱接入中用户效用较低的现状，提供了一种基于共享频谱接入的载波和功率联合分配方法。本发明完全解决了共享频谱接入时填充式和下垫式模式下的载波和功率分配问题，提高了频谱资源的利用率，为认知无线电中的频谱分配提供了新思路。

本发明的目的是这样实现的：

基于共享频谱接入的载波和功率联合分配方法，通过将频谱感知和信道估计获得的载波状态信息，根据接入方式的不同选择合适的载波在认知用户间进行分配，其特征在于包括步骤如下：

(1)建立认知无线网络，认知用户数与授权用户信道数分别为N和M，授权用户在各条信道上的干扰容限为I_k，初始化干扰容限因子η_k(0)＝0，其中k为授权用户的第k条信道，且k＝1，2，…，M；

(2)判断网络接入模式，如果允许认知用户接入处于工作状态的授权信道，则为下垫式频谱接入，转入步骤(5)；否则，为填充式频谱接入，顺序执行步骤(3)；

(3)根据认知用户的效用函数和拉格朗日最优法，求得任一认知用户在任一空闲信道上t时刻的传输功率

(k∈//)，其中i为第i个认知用户，且i＝1，2，…，N；

(4)通过迭代公式 $p_i^k(t+1)=\max (0,{\mathrm{\μ}}_i(t+1)-\frac{{\mathrm{\σ}}^2+\underset{j\≠i}{\mathrm{\Σ}}{p}_j^k\left(t\right){\left|H_{j,i}\right|}^2}{K{H_{i,i}|}^2})$ 求得各认知用户的功率分配结果，进而得到各用户的吞吐率，其中μ_i(t+1)为t+1时刻的注水线，表示增益干扰比，完成填充式下的基于共享频谱接入的载波和功率分配；

(5)初始化t时刻认知用户在各条信道上的传输功率

(6)对认知用户i，调用基于下垫式频谱接入的功率注水算法求得t+1时刻的注水线μ_i(t+1)，进而求得功率对偶因子λ_i(t+1)与功率分配结果(k＝1，2，…，M)；

(7)判断t+1时刻与t时刻功率差值的绝对值是否满足误差需求，如果大于或等于误差控制因子ε₁则返回步骤(6)；反之，则根据公式 ${\mathrm{\η}}_k(n+1)=\max \{0,{\mathrm{\η}}_k\left(n\right)-{\mathrm{\α}}_n(I_k-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_j^k(n+1){\left|H_{j,0}^k\right|}^2)\}$ 求得干扰容限对偶因子η_k(n+1)；

(8)判断n+1时刻与n时刻干扰容限对偶因子差值的绝对值是否小于误差控制因子ε₂，如果不是，则返回步骤(5)；如果是，则输出各认知用户的功率分配结果，进而得到各用户的吞吐率，完成下垫式下的基于共享频谱接入的载波和功率分配。

本发明与现有技术相比有如下有益效果：

(1)针对认知无线电中共享频谱接入时的载波和功率分配问题，本方法中设计了一种适合填充式和下垫式频谱接入的功率注水算法，该算法构建了一个以注水线为变量的函数，然后首先通过认知用户在各条信道上增益干扰比得到了实际使用的载波数，进而确定了注水线的取值区间，最后求解函数得到了用户的注水线。与传统的注水算法相比，通过本方法求得的注水线是最优的，且算法的收敛速度很快。

(2)针对共享频谱接入中下垫式接入时的载波和功率分配问题，本方法设计了一种求解耦合策略博弈的基于对偶原理和次梯度方法的双迭代算法，该方法把耦合策略博弈分解成了一个约束独立的非合作博弈和一个参数最优化问题，从而在有限的时间内得到了稳定的功率分配结果，收敛速度快。

附图说明：

图1是本发明的处理流程框图。

图2是认知无线网络示意图。

图3是功率注水算法流程图。

图4是填充式频谱接入时的功率注水示意图。

图5是共享频谱接入下Underlay与Overlay的效用比较。

具体实施方式：

下面，结合附图对本发明作进一步说明。

基于共享频谱接入的载波和功率联合分配方法，通过将频谱感知和信道估计获得的载波状态信息，根据接入方式的不同选择合适的载波在认知用户间进行分配，其特征在于包括步骤如下：

(1)建立认知无线网络，认知用户数与授权用户信道数分别为N和M，授权用户在各条信道上的干扰容限为I_k，初始化干扰容限因子η_k(0)＝0，其中k为授权用户的第k条信道，且k＝1，2，…，M。

