CN104660392A - 认知ofdm网络中基于预测的资源联合分配方法 - Google Patents

Abstract

本发明涉及一种认知OFDM网络中基于预测的资源联合分配方法，属于认知无线网络技术领域，包括以下步骤：1)定义***容量为频谱资源正确使用时的信道速率总和；2)根据频谱感知中的两种误差得到两种条件概率，共同来预测出对主用户网络产生的干扰门限；3)通过功率初始化分配，执行子信道分配，并获得子信道分配矢量α^*；4)利用子信道分配矢量α^*来进行功率分配，获得功率分配矢量P^(*)，从而进行子信道和功率联合分配。本方法通过预测信道状态信息，提高了频谱利用率，通过定义正确使用的频谱资源，提高了***的吞吐量，并且保证了对主用户网络干扰小于其门限。此外，为了获得更高的吞吐量，与平等的功率分配策略相比，本方法能加载更多的功率给认知用户。

Description

认知OFDM网络中基于预测的资源联合分配方法

技术领域

本发明属于认知无线网络技术领域，涉及一种认知OFDM网络中基于预测的资源联合分配方法。

背景技术

随着日益增长的无线应用，无线频谱资源变得的越来越拥挤，特别是6GHZ以下的频带。研究表明，大部分的频谱未被充分使用的原因是是由于传统资源分配策略的效率低下。在认知无线网络***中，认知用户可以感知主用户正在使用的频谱，并且以一个机会主义策略来使用空闲的频谱。也就是说，如果认知用户发现给定的信道中有主用户的存在，那么认知用户将放弃这个信道，然后切换到一个新的空闲的信道中；如果没有闲散信道，那么就在等待池中排队等待。然而，由于内在反馈的延迟，在实际的无线***中误差估计和量化误差存在一些不可避免的感应误差，导致对主用户产生了干扰。为了避免主用户性能不可接受的退化，认知用户产生的干扰必须得到控制，并且认知***的物理层应该非常灵活的满足这些需要。

为了支持多样化的服务，在本方法中模拟了同时服务实时(RT)和非实时(NRT)认知用户的异构CR网络。尽量最大化认知用户的的总速率，并且同时保证RT用户所需的速度和为了使资源分配更公平NRT用户的速率比重约束。这些因素导致了公式的混合整数规划问题，这是难以计算。为了使其易于处理，采用在两个步骤中解决这个问题。对于第一步，尝试基于信道增益和对主用户产生的干扰来分配子信道。在第二步骤中，尝试分配OFDM子信道中的功率。通过利用该问题的结构，提出了一种方法，能够实现最优功率分配，比标准技术更为有效。

发明内容

有鉴于此，本发明的目的在于提供一种认知OFDM网络中基于预测的资源联合分配方法，该方法能够实现***最优功率分配。

为达到上述目的，本发明提供如下技术方案：

一种认知OFDM网络中基于预测的资源联合分配方法，包括以下步骤：

步骤一：定义***容量为频谱资源正确使用时的信道速率总和；

步骤二：根据频谱感知中的两种误差得到两种条件概率，共同来预测出对主用户网络产生的干扰门限；

步骤三：通过功率初始化分配，执行子信道分配，并获得子信道分配矢量α^*；

步骤四：利用子信道分配矢量α^*来进行功率分配，获得功率分配矢量P^(*)，从而进行子信道和功率联合分配。

进一步，在步骤一中，假设在次级网络中，认知基站在由L个不重叠子带宽组成的信道中传输；每一个子信道的检测问题可以由一个条件函数来表示，H_1,k和H_0,k分别表示主用户正在使用第k个子信道和主用户当前没有使用第k个子信道；用来表示使用第k个子信道的决定；考虑到预测的问题，α_k,n是SUs和子信道n的二进制子信道分配指数，r_k,n是子信道n上第k个认知用户的速率；则***总速率可以表示为：

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}P({\hat{H}}_k=H_{0,k}|H_{0,k})\×P\left(H_{0,k}\right){\mathrm{\α}}_{k,n}{r}_{k,n}.$

