CN103580806A - 一种认知网络中鲁棒性能效传输的方法 - Google Patents

一种认知网络中鲁棒性能效传输的方法 Download PDF

Info

Publication number
CN103580806A
CN103580806A CN201310534296.0A CN201310534296A CN103580806A CN 103580806 A CN103580806 A CN 103580806A CN 201310534296 A CN201310534296 A CN 201310534296A CN 103580806 A CN103580806 A CN 103580806A
Authority
CN
China
Prior art keywords
channel
secondary user
user
power
robustness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310534296.0A
Other languages
English (en)
Other versions
CN103580806B (zh
Inventor
盛敏
王亮
史琰
张琰
王玺钧
李建东
马骁
刘国庆
徐超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201310534296.0A priority Critical patent/CN103580806B/zh
Publication of CN103580806A publication Critical patent/CN103580806A/zh
Application granted granted Critical
Publication of CN103580806B publication Critical patent/CN103580806B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种认知网络中鲁棒性能效传输的方法,通过次级用户接收端测量相关信道的信道状态信息,并反馈给次级用户发送端;次级用户发送端通过多次测量确定各个信道增益的不确定集合;次级用户根据鲁棒性优化方法建模最大化次级用户能效的问题;求解最差信道增益且将主用户服务质量需求约束转化为凸约束;根据功率分配算法求解最优的发送功率,并在各个信道上根据此功率进行传输,在信道状态信息的不确定时求解鲁棒的最优传输功率,可用于认知网络通信。本发明中在信道信息不确定的情况下保证了次级用户能效的最大化;严格地控制了到主用户接收端干扰功率,保证了主用户的服务质量,有效地消除了信息不确定性对认知网络性能的恶化。

