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 PDFInfo
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 8
- 230000019771 cognition Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000007796 conventional method Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
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,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
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
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:
步骤八,将步骤五至七中的结果代入问题P1中,可转化为
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′;
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
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
对于主用户P2的接收端来说,可获得类似的不确定集合
第二步,关于参数针对次级用户S1建立如下不确定集合
关于次级用户S2建立如下不确定集合
进一步,在步骤五中,最差值的表达式为:
进一步,在步骤六中,最差值的表达式为:
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和当主用户静默时,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到其的信道增益次级用户接收端S2在信道2和3上估计和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
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
对于主用户P2的接收端来说,可获得类似的不确定集合
关于次级用户S2建立如下不确定集合
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
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
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:
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′;
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;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,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
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
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:
步骤八,将步骤五至七中的结果代入问题P1中,可转化为
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′;
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
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}
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]
关于次级用户S2建立如下不确定集合
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:
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)
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)
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 |
-
2013
- 2013-10-31 CN CN201310534296.0A patent/CN103580806B/zh not_active Expired - Fee Related
Patent Citations (4)
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)
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 |