进一步，在步骤二中，通过认知用户接入主用户网络中对主网络产生的干扰来设定一个门限；频谱感知中的两种误差分别为误测和虚警，误测表示为认知***在子信道上未能检测到主用户信号，然而真实情况是主用户正在使用子信道；虚警表示为认知***确定这个子信道是不可用的，但是实际情况子信道是空闲的；利用虚警和误测得到认知用户感知结果和真实是否一样的概率，然后根据条件函数，求出认知用户对主用户网络产生的干扰门限。

进一步，在步骤三中，通过功率初始化分配，执行子信道分配，并获得子信道分配矢量α^*，具体包括：

每一个认知基站中的总的传输功率P_max被均匀的分给基站中的子信道上，即：

$P_{\mathrm{equal}}=\frac{P_{\max }}{\left|n_c\right|}\∀c$

***中的子信道分配算法包含三个部分：干扰矩阵的定义；给每一个认知基站找到一组可用的子信道；每个小区中的子信道分配；

所述干扰矩阵的定义，包括：在每一个子信道n上，定义最大的可允许干扰集合为：

I_n,max＝min(I_n,max)m∈ψ_n

其中，ψ_n表示子信道n上接收到主基站信号的主用户的集合；通过定义这些参数，可以得到***中的次级基站和可用的子信道之间的N×C干扰矩阵；采用m'表示在集合ψ_n中离认知基站最近的主用户；

所述给每一个认知基站找到一组可用的子信道，包括：在每一个子信道中，确定出在不违背所有主用户SINR约束条件时通过认知基站子信道传输的集合，表示为S_n，得到基于干扰矩阵满足条件；

所述每个小区中的子信道分配，包括：把小区c(c＝1,2,..,C)中每一个认知基站的可用子信道集合表示为Δ_c，目的是在认知用户中最优的分配这些子信道，最大化每一个小区的总吞吐量。

进一步，在步骤四中，考虑子信道分配矢量α^*来进行功率分配的方法，具体包括：根据子信道分配的结果来提高初始的功率分配；在确定子信道分配和功率分配之后，每个主用户网络上的闲散频谱得到了充分利用，最大化了认知基站的***容量，并且保证了对主用户网络干扰小于门限。

本发明的有益效果在于：本发明所述的方法通过预测信道状态信息，提高了频谱利用率，通过定义正确使用的频谱资源，提高了***的吞吐量，并且保证了对主用户网络干扰小于其门限。此外，为了获得更高的吞吐量，与平等的功率分配策略相比，本方法能加载更多的功率给认知用户。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为***模型架构示意图；

图2为频谱复用示意图；

图3为干扰预测示意图；

图4为子信道分配示意图；

图5为功率分配示意图；

图6为子信道和功率联合分配示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为***模型架构示意图，如图所示，网络包含C个小区，每个小区包含一个服务m_c个主用户的主用户基站和一个服务k_c个认知用户的认知基站，每一个小区和小区内的认知基站可用c＝1,2,···,C来表示。在整个网络中，主用户的总数可以表示为认知用户的总数可以表示为假设***中有N个OFDM子信道。n_c表示在第c个次级基站中使用的子信道集合，为在子信道n中从基站l到用户r的信道衰落功率，为从基站l到用户r的路径损耗衰减因子，N₀为噪声功率谱密度。

假设在次级网络中，认知基站在由L个不重叠子带宽组成的信道中传输。那么每一个子信道的检测问题可以由一个条件函数来表示。采用H_1,k和H_0,k分别表示主用户正在使用第k个子信道和主用户当前没有使用第k个子信道。用来表示使用第k个子信道的决定。考虑到预测的问题，***的信道速率之和表示为

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}P({\hat{H}}_k=H_{0,k}|H_{0,k})\×P\left(H_{0,k}\right){\mathrm{\α}}_{k,n}{r}_{k,n}.$

图2为本方法中频谱复用的示意图，如图所示，在频谱复用中，假设有L个主用户，在主用户频谱资源中，被每一个主用户使用的的频谱称为子带。在基于OFDM的认知网络中，带宽被均匀的分到子信道中。在本方法中，假设认知网络的接入点在无线发送接入点和认知用户接收端有一个完美的信道状态信息，无线发送接入点和活跃的主用户接收端之间也有一个完美的信道状态信息。那么本方法可以获得一个信道估计错误用量的上界。