Description

一种认知网络中鲁棒性能效传输的方法
技术领域
本发明属于无线通信技术领域,尤其涉及一种认知网络中鲁棒性能效传输的方法。
背景技术
认知无线电网络允许次级用户在不降低主用户的服务质量QoS的前提下利用主用户的授权频谱进行频谱共享,提高整个频谱的利用率。另一方面,最大化能效的无线传输技术成为目前绿色通信的热点问题。特别地,在认知无线电网络中,次级用户如何在提高频谱利用率的同时最大化自身能效是当前研究的热点问题。
已有的大部分文献在最大化次级用户能效时,大都假设信道的状态信息CSI是准确的。然而,由于无线传输信道的时变特性,训练序列的有限性以及反馈信道的时延等因素的影响,发送端获取的信道状态信息CSI往往是不准确的。而且,不准确的信道状态信息会影响次级用户的能效特性以及主用户的服务质量。
由于已有针对认知无线电网络的最大化能效方法是在假设准确信道信息情况下进行设计的。这些传输方法应用到实际无线***中,往往会导致次级用户能效的恶化,也会降低主用户的服务质量。
发明内容
本发明实施例的目的在于提供一种认知网络中鲁棒性能效传输的方法,旨在解决现有的认知无线电网络最大化能效方法因未考虑信道信息不确定性而导致次级用户能效的恶化,降低主用户服务质量的问题。
本发明实施例是这样实现的,一种认知网络中鲁棒性能效传输的方法,该认知网络中鲁棒性能效传输的方法包括以下步骤:
步骤一,次级用户接收端SR在不接收有用数据时或者接收之前测量接收到的干扰信号,估计在信道k上传输的主用户对干扰的估计值;当主用户静默时,次级用户接收端SR测量信道k上的白噪声功率σ2,在接收数据时,根据训练序列估计到次级用户发送端ST的信道增益
Figure BDA0000405747230000022
,次级用户接收端SR并将数值通过反馈信道发送给次级用户发送端ST;
步骤二,次级用户发送端ST在没有数据发送时,解调主用户的公共发送信号,如确认应答ACK,否定应答NAK等,据此估计到主用户接收端PR的信道增益
Figure BDA0000405747230000023
步骤三,在通信开始之前,通过多次重复步骤一至三,确定相关参数的不确定集合;
步骤四,根据步骤一至三获得的参数,可将多个次级用户在多个信道上传输的下行能效f(P)表示为
f ( P ) = Σ k = 1 3 B log 2 ( 1 + Γ k P k H s k σ 2 + I P k ) P C + 5 Σ k = 1 3 p k
其中,B是信道的带宽,当次级用户的误码率BER=0.001时采用正交幅度调制MQAM时,此时实际传输***的信道速率与信道容量之间的差异系数Γk=0.1258,PC是认知基站CBS(即上文中提到的次级用户发送端ST)的固定功率开销,认知基站CBS的功率放大器的效率1/η0=0.20,P=[P1,P2,P3]表示认知基站CBS在所有信道上的发送功率向量,这里Pk,k∈{1,2,3}表示在信道k上的发送功率;
此时,根据鲁棒性优化方法,将最大化次级用户能效的问题建模为
P 1 : max P x · min G Sj , H S k , I P k · f ( P )
s . t . C 1 : Σ k = 1 3 P k ≤ P max ,
C 2 : P · G Sj T ≤ IT j , ∀ j ∈ { 1,2 } ,
C 3 : G Sj ∈ Q j , ∀ j ∈ { 1,2 } ,
C 4 : H S k ∈ F k , ∀ k ∈ { 1,2,3 } ,
C 5 : I P k ∈ I k , ∀ k ∈ { 1,2,3 } ·
其中,Pmax表示认知基站CBS的最大发送功率,ITj是第j个主用户接收端PR能够容忍的干扰门限值;
步骤五,根据 ( H S k ) * = arg min ( H S k ∈ F k ) · ( 1 + Γ k P k H S k BN 0 + I P k ) = arg min ( H S k ∈ F k ) · ( H S k ) , ∀ k ∈ { 1,2,3 } , 求解次级用户在信道k上的信道增益
Figure BDA0000405747230000039
的最差值
Figure BDA00004057472300000310
其中,最差值指的是在给定一个可行的发送功率向量
Figure BDA00004057472300000311
使得问题P1中目标函数
Figure BDA00004057472300000312
最小的的取值;
步骤六,再求解主用户在信道k上对次级用户造成的合成干扰
Figure BDA00004057472300000410
的最差值
Figure BDA0000405747230000041
其中,最差值指的是在给定一个可行的发送功率向量使得问题P1中目标函数
Figure BDA0000405747230000043
最小的
Figure BDA0000405747230000044
的取值;;
步骤七,根据鲁棒性优化的相关准则,可将P1中约束C2和C3转化为如下等效的凸约束C6:
C 6 : P · G Sj T + ϵ 0 | | P | | 2 ≤ IT j , ∀ j ∈ { 1,2 }
其中,权重矩阵Mj=I3×3,逆矩阵此外,l2范数||·||2的对偶范数仍为l2范数||·||2,即
Figure BDA0000405747230000047
步骤八,将步骤五至七中的结果代入问题P1中,可转化为
P 2 : max P k · f 1 ( P ) = U R ( P ) U TP ( P ) = Σ k = 1 3 B log 2 ( 1 + Γ k P k ( H S k ) * σ 2 + ( I P k ) * ) P C + 5 Σ k = 1 3 P k s . t . C 1 , C 6 . ;
步骤九,采用如下的功率分配算法,求解问题P2:
第一步,给定最大迭代次数Lmax=50和误差容忍门限值κ=0.0001;
第二步,初始化当前能效值q=0同时给当前迭代索引赋值n=0;
第三步,当收敛标志符F==0且当前迭代索引n≤Lmax时,顺序执行下面语句;否则,跳转到第七步;
第四步,当最大能效q给定时,求解如下凸优化问题P3,获得此时的功率分配向量P′;
P 3 : max P . U R ( P ) - q U TP ( P ) s . t . C 1 , C 6 .
第五步,如果不等式UR(P′)-qUTP(P′)<κ成立,那么赋值P*=P′且收敛标志赋值F=1;否则,赋值
Figure BDA0000405747230000052