(2)判断网络接入模式，如果允许认知用户接入处于工作状态的授权信道，则为下垫式频谱接入，转入步骤(5)；否则，为填充式频谱接入，顺序执行步骤(3)。

(3)根据认知用户的效用函数和拉格朗日最优法，求得任一认知用户在任一空闲信道上t时刻的传输功率

(k∈//)，其中i为第i个认知用户，且i＝1，2，…，N。

首先，调用该模式下的认知用户效用函数：

$s.t.\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{p}_i^k\≤P_i$

信道k处于off状态

信道k处于on状态

其中，

为认知用户i在信道k上的传输功率；

表示认知用户i在信道k上的信道增益；σ²为信道上的噪声功率水平；

为认知用户j的发射机到用户i的接收机在信道k上的信道增益；P_i为认知用户i的总传输功率。

然后，定义增益干扰比函数

并根据拉格朗日方程 $L_i(p_i,{\mathrm{\λ}}_i)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}b{\log }_2(1+p_i^k{g}_i^k)+{\mathrm{\λ}}_i(P_i-\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{p}_i^k)$ 及功率注水算法(空闲信道不受干扰容限约束)求得认知用户在t时刻的传输功率，式中p_i表示用户i的功率分配向量，且

λ_i为拉格朗日因子。

(4)通过迭代公式 $p_i^k(t+1)=\max (0,{\mathrm{\μ}}_i(t+1)-\frac{{\mathrm{\σ}}^2+\underset{j\≠i}{\mathrm{\Σ}}{p}_j^k\left(t\right){\left|H_{j,i}\right|}^2}{K{\left|H_{i,i}\right|}^2})$ 求得各认知用户的功率分配结果，进而得到各用户的吞吐率，其中μ_i(t+1)为t+1时刻的注水线，

表示增益干扰比，完成填充式下的基于共享频谱接入的载波和功率分配。

对任意的用户i(i∈//)，其第t+1阶段的功率分配策略与第t阶段其它所有用户的功率分配结果有关，即前一阶段的博弈结果会影响下一阶段的用户决策。尽管如此，用户的策略空间是各自独立的，在不超过其功率容限的前提下各个用户可以独立的选取自身的功率分配向量；由于用户之间的自私、理性，他们均会该公式选取最终的传输功率，从而实现自身效用的最优化。

(5)初始化t时刻认知用户在各条信道上的传输功率

这时，认知用户可以接入处于工作状态的授权用户信道，但将受到干扰容限I的约束，这时认知用户的效用可以表示为：

$\underset{p_j}{\max }U=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\frac{B}{M}{\log }_2(1+K{\mathrm{\γ}}_j)$

$s.t.\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{p}_j\≤P,p_j\≥0$

${\mathrm{\σ}}^2+p_j{\left|H_{j,0}\right|}^2\≤I_j\∀j\∈//$ 且载波j未空闲

其中，M为载波总数；B为信道总带宽；p_j表示子载波j上的认知用户发射功率；

为单位带宽上的噪声功率；K表示用户的误码率要求；|H_j，0|²为认知用户的发射信号在子载波j上到监测点的信道增益。此时的频谱共享问题最终可以归结为认知用户在各子载波上合理的分配发射功率以期获得最优的传输速率。认知用户的功率分配情况为 $p_j=\min (\frac{I_j-{\mathrm{\σ}}^2}{{\left|H_{j,0}\right|}^2},{(\mathrm{\μ}-g_j^{-1})}^{+}),$ 式中

表示授权用户的干扰容限且(x)⁺＝max(x，0)，μ为注水线且λ为拉格朗日因子，g_j表示增益干扰比，且

(6)对认知用户i，调用基于下垫式频谱接入的功率注水算法求得t+1时刻的注水线μ_i(t+1)，进而求得功率对偶因子λ_i(t+1)与功率分配结果

(6.1)根据下式计算认知用户效用：

$\underset{p_j}{\max }U=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}b{\log }_2(1+K{\mathrm{\γ}}_j)$

$s.t.\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{p}_j\≤P,p_j\≥0$

${\mathrm{\σ}}^2+p_j{\left|H_{j,0}\right|}^2\≤I_j\∀j\∈//$ 且载波j未空闲

其中，b为信道带宽；p_j为子载波j上的认知用户发射功率；|H_j，0|²表示认知用户的发射信号在子载波j上到监测点的信道增益；在空闲信道上，认知用户的功率分配不受干扰容限的约束。

(6.2)由认知用户的效用函数和拉格朗日最优法可得其功率分配情况为：

$p_j=\min (\frac{I_j-{\mathrm{\σ}}^2}{{\left|H_{j,0}\right|}^2},{(\mathrm{\μ}-g_j^{-1})}^{+})$