图3为干扰预测示意图。为了避免认知用户接入主用户网络使用闲散频谱的时候对主用户产生的干扰大于门限，当最大化总吞吐量时，必须避免认知用户对主用户产生干扰。可以通过对主用户受到的不必要的干扰进行约束。一般的干扰约束并没有推断出主用户接收端的干扰功率，这是因为没有从主用户节点到认知用户节点的反馈。然而本方法通过认知用户对主用户产生的干扰来设定一个门阀，通过这个门阀来分析***的优化问题。在实际频谱检测过程中，通常会产生两种感知错误，分别是误测和虚警。误测是认知***在子信道上未能检测到主用户信号，然而真实情况是主用户正在使用子信道。虚警是认知***确定这个子信道是不可用的，但是实际情况子信道是空闲的。通常来说，在认知***中，接入点收集所有认知用户的感知信息，然后做出子信道时候能被认知用户使用的决策。在第n个子信道上的误测概率和虚警概率分别表示为和和值可以通过认知用户的收发器频谱感知来得到。

所以干扰预测可以分为4个步骤进行：

1)通过误测和虚警得到四种子信道状态概率；

2)通过四种子信道状态概率得到四种频谱感知场景；

3)通过频谱感知场景求得认知用户的感知概率；

4)利用认知用户的感知概率得到对主用户网络的干扰门限。

步骤1)中，通过误测概率和一个虚警概率设计四种子信道状态概率，见表1。

表1

步骤2)中，利用表1得到的四个子信道状态概率来得如表2中的四种频谱场景。

表2

步骤3)中，通过步骤1)中得到的频谱场景概率信息，可以求得在子信道n被主用户使用的情况下，认知用户感知结果和真实一样的概率为P_1,n。

$\begin{array}{c}{P}_{1,n}=P\left\{O_n\right|{\tilde{O}}_n\}=\frac{P\left\{{\tilde{O}}_n\right|Q_n\left\}P\right\{Q_n\}}{P\left\{{\tilde{O}}_n\right|O_n\left\}P\right\{O_n\}+P\{{\tilde{O}}_n\left|H_n\right\}P\left\{H_n\right\}}\\ =\frac{(1-p_n^m)p_n^L}{(1-p_n^m)p_n^L+(1-p_n^L)p_n^f}\end{array}$

同样的，在子信道n真实被PU使用的情况下，SU感知结果和真实不一样的概率P_2,n为

$\begin{array}{c}{P}_{2,n}=P\left\{H_n\right|{\tilde{O}}_n\}=\frac{P\left\{{\tilde{O}}_n\right|H_n\left\}P\right\{H_n\}}{P\left\{{\tilde{O}}_n\right|O_n\left\}P\right\{O_n\}+P\{{\tilde{O}}_n\left|H_n\right\}P\left\{H_n\right\}}\\ =\frac{q_n^f(1-q_n^L)}{q_n^I(1-q_n^m)+q_n^f(1-q_n^L)}\end{array}$

步骤4)中，通过3)得到的两个概率，我们可以得到在子信道n上，因接入SU而对PU_m产生的干扰I_n,m可以表示为：

$I_{n,m}=\underset{j\∈M_o^I}{\mathrm{\Σ}}{P}_{1,j}{I}_{j,m}^n+\underset{j\∈M_v^I}{\mathrm{\Σ}}{P}_{2,j}{I}_{j,m}^n$

图4为子信道分配示意图。在子信道的分配中，也分为三个步骤：

a)干扰矩阵的定义；

b)给每一个认知基站找到一组可用的子信道；

c)每个小区中的子信道分配。

步骤a)中，在每一个子信道n上，定义最大的可允许干扰集合为：

I_n,max＝min(I_n,max)m∈ψ_n

ψ_n表示子信道n上接收到主基站信号的主用户的集合。通过定义这些参数，可以得到CRN中的次级基站和可用的子信道之间的N×C干扰矩阵。其中m'表示在集合ψ_n中离认知基站最近的主用户。