且n=n+1,收敛标志赋值F=0;
第六步,返回到第三步,继续顺序执行相关语句;
第七步,返回最优能效值q*和最优功率分配向量P*=[P1 *,P2 *,P3 *];
步骤十,认知基站CBS采用给定的功率向量P*=[P1 *,P2 *,P3 *],在信道1上以功率P1 *向次级用户S1发送数据,在信道2和3上分别采用P2 *和P3 *向次级用户S2发送数据。
进一步,在步骤三中,确定相关参数的不确定集合如下:
令ε0jkk,j∈{1,2},k∈{1,2,3}表示统一的不确定集合的边界,此外广义范数采用l2范数||·||2,对于向量X∈R1×n,l2范数||·||2可表示为 | | X | | 2 = ( | x 1 | 2 + . . . + | x n | 2 ) 1 2 :
第一步,针对参数GSj,对于主用户P1的接收端来说,建立如下不确定集合
Q 1 = { G S 1 | | | ( G S 1 - G ^ S 1 ) T | | 2 &le; &epsiv; 0 }
其中,
Figure BDA0000405747230000055
即当主用户P1未在信道2上进行传输时,此时
Figure BDA0000405747230000056
令权重矩阵取值为单位矩阵M1=I3×3∈R3×3是GS1的当前估计值;
对于主用户P2的接收端来说,可获得类似的不确定集合
Q 2 = { G S 2 | | | ( G S 2 - G ^ S 2 ) T | | 2 &le; &epsiv; 0 }
其中,
Figure BDA0000405747230000059
即当主用户P1未在信道1和3上进行传输时,此时
Figure BDA0000405747230000061
令权重矩阵取值为单位矩阵M2=I3×3∈R3×3是GS2的当前估计值;
第二步,关于参数针对次级用户S1建立如下不确定集合
F 1 = { H S 1 | | | H S 1 - H ^ S 1 | | 2 &le; &epsiv; 0 }
关于次级用户S2建立如下不确定集合
F 2 = { H S 2 | | | H S 2 - H ^ S 2 | | 2 &le; &epsiv; 0 }
F 3 = { H S 3 | | | H S 3 - H ^ S 3 | | 2 &le; &epsiv; 0 }
其中,F1是次级用户S1在信道1上的信道增益的不确定集合,F2和F3分别是次级用户S2在信道2和3上的信道增益
Figure BDA0000405747230000068
Figure BDA0000405747230000069
不确定集合,此时权重系数赋值为
Figure BDA00004057472300000610
Figure BDA00004057472300000611
是次级用户在次级用户在信道k上的信道增益
Figure BDA00004057472300000612
的估计值;
第三步,针对参数
Figure BDA00004057472300000613
可以获得如下不确定集合
L k = { I P k | | | I P k - I ^ P k | | 2 &le; &epsiv; 0 } , &ForAll; k &Element; { 1,2,3 }
其中,Lk是主用户在信道k上对次级用户产生的合成干扰
Figure BDA00004057472300000615
的不确定集合,Zk是权重系数赋值为
Figure BDA00004057472300000616
Figure BDA00004057472300000617
是主用户在信道k上对次级用户产生的合成干扰
Figure BDA00004057472300000618
的估计值。
进一步,在步骤五中,最差值的表达式为:
( H S k ) * = arg min ( H S k &Element; F k ) &CenterDot; ( 1 + &Gamma; k P &OverBar; k H S k BN 0 + I P k ) = arg min ( H S k &Element; F k ) &CenterDot; ( H S k ) , &ForAll; k &Element; { 1,2,3 } .
进一步,在步骤六中,最差值的表达式为:
( I S k ) * = arg min ( I S k &Element; L k ) &CenterDot; ( 1 + &Gamma; k P &OverBar; k H S k BN 0 + I P k ) = arg min ( I S k &Element; L k ) &CenterDot; ( I S k ) , &ForAll; k &Element; { 1,2,3 } .
本发明提供的认知网络中鲁棒性能效传输的方法,通过次级用户接收端测量相关信道的信道状态信息,并反馈给次级用户发送端;次级用户发送端通过多次测量确定各个信道增益的不确定集合;次级用户根据鲁棒性优化方法建模最大化次级用户能效的问题;求解最差信道增益且将主用户服务质量需求约束转化为凸约束;根据功率分配算法求解最优的发送功率,并在各个信道上根据此功率进行传输,在信道状态信息的不确定时求解鲁棒的最优传输功率,严格保证了主用户的服务质量同时最大化了次级用户的能效,可用于认知网络通信;
本发明具有如下优点:
1.本发明中次级用户通过测量确定其信道信息以及主用户到次级用户干扰信息的不确定集合,据此来优化自身的功率,在信道信息不确定的情况下保证了次级用户能效的最大化;
2.本发明中次级用户利用主用户的信道信息的不确定集合来确定发送功率,严格地控制了到主用户接收端干扰功率,进而在信道信息不确定的情况下严格地保证了主用户的服务质量(QoS);
3.本发明通过考虑信道信息以及干扰功率的不确定性,采用鲁棒性的功率传输方法,有效地消除了信道信息不确定性对认知网络性能的恶化。
附图说明
图1是本发明实施例提供的认知网络中鲁棒性能效传输的方法流程图;
图2是本发明实施例提供的使用认知网络下行传输场景图;
图3是本发明实施例提供的认知网络中鲁棒性能效传输的方法实现流程图;
图4是本发明实施例提供的功率分配算法的子流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明实施例的认知网络中鲁棒性能效传输的方法包括以下步骤:
S101:次级用户接收端测量相关信道的信道状态信息,并反馈给次级用户发送端;
S102:次级用户发送端通过多次测量确定各个信道增益的不确定集合;