其中，

表示授权用户的干扰容限且(x)⁺＝max(x，0)；μ为注水线，且

λ为拉格朗日因子；g_j表示增益干扰比，且

由该式可知，只要求的注水线，即可以得到功率分配的结果。为实现此目标，将增益干扰比按其倒数的升序排列。

(6.3)当认知用户的效用最优时，应有

由步骤(6.2)中的公式可知功率p_j为注水线μ的函数，因此，约束条件可以表示为：

$f\left(\mathrm{\μ}\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{p}_j-P=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\min (\frac{I_j-{\mathrm{\σ}}^2}{{\left|H_{j,0}\right|}^2},{(\mathrm{\μ}-g_j^{-1})}^{+})-P_i$

设

求得函数f的值

(6.4)判断函数

是否大于0，如果是则表示分配的功率大于认知用户的总功率，应该置M＝M-1并返回步骤(6.3)继续求解注水线；反之，则表示满足总功率限制，顺序执行下一步。

(6.5)认知用户实际使用的载波数为num＝M，根据函数f(μ)＝0及注水线取值区间

求得注水线的值，进而求得功率分配的结果

(7)判断t+1时刻与t时刻功率差值的绝对值是否满足误差需求，如果大于或等于误差控制因子ε₁则返回步骤(6)；反之，则根据公式求得干扰容限对偶因子η_k(n+1)；

首先，根据求得的t+1时刻的注水线，由步骤(5)中注水线公式和功率分配公式分别求得该时刻的功率对偶因子及功率分配结果。由步骤(6)得到的功率迭代公式可以表示为：

其中，λ_i(t+1)表示t+1时刻的功率对偶因子。

这时，当认知用户在t+1时刻与t时刻功率之差的绝对值小于ε₁时，满足本方法的误差控制条件，顺序执行下一步骤；反之，误差控制条件不满足，算法应回到步骤(6)，并置t时刻的功率为t+1时刻功率，继续顺序执行，直至满足误差控制条件为止。

然后，根据公式 ${\mathrm{\η}}_k(n+1)=\max \{0,{\mathrm{\η}}_k\left(n\right)-{\mathrm{\α}}_n(I_k-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_j^k(n+1){\left|H_{j,0}^k\right|}^2)\}$ 求得n+1时刻的干扰容限对偶因子η_k(n+1)，其中k表示授权用户的任一工作信道。

(8)判断n+1时刻与n时刻干扰容限对偶因子差值的绝对值是否小于误差控制因子ε₂，如果不是，则返回步骤(5)；如果是，则输出各认知用户的功率分配结果，进而得到各用户的吞吐率，完成下垫式下的基于共享频谱接入的载波和功率分配。

在下垫式频谱共享中，认知用户可以同时接入处于工作状态的授权用户的信道。这时，认知用户的策略除受自身的总传输功率限制外，还受到授权用户干扰容限的约束：在在授权用户工作的信道上，所有认知用户的累加干扰功率总和不能超过该信道的干扰容限。因此，与传统的非合作博弈不同，这里的用户策略是相互耦合的。当给定其它用户的功率策略p_-i时，认知用户i的耦合的策略空间可以表示为：

其中p_i为认知用户i的功率策略，且

Ω_i表示认知用户i的功率分配空间，且

其分配空间可以表示为 ${\mathrm{\Ω}}_i=\{(p_i^1,\·\·\·,p_i^M)\∈R^M|p_i^k\≥0,\∀k\∈//\};$

为认知用户i到监测点在信道l上的增益；I_l为信道l上的干扰容限；表示处于工作状态的授权用户信道集合。

本方法引入对偶原理及次梯度方法，通过层次分解模型解决了该耦合式非合作博弈中的功率分配问题。在步骤(1)所述的耦合式策略博弈中，每个认知用户均需要完全了解其他用户的策略才能做出最终的有效决策，这在分布式认知无线电网络中是无法实现的。本方法考虑用基于拉格朗日函数的对偶原理对耦合式干扰容限进行分解。由于耦合式干扰容限对于认知用户的功率策略而言是凸的，所以该耦合策略博弈可以分解为一个约束独立的非合作博弈与一个参数最优化问题。由步骤(1)中的效用函数可得拉格朗日函数为：

$L_i(p,{\mathrm{\λ}}_i,\mathrm{\η})=U_i\left(p_i\right)+{\mathrm{\λ}}_i(P_i-\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{p}_i^k)+\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\η}}_k(I_k-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_j^k{\left|H_{j,0}^k\right|}^2)$

其中，λ_i表示与认知用户i的功率容限有关的对偶因子(拉格朗日因子)；η为与信道的干扰容限有关的对偶因子，且η＝[η¹，…，η^M]；为用户j到监测点在信道k上的增益；I_k表示信道k上的干扰容限，当k上没有授权用户工作时，I_k无限大。

根据对偶原理和次梯度方法，即可以得到该方法中所采用的功率迭代公式与干扰容限对偶因子更新公式。

Claims (2)