步骤b)中，在每一个子信道中，确定出在不违背所有主用户SINR约束条件时通过认知基站子信道传输的集合，表示为S_n。因此，基于干扰矩阵W_I满足条件这意味着当给定S_n集合中的所有认知基站在子信道n上同时传输，通过在集合Ψ_n中的每一个主用户获得的干扰都不应该超过相应的最大干扰门限。为了获得集合S_n，需要三个步骤：(1)对W_I按升序进行排列；(2)计算排列元素总和；(3)如果总和小于1，把这些挑选出来放到集合S_n并且终止进程，反之则删除这一行的最后一个元素然后重复(3)。为了找到所有的S_n集合{S₁,S₂...S_N}，上面的过程需要在矩阵W_I中每一行分别进行。

步骤c)中，把小区c(c＝1,2,..,C)中每一个认知基站中可用子信道集合表示为Δ_c。这一步的主要目的是在认知用户中最优的分配这些子信道，最大化每一个小区的总吞吐量。为了这个目的，首先，一个k_c×N的SINR矩阵A_c＝{α_k,n}应该在每一个小区中构造出来，α_k,n表示认知用户在子信道n上接收的SINR，并且可以有公式得：

最后k_cC×NC的吞吐量矩阵A_final表示为：

$\left[\begin{array}{ccccc}{A}_1& & & & \\ & A_2& & 0& \\ & & A_3& & \\ & 0& & ...& \\ & & & & A_C\end{array}\right]$

为了分配每个小区的可用子信道给它的认知用户，使用匈牙利算法。该方法选择在每一个行的吞吐量矩阵中选择一项，以至选中项的值的总和得到最大化。由于最终的吞吐量矩阵的结构和匈牙利在每一行选项的特点，独有的子信道分配被应用在每一个CRN小区中，并且小区内干扰被避免了。因此，每个次级小区使用相应的宏基站中不同的子信道，并且这种性质可以使CRN和PRN共存。

图5为功率分配示意图。这种方法在原始方法的基础上包含了一个增强的步骤，就是根据子信道分配的结果来提高初始的功率分配。通过以上方式确定子信道分配和功率分配之后，每个主用户网络上的闲散频谱得到了充分利用，最大化了认知基站的***容量，并且保证了对主用户网络干扰小于门限。功率分配分为两步：(1)得到功率优化方程；(2)通过改进的注水法得到注水因子。在步骤(1)中，通过图1及图3可以得到功率优化方程，即

$\underset{\{\mathrm{\α},\mathrm{\ρ}\}}{\max }\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}P({\hat{H}}_k=H_{0,k}|H_{0,k})\×P\left(H_{0,k}\right){\mathrm{\α}}_{k,n}{\log }_2(1+{\mathrm{\γ}}_{k,n})$

$\underset{k\∈k_c}{\mathrm{\Σ}}\underset{n\∈n_c}{\mathrm{\Σ}}{P}_{k,n}\≤P_{\max }$

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{k,n}{\mathrm{\ρ}}_{k,n}{I}_{n.m}\≤I_m^{\mathrm{th}}$

在步骤(2)中，首先假设功率分配矢量确定了仅在每一个认知基站上满足传输总功率的约束条件。利用改进的注水算法来对功率进行优化，那么可以得到注水因子并且满足 ${\mathrm{\Σ}}_{k\∈k_c}{\mathrm{\Σ}}_{n\∈n_c}{P}_{k,n}^{*\left(1\right)}=P_{\max }.$

图6为子信道和功率联合分配示意图。根据前面对***模型的描述，可以建立一个基于OFDM认知网络中子信道和功率联合分配的优化模型来优化资源的分配问题，具体如下：

$\underset{\{\mathrm{\α},\mathrm{\ρ}\}}{\max }\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}P({\hat{H}}_k=H_{0,k}|H_{0,k})\×P\left(H_{0,k}\right){\mathrm{\α}}_{k,n}{\log }_2(1+{\mathrm{\γ}}_{k,n})$

$\underset{k\∈k_c}{\mathrm{\Σ}}\underset{n\∈n_c}{\mathrm{\Σ}}{P}_{k,n}\≤P_{\max }$

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{k,n}{\mathrm{\ρ}}_{k,n}{I}_{n.m}\≤I_m^{\mathrm{th}}$