S103:次级用户根据鲁棒性优化方法建模最大化次级用户能效的问题;
S104:求解最差信道增益且将主用户服务质量需求约束转化为凸约束;
S105:根据功率分配算法求解最优的发送功率,并在各个信道上根据此功率进行传输。
结合具体实施例对本发明做进一步的说明:
如图2所示,本发明的仿真场景中包含两对主用户传输节点对PT和PR即P=2,对主用户编号为P1和P2,一个认知基站CBS和两个次级用户SR,分别编号为S1和S2,假设总共有三个信道即取K=3,其中次级用户接收端S1占用信道1,次级用户接收端S1占用信道2和3,主用户P1占用信道1和信道3,主用户P2占用信道2(次级用户和主用户如何占用信道不影响本发明的使用,这里仅给出一个具体信道占用的例子);
如图3所示,本发明中最大化能效的鲁棒性传输的方法,具体包括步骤如下:
步骤一,次级用户接收端S1在不接收有用数据时或者接收之前测量接收到的干扰信号,估计在信道1上传输的主用户对其干扰的估计值次级用户接收端S2估计在信道2和3传输的主用户对其干扰的估计值
Figure BDA0000405747230000092
Figure BDA0000405747230000093
当主用户静默时,次级用户接收端S1和S2测量三个信道上的白噪声功率σ2(不失一般性,这里假定三个信道上白噪声功率相同),次级用户接收端S1根据训练序列在信道1上认知基站CBS到其的信道增益
Figure BDA0000405747230000094
次级用户接收端S2在信道2和3上估计
Figure BDA0000405747230000095
次级用户接收端并将测量的数值通过反馈信道发送给认知基站CBS;
步骤二,认知基站CBS根据主用户公共信息在三个信道上估计其到主用户接收端PR之间的信道增益
Figure BDA0000405747230000097
Figure BDA0000405747230000098
步骤三,在通信开始之前,通过多次重复步骤(一至三),确定相关参数的不确定集合如下(这里为了方便表述,令ε0jkk,j∈{1,2},k∈{1,2,3}表示统一的不确定集合的边界,此外广义范数采用l2范数||·||2,对于向量X∈R1×n,l2范数||·||2可表示为 | | X | | 2 = ( | x 1 | 2 + . . . + | x n | 2 ) 1 2 :
第一步,针对参数GSj,对于主用户P1的接收端来说,建立如下不确定集合
Q 1 = { G S 1 | | | ( G S 1 - G ^ S 1 ) T | | 2 &le; &epsiv; 0 }
其中,
Figure BDA0000405747230000103
即当主用户P1未在信道2上进行传输时,此时
Figure BDA0000405747230000104
令权重矩阵取值为单位矩阵M1=I3×3∈R3×3
Figure BDA0000405747230000105
是GS1的当前估计值;
对于主用户P2的接收端来说,可获得类似的不确定集合
Q 2 = { G S 2 | | | ( G S 2 - G ^ S 2 ) T | | 2 &le; &epsiv; 0 }
其中,
Figure BDA0000405747230000107
即当主用户P1未在信道1和3上进行传输时,此时
Figure BDA0000405747230000108
令权重矩阵取值为单位矩阵M2=I3×3∈R3×3
Figure BDA0000405747230000109
是GS2的当前估计值;
第二步,关于参数
Figure BDA00004057472300001010
针对次级用户S1建立如下不确定集合
F 1 = { H S 1 | | | H S 1 - H ^ S 1 | | 2 &le; &epsiv; 0 }
关于次级用户S2建立如下不确定集合
F 2 = { H S 2 | | | H S 2 - H ^ S 2 | | 2 &le; &epsiv; 0 }
F 3 = { H S 3 | | | H S 3 - H ^ S 3 | | 2 &le; &epsiv; 0 }
其中,F1是次级用户S1在信道1上的信道增益的不确定集合,F2和F3分别是次级用户S2在信道2和3上的信道增益
Figure BDA0000405747230000111
Figure BDA0000405747230000112
不确定集合,此时权重系数赋值为
Figure BDA0000405747230000114
是次级用户在次级用户在信道k上的信道增益
Figure BDA0000405747230000115
的估计值;
第三步,针对参数
Figure BDA0000405747230000116
可以获得如下不确定集合
L k = { I P k | | | I P k - I ^ P k | | 2 &le; &epsiv; 0 } , &ForAll; k &Element; { 1,2,3 }
其中,Lk是主用户在信道k上对次级用户产生的合成干扰
Figure BDA0000405747230000118
的不确定集合,Zk是权重系数赋值为
Figure BDA0000405747230000119
Figure BDA00004057472300001110
是主用户在信道k上对次级用户产生的合成干扰
Figure BDA00004057472300001111
的估计值;
步骤四,根据步骤一至三获得的参数,可将多个次级用户在多个信道上传输的下行能效f(P)表示为
f ( P ) = &Sigma; k = 1 3 B log 2 ( 1 + &Gamma; k P k H s k &sigma; 2 + I P k ) P C + 5 &Sigma; k = 1 3 p k
其中,B是信道的带宽,当次级用户的误码率BER=0.001时采用正交幅度调制MQAM时,此时实际传输***的信道速率与信道容量之间的差异系数Γk=0.1258,PC是认知基站CBS的固定功率开销,认知基站CBS的功率放大器的效率1/η0=0.20,P=[P1,P2,P3]表示认知基站CBS在所有信道上的发送功率向量,这里Pk,k∈{1,2,3}表示其在信道k上的发送功率;
此时,根据鲁棒性优化方法,将最大化次级用户能效的问题建模为
P 1 : max P x &CenterDot; min G Sj , H S k , I P k &CenterDot; f ( P )