1.基于共享频谱接入的载波和功率联合分配方法，通过将频谱感知和信道估计获得的载波状态信息，根据接入方式的不同选择合适的载波在认知用户间进行分配，其特征在于包括步骤如下：

(1)建立认知无线网络，认知用户数与授权用户信道数分别为N和M，授权用户在各条信道上的干扰容限为I_k，初始化干扰容限因子η_k(0)＝0，其中k为授权用户的第k条信道，且k＝1，2，…，M；

(2)判断网络接入模式，如果允许认知用户接入处于工作状态的授权信道，则为下垫式频谱接入，转入步骤(5)；否则，为填充式频谱接入，顺序执行步骤(3)；

(3)根据认知用户的效用函数和拉格朗日最优法，求得任一认知用户在任一空闲信道上t时刻的传输功率

(k∈//)，其中i为第i个认知用户，且i＝1，2，…，N；

(4)通过迭代公式 $p_i^k(t+1)=\max (0,{\mathrm{\μ}}_i(t+1)-\frac{{\mathrm{\σ}}^2+\underset{j\≠i}{\mathrm{\Σ}}{p}_j^k\left(t\right){\left|H_{j,i}\right|}^2}{K{\left|H_{i,i}\right|}^2})$ 求得各认知用户的功率分配结果，进而得到各用户的吞吐率，其中μ_i(t+1)为t+1时刻的注水线，表示增益干扰比，完成填充式下的基于共享频谱接入的载波和功率分配；

(5)初始化t时刻认知用户在各条信道上的传输功率

(6)对认知用户i，调用基于下垫式频谱接入的功率注水算法求得t+1时刻的注水线μ_i(t+1)，进而求得功率对偶因子λ_i(t+1)与功率分配结果

(k＝1，2，…，M)；

(7)判断t+1时刻与t时刻功率差值的绝对值是否满足误差需求，如果大于或等于误差控制因子ε₁则返回步骤(6)；反之，则根据公式 ${\mathrm{\η}}_k(n+1)=\max \{0,{\mathrm{\η}}_k\left(n\right)-{\mathrm{\α}}_n(I_k-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_j^k(n+1){\left|H_{j,0}^k\right|}^2)\}$ 求得干扰容限对偶因子η_k(n+1)；

(8)判断n+1时刻与n时刻干扰容限对偶因子差值的绝对值是否小于误差控制因子ε₂，如果不是，则返回步骤(5)；如果是，则输出各认知用户的功率分配结果，进而得到各用户的吞吐率，完成下垫式下的基于共享频谱接入的载波和功率分配。

2.根据权利要求1所述的基于共享频谱接入的载波和功率联合分配方法，其特征在于：步骤(6)中的基于下垫式频谱接入的功率注水算法包括以下步骤：

(6.1)根据下式计算认知用户效用：

$\underset{p_j}{\max }U=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}b{\log }_2(1+K{\mathrm{\γ}}_j)$

$s.t.\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{p}_j\≤P,p_j\≥0$

${\mathrm{\σ}}^2+p_j{\left|H_{j,0}\right|}^2\≤I_j\∀j\∈//$ 且载波j未空闲

其中，b为信道带宽；p_j为子载波j上的认知用户发射功率；|H_j，0|²表示认知用户的发射信号在子载波j上到监测点的信道增益；在空闲信道上，认知用户的功率分配不受干扰容限的约束；

(6.2)由认知用户的效用函数和拉格朗日最优法可得其功率分配情况为：

$p_j=\min (\frac{I_j-{\mathrm{\σ}}^2}{{\left|H_{j,0}\right|}^2},{(\mathrm{\μ}-g_j^{-1})}^{+})$

其中，

表示授权用户的干扰容限且(x)^-＝max(x，0)；μ为注水线，且λ为拉格朗日因子；g_j表示增益干扰比，且由该式可知，只要求的注水线，即可以得到功率分配的结果；为实现此目标，将增益干扰比按其倒数的升序排列；

(6.3)当认知用户的效用最优时，应有

由步骤(6.2)中的公式可知功率p_j为注水线μ的函数，因此，约束条件可以表示为：

$f\left(\mathrm{\μ}\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{p}_j-P=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\min (\frac{I_j-{\mathrm{\σ}}^2}{{\left|H_{j,0}\right|}^2},{(\mathrm{\μ}-g_j^{-1})}^{+})-P_i$

设

求得函数f的值

(6.4)判断函数

是否大于0，如果是则表示分配的功率大于认知用户的总功率，应该置M＝M-1并返回步骤(6.3)继续求解注水线；反之，则表示满足总功率限制，顺序执行下一步；

(6.5)认知用户实际使用的载波数为num＝M，根据函数f(μ)＝0及注水线取值区间

求得注水线的值。

Images