$\begin{array}{cc}{\mathrm{\α}}_{k,n}\∈\left\{\mathrm{0,1}\right\}& \∀n,k\end{array}$

$\underset{k\∈k_c}{\mathrm{\Σ}}{\mathrm{\α}}_{k,n}\≤1$

通过对这个模型的求解就可以得到最优的子信道和功率联合分配。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种认知OFDM网络中基于预测的资源联合分配方法，其特征在于：包括以下步骤：

步骤一：定义***容量为频谱资源正确使用时的信道速率总和；

步骤二：根据频谱感知中的两种误差得到两种条件概率，共同来预测出对主用户网络产生的干扰门限；

步骤三：通过功率初始化分配，执行子信道分配，并获得子信道分配矢量α^*；

步骤四：利用子信道分配矢量α^*来进行功率分配，获得功率分配矢量P^(*)，从而进行子信道和功率联合分配。

2.根据权利要求1所述的一种认知OFDM网络中基于预测的资源联合分配方法，其特征在于：在步骤一中，假设在次级网络中，认知基站在由L个不重叠子带宽组成的信道中传输；每一个子信道的检测问题可以由一个条件函数来表示，H_1,k和H_0,k分别表示主用户正在使用第k个子信道和主用户当前没有使用第k个子信道；用来表示使用第k个子信道的决定；考虑到预测的问题，α_k,n是SUs和子信道n的二进制子信道分配指数，r_k,n是子信道n上第k个认知用户的速率；则***总速率可以表示为：

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}P({\hat{H}}_k=H_{0,k}|H_{0,k})\×P\left(H_{0,k}\right){\mathrm{\α}}_{k,n}{r}_{k,n}.$

3.根据权利要求1所述的一种认知OFDM网络中基于预测的资源联合分配方法，其特征在于：在步骤二中，通过认知用户接入主用户网络中对主网络产生的干扰来设定一个门限；频谱感知中的两种误差分别为误测和虚警，误测表示为认知***在子信道上未能检测到主用户信号，然而真实情况是主用户正在使用子信道；虚警表示为认知***确定这个子信道是不可用的，但是实际情况子信道是空闲的；利用虚警和误测得到认知用户感知结果和真实是否一样的概率，然后根据条件函数，求出认知用户对主用户网络产生的干扰门限。

4.根据权利要求1所述的一种认知OFDM网络中基于预测的资源联合分配方法，其特征在于：在步骤三中，通过功率初始化分配，执行子信道分配，并获得子信道分配矢量α^*，具体包括：

每一个认知基站中的总的传输功率P_max被均匀的分给基站中的子信道上，即：

$P_{\mathrm{equal}}=\frac{P_{\max }}{\left|n_c\right|},\∀c$

***中的子信道分配算法包含三个部分：干扰矩阵的定义；给每一个认知基站找到一组可用的子信道；每个小区中的子信道分配；

所述干扰矩阵的定义，包括：在每一个子信道n上，定义最大的可允许干扰集合为：

I_n,max＝min(I_n,max)m∈ψ_n

其中，ψ_n表示子信道n上接收到主基站信号的主用户的集合；通过定义这些参数，可以得到***中的次级基站和可用的子信道之间的N×C干扰矩阵；采用m'表示在集合ψ_n中离认知基站最近的主用户；

所述给每一个认知基站找到一组可用的子信道，包括：在每一个子信道中，确定出在不违背所有主用户SINR约束条件时通过认知基站子信道传输的集合，表示为S_n，得到基于干扰矩阵满足条件；

所述每个小区中的子信道分配，包括：把小区c(c＝1,2,..,C)中每一个认知基站的可用子信道集合表示为Δ_c，目的是在认知用户中最优的分配这些子信道，最大化每一个小区的总吞吐量。

5.根据权利要求1所述的一种认知OFDM网络中基于预测的资源联合分配方法，其特征在于：在步骤四中，考虑子信道分配矢量α^*来进行功率分配的方法，具体包括：根据子信道分配的结果来提高初始的功率分配；在确定子信道分配和功率分配之后，每个主用户网络上的闲散频谱得到了充分利用，最大化了认知基站的***容量，并且保证了对主用户网络干扰小于门限。