s . t . C 1 : &Sigma; k = 1 3 P k &le; P max , C 2 : P &CenterDot; G Sj T &le; IT j , &ForAll; j &Element; { 1,2 } ,
C 3 : G Sj &Element; Q j , &ForAll; j &Element; { 1,2 } ,
C 4 : H S k &Element; F k , &ForAll; k &Element; { 1,2,3 } ,
C 5 : I P k &Element; I k , &ForAll; k &Element; { 1,2,3 } &CenterDot;
其中,Pmax表示认知基站CBS的最大发送功率,ITj是第j个主用户接收端PR能够容忍的干扰门限值;
步骤五,根据下式,求解次级用户在信道k上的信道增益
Figure BDA0000405747230000127
的最差值
Figure BDA0000405747230000128
( H S k ) * = arg min ( H S k &Element; F k ) &CenterDot; ( 1 + &Gamma; k P k H S k BN 0 + I P k ) = arg min ( H S k &Element; F k ) &CenterDot; ( H S k ) , &ForAll; k &Element; { 1,2,3 }
其中,最差值指的是在给定一个可行的发送功率向量
Figure BDA00004057472300001210
使得问题P1中目标函数
Figure BDA00004057472300001211
最小的
Figure BDA00004057472300001212
步骤六,在此之后,再求解主用户在信道k上对次级用户造成的合成干扰的最差值
Figure BDA00004057472300001214
( I S k ) * = arg min ( I S k &Element; L k ) &CenterDot; ( 1 + &Gamma; k P &OverBar; k H S k BN 0 + I P k ) = arg min ( I S k &Element; L k ) &CenterDot; ( I S k ) , &ForAll; k &Element; { 1,2,3 }
其中,最差值指的是在给定一个可行的发送功率向量时,使得问题P1中目标函数
Figure BDA00004057472300001216
最小的
Figure BDA00004057472300001217
的取值;
步骤七,根据鲁棒性优化的相关准则,可将P1中约束C2和C3转化为如下等效的凸约束C6:
C 6 : P &CenterDot; G Sj T + &epsiv; 0 | | P | | 2 &le; IT j , &ForAll; j &Element; { 1,2 }
其中,权重矩阵Mj=I3×3,其逆矩阵
Figure BDA00004057472300001219
此外,l2范数||·||2的对偶范数仍为l2范数||·||2,即步骤八,将步骤五至七中的结果代入问题P1中,可将其转化为
P 2 : max P k &CenterDot; f 1 ( P ) = U R ( P ) U TP ( P ) = &Sigma; k = 1 3 B log 2 ( 1 + &Gamma; k P k ( H S k ) * &sigma; 2 + ( I P k ) * ) P C + 5 &Sigma; k = 1 3 P k s . t . C 1 , C 6 .
步骤九,如图4所示,采用如下的功率分配算法,求解问题P2:
第一步,给定最大迭代次数Lmax=50和误差容忍门限值κ=0.0001;
第二步,初始化当前能效值q=0同时给当前迭代索引赋值n=0;
第三步,当收敛标志符F==0且当前迭代索引n≤Lmax时,顺序执行下面语句;否则,跳转到第七步;
第四步,当最大能效q给定时,求解如下凸优化问题P3,获得此时的功率分配向量P′;
P 3 : max P . U R ( P ) - q U TP ( P ) s . t . C 1 , C 6 .
第五步,如果不等式UR(P′)-qUTP(P′)<κ成立,那么赋值P*=P′且
Figure BDA0000405747230000133
收敛标志赋值F=1;否则,赋值
Figure BDA0000405747230000134
且n=n+1,收敛标志赋值F=0;
第六步,返回到第三步,继续顺序执行相关语句;
第七步,返回最优能效值q*和最优功率分配向量P*=[P1 *,P2 *,P3 *];
步骤十,认知基站CBS采用给定的功率向量P*=[P1 *,P2 *,P3 *],在信道1上以功率P1 *向次级用户S1发送数据,在信道2和3上分别采用P2 *和P3 *向次级用户S2发送数据。
本发明中的次级用户通过测量确定其信道信息以及主用户到次级用户干扰信息的不确定集合,优化了自身的功率,在信道信息不确定的情况下保证了次级用户能效的最大化;次级用户利用主用户的信道信息的不确定集合来确定发送功率,严格地控制了到主用户接收端干扰功率,保证了主用户的服务质量QoS;通过考虑信道信息以及干扰功率的不确定性,采用鲁棒性的功率传输方法,有效地消除了信息不确定性对认知网络性能的恶化。
本发明的鲁棒性最大化能效传输方法可以广泛地应用到各种认知无线网络中,例如,集中式认知无线网络中认知基站的下行传输(应用实例所述)和单个次级用户的上行传输,分布式认知网络次级用户间点到点的传输或次级用户间点到多点的传输。
本发明考虑了信道信息不确定性对认知网络性能的负面影响,与已有假设信道信息准确的传统方法相比具有以下优势:本发明能够严格地保证主用户的服务质量(如应用实例中认知基站CBS对主用户接收端PR的干扰功率将会严格小于给定干扰门限,以此保证主用户的传输质量),而传统方法当信道信息有不确定性时,其对主用户的干扰很有可能超过给定的干扰门限,从而严重地恶化主用户的传输质量;本发明能够提升次级用户发送端的能效(如应用实例中,认知基站CBS的下行能效能够得到最大化),而传统方法当信道信息有不确定性时,次级用户的能效会有明显的下降。
综上所述,与传统方法相比,本发明在严格保证主用户服务质量的情况下,可最大化次级用户发送端的能效,是认知无线网络实现绿色通信的有效手段。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (4)

1.一种认知网络中鲁棒性能效传输的方法,其特征在于,该认知网络中鲁棒性能效传输的方法包括以下步骤:
步骤一,次级用户接收端SR在不接收有用数据时或者接收之前测量接收到的干扰信号,估计在信道k上传输的主用户对干扰的估计值
Figure FDA0000405747220000012
;当主用户静默时,次级用户接收端SR测量信道k上的白噪声功率σ2,在接收数据时,根据训练序列估计到次级用户发送端ST的信道增益
Figure FDA0000405747220000013
,次级用户接收端SR并将数值通过反馈信道发送给次级用户发送端ST;
步骤二,次级用户发送端ST在没有数据发送时,解调主用户的公共发送信号,如确认应答ACK,否定应答NAK等,据此估计到主用户接收端PR的信道增益
Figure FDA0000405747220000014
步骤三,在通信开始之前,通过多次重复步骤一至三,确定相关参数的不确定集合;
步骤四,根据步骤一至三获得的参数,可将多个次级用户在多个信道上传输的下行能效f(P)表示为
f ( P ) = &Sigma; k = 1 3 B log 2 ( 1 + &Gamma; k P k H s k &sigma; 2 + I P k ) P C + 5 &Sigma; k = 1 3 p k
其中,B是信道的带宽,当次级用户的误码率BER=0.001时采用正交幅度调制MQAM时,此时实际传输***的信道速率与信道容量之间的差异系数Γk=0.1258,PC是认知基站CBS(即上文中提到的次级用户发送端ST)的固定功率开销,认知基站CBS的功率放大器的效率1/η0=0.20,P=[P1,P2,P3]表示认知基站CBS在所有信道上的发送功率向量,这里Pk,k∈{1,2,3}表示在信道k上的发送功率;
此时,根据鲁棒性优化方法,将最大化次级用户能效的问题建模为
P 1 : max P x &CenterDot; min G Sj , H S k , I P k &CenterDot; f ( P )
s . t . C 1 : &Sigma; k = 1 3 P k &le; P max ,
C 2 : P &CenterDot; G Sj T &le; IT j , &ForAll; j &Element; { 1,2 } ,
C 3 : G Sj &Element; Q j , &ForAll; j &Element; { 1,2 } ,
C 4 : H S k &Element; F k , &ForAll; k &Element; { 1,2,3 } ,
C 5 : I P k &Element; I k , &ForAll; k &Element; { 1,2,3 } &CenterDot;
其中,Pmax表示认知基站CBS的最大发送功率,ITj是第j个主用户接收端PR能够容忍的干扰门限值;
步骤五,先求解次级用户在信道k上的信道增益
Figure FDA0000405747220000027
的最差值
Figure FDA0000405747220000028
其中,最差值指的是在给定一个可行的发送功率向量
Figure FDA0000405747220000029
使得问题P1中目标函数
Figure FDA00004057472200000210
最小的
Figure FDA00004057472200000211
的取值;
步骤六,再求解主用户在信道k上对次级用户造成的合成干扰的最差值
Figure FDA00004057472200000212
其中,最差值指的是在给定一个可行的发送功率向量
Figure FDA00004057472200000213
使得问题P1中目标函数
Figure FDA00004057472200000214
最小的
Figure FDA00004057472200000215
的取值;
步骤七,根据鲁棒性优化的相关准则,可将P1中约束C2和C3转化为如下等效的凸约束C6:
C 6 : P &CenterDot; G Sj T + &epsiv; 0 | | P | | 2 &le; IT j , &ForAll; j &Element; { 1,2 }
其中,权重矩阵Mj=I3×3,逆矩阵
Figure FDA00004057472200000217
此外,l2范数||·||2的对偶范数仍为l2范数||·||2,即
Figure FDA00004057472200000218
步骤八,将步骤五至七中的结果代入问题P1中,可转化为
P 2 : max P k &CenterDot; f 1 ( P ) = U R ( P ) U TP ( P ) = &Sigma; k = 1 3 B log 2 ( 1 + &Gamma; k P k ( H S k ) * &sigma; 2 + ( I P k ) * ) P C + 5 &Sigma; k = 1 3 P k s . t . C 1 , C 6 . ;
步骤九,采用如下的功率分配算法,求解问题P2:
第一步,给定最大迭代次数Lmax=50和误差容忍门限值κ=0.0001;
第二步,初始化当前能效值q=0同时给当前迭代索引赋值n=0;
第三步,当收敛标志符F==0且当前迭代索引n≤Lmax时,顺序执行下面语句;否则,跳转到第七步;
第四步,当最大能效q给定时,求解如下凸优化问题P3,获得此时的功率分配向量P′;
P 3 : max P . U R ( P ) - q U TP ( P ) s . t . C 1 , C 6 .
第五步,如果不等式UR(P′)-qUTP(P′)<κ成立,那么赋值P*=P′且
Figure FDA0000405747220000033
收敛标志赋值F=1;否则,赋值
Figure FDA0000405747220000034
且n=n+1,收敛标志赋值F=0;
第六步,返回到第三步,继续顺序执行相关语句;
第七步,返回最优能效值q*和最优功率分配向量P*=[P1 *,P2 *,P3 *];
步骤十,认知基站CBS采用给定的功率向量P*=[P1 *,P2 *,P3 *],在信道1上以功率P1 *向次级用户S1发送数据,在信道2和3上分别采用P2 *和P3 *向次级用户S2发送数据。
2.如权利要求1所述的认知网络中鲁棒性能效传输的方法,其特征在于,在步骤三中,确定相关参数的不确定集合如下:
令ε0=εj=τk=δk,j∈{1,2},k∈{1,2,3}表示统一的不确定集合的边界,此外广义范数采用l2范数||·||2,对于向量X∈R1×n,l2范数||·||2可表示为 | | X | | 2 = ( | x 1 | 2 + . . . + | x n | 2 ) 1 2 :
第一步,针对参数GSj,对于主用户P1的接收端来说,建立如下不确定集合
Q1={GS1|||(GS1-GS1)T||2≤ε0}
其中,即当主用户P1未在信道2上进行传输时,此时
Figure FDA0000405747220000043
令权重矩阵取值为单位矩阵M1=I3×3∈R3×3,GS1是GS1的当前估计值;
对于主用户P2的接收端来说,可获得类似的不确定集合
Q2={GS2|||(GS2-GS2)T||2≤ε0]
其中,
Figure FDA0000405747220000044
即当主用户P1未在信道1和3上进行传输时,此时
Figure FDA0000405747220000045
令权重矩阵取值为单位矩阵M2=I3×3∈R3×3,GS2是GS2的当前估计值;
第二步,关于参数
Figure FDA0000405747220000046
针对次级用户S1建立如下不确定集合
F 1 = { H S 1 | | | H S 1 - H ^ S 1 | | 2 &le; &epsiv; 0 }
关于次级用户S2建立如下不确定集合
F 2 = { H S 2 | | | H S 2 - H ^ S 2 | | 2 &le; &epsiv; 0 }
F 3 = { H S 3 | | | H S 3 - H ^ S 3 | | 2 &le; &epsiv; 0 }
其中,F1是次级用户S1在信道1上的信道增益
Figure FDA00004057472200000410
的不确定集合,F2和F3分别是次级用户S2在信道2和3上的信道增益
Figure FDA0000405747220000051
不确定集合,此时权重系数赋值为
Figure FDA0000405747220000053
Figure FDA0000405747220000054
是次级用户在次级用户在信道k上的信道增益
Figure FDA0000405747220000055
的估计值;
第三步,针对参数
Figure FDA0000405747220000056
可以获得如下不确定集合
L k = { I P k | | | I P k - I ^ P k | | 2 &le; &epsiv; 0 } , &ForAll; k &Element; { 1,2,3 }
其中,Lk是主用户在信道k上对次级用户产生的合成干扰
Figure FDA0000405747220000058
的不确定集合,Zk是权重系数赋值为
Figure FDA0000405747220000059
Figure FDA00004057472200000510
是主用户在信道k上对次级用户产生的合成干扰的估计值。
3.如权利要求1所述的认知网络中鲁棒性能效传输的方法,其特征在于,在步骤五中,最差值的表达式为:
( H S k ) * = arg min ( H S k &Element; F k ) &CenterDot; ( 1 + &Gamma; k P &OverBar; k H S k BN 0 + I P k ) = arg min ( H S k &Element; F k ) &CenterDot; ( H S k ) , &ForAll; k &Element; { 1,2,3 } .
4.如权利要求1所述的认知网络中鲁棒性能效传输的方法,其特征在于,在步骤六中,最差值
Figure FDA00004057472200000514
的表达式为:
( I S k ) * = arg min ( I S k &Element; L k ) &CenterDot; ( 1 + &Gamma; k P &OverBar; k H S k BN 0 + I P k ) = arg min ( I S k &Element; L k ) &CenterDot; ( I S k ) , &ForAll; k &Element; { 1,2,3 } .
CN201310534296.0A 2013-10-31 2013-10-31 一种认知网络中鲁棒性能效传输的方法 Expired - Fee Related CN103580806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310534296.0A CN103580806B (zh) 2013-10-31 2013-10-31 一种认知网络中鲁棒性能效传输的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310534296.0A CN103580806B (zh) 2013-10-31 2013-10-31 一种认知网络中鲁棒性能效传输的方法

Publications (2)

Publication Number Publication Date
CN103580806A true CN103580806A (zh) 2014-02-12
CN103580806B CN103580806B (zh) 2016-07-27

Family

ID=50051821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310534296.0A Expired - Fee Related CN103580806B (zh) 2013-10-31 2013-10-31 一种认知网络中鲁棒性能效传输的方法

Country Status (1)

Country Link
CN (1) CN103580806B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104219749A (zh) * 2014-09-19 2014-12-17 华北电力大学(保定) 基于电网与基站协同的电网供需调节方法
CN105246109A (zh) * 2015-09-18 2016-01-13 福州大学 一种面向车辆自组网的簇内数据融合方法
CN107947880A (zh) * 2017-11-29 2018-04-20 南京航空航天大学 认知无线电网络中面向频谱需求不确定性的频谱投资策略
CN108347761A (zh) * 2018-01-05 2018-07-31 山东财经大学 Crn中的功率分配方法及其在智慧交通网络中的应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040174938A1 (en) * 2003-03-06 2004-09-09 Lg Electronics Inc. Data transmitting/receiving apparatus and method in wireless system
CN102413540A (zh) * 2011-08-25 2012-04-11 西安电子科技大学 基于认知的网络编码与路由相结合的自组织网络单播方法
CN102695255A (zh) * 2012-05-29 2012-09-26 西安电子科技大学 一种基于认知技术的异构网络节能方法
CN103220094A (zh) * 2013-03-19 2013-07-24 西安电子科技大学 认知网络中进行并传与协作的联合传输方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040174938A1 (en) * 2003-03-06 2004-09-09 Lg Electronics Inc. Data transmitting/receiving apparatus and method in wireless system
CN102413540A (zh) * 2011-08-25 2012-04-11 西安电子科技大学 基于认知的网络编码与路由相结合的自组织网络单播方法
CN102695255A (zh) * 2012-05-29 2012-09-26 西安电子科技大学 一种基于认知技术的异构网络节能方法
CN103220094A (zh) * 2013-03-19 2013-07-24 西安电子科技大学 认知网络中进行并传与协作的联合传输方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104219749A (zh) * 2014-09-19 2014-12-17 华北电力大学(保定) 基于电网与基站协同的电网供需调节方法
CN104219749B (zh) * 2014-09-19 2018-05-04 华北电力大学(保定) 基于电网与基站协同的电网供需调节方法
CN105246109A (zh) * 2015-09-18 2016-01-13 福州大学 一种面向车辆自组网的簇内数据融合方法
CN105246109B (zh) * 2015-09-18 2018-10-30 福州大学 一种面向车辆自组网的簇内数据融合方法
CN107947880A (zh) * 2017-11-29 2018-04-20 南京航空航天大学 认知无线电网络中面向频谱需求不确定性的频谱投资策略
CN107947880B (zh) * 2017-11-29 2020-11-06 南京航空航天大学 认知无线电网络中面向频谱需求不确定性的频谱投资策略
CN108347761A (zh) * 2018-01-05 2018-07-31 山东财经大学 Crn中的功率分配方法及其在智慧交通网络中的应用

Also Published As

Publication number Publication date
CN103580806B (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
CN109714817B (zh) 使用noma和d2d组的通信***功率分配方法
CN105744628B (zh) 一种数能一体化通信网络的资源分配最优化方法
WO2015070502A1 (zh) 基于导频复用的大规模mimo无线通信方法
CN103997394A (zh) 多小区协调大规模mimo导频复用传输方法
CN102970256B (zh) 基于零空间的多天线d2d通信***干扰消除方法
CN104023382B (zh) 同频全双工***中的功率控制方法及基站
CN107041005B (zh) 基于能量协作的双向认知中继网络资源分配方法
CN103580806B (zh) 一种认知网络中鲁棒性能效传输的方法
CN110381519A (zh) 一种基于认知无线电双向中继的非正交多址传输方法
CN103326764A (zh) 一种下行信道质量信息获取方法和装置
CN105281817A (zh) 一种基于分布式双向中继***的鲁棒波束成型方法
CN104702557A (zh) 一种基于不完全csi的分布式天线***自适应调制方法
CN105636216A (zh) 基于吞吐量最大化的鲁棒功率分配方法
CN104601297A (zh) 协作无线能量传输方法和***
CN105188124A (zh) 多用户ofdma中继***中非完美csi下的鲁棒博弈功率控制方法
WO2013147554A1 (en) Method and apparatus for transmitting and receiving signals in multi-cellular network
CN102347820A (zh) 一种多小区协作无线通信***联合编解码方法
CN101895911A (zh) 多基站协作传输***中利用信道统计信息的自适应传输方法
Zhou et al. QoS-based robust power optimization for SWIPT NOMA system with statistical CSI
CN103974433A (zh) 无线全双工网络中面向服务质量保障资源分配方法
CN114584233A (zh) 一种基于ris辅助的认知无线网络中断性能预测方法及***
CN103248460B (zh) 非理想信道状态下mimo***中基于干扰对齐的信号处理方法
Ren et al. Maximizing the effective capacity for wireless cooperative relay networks with QoS guarantees
CN110601736B (zh) 一种多天线全双工认知无线电能量捕获与信息传输方法
Guan et al. Stochastic channel access for underwater acoustic networks with spatial and temporal interference uncertainty

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160727