CN114221724A - 智能反射面辅助的认知无线携能通信网络性能优化方法 - Google Patents
智能反射面辅助的认知无线携能通信网络性能优化方法 Download PDFInfo
- Publication number
- CN114221724A CN114221724A CN202111489414.1A CN202111489414A CN114221724A CN 114221724 A CN114221724 A CN 114221724A CN 202111489414 A CN202111489414 A CN 202111489414A CN 114221724 A CN114221724 A CN 114221724A
- Authority
- CN
- China
- Prior art keywords
- secondary user
- power
- representing
- user receiver
- energy
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/06—Receivers
- H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
- H04B1/1027—Means associated with receiver for limiting or suppressing noise or interference assessing signal quality or detecting noise/interference for the received signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种智能反射面辅助的认知无线携能通信网络性能优化方法,涉及无信通信的技术领域;建立智能反射面辅助的认知无线携能通信网络***,包括次要用户发射机、次要用户接收机、主要用户接收机和智能反射面;次要用户发射机产生复信号,直接传输的同时也经智能反射面反射后传输至次要用户接收机;根据接收信号计算信干扰噪比、收获总能量和干扰功率作为约束条件,将最小化次要用户发射机的传输总功率作为优化目标,采用交替优化方法对波束形成向量、反射相移矩阵和功率***比进行联合优化,获得最优解。本发明能够满足次要用户接收信号强度和信干扰噪比的要求,减少对主要用户的信号干扰,降低次要用户发射机的功耗,提高频谱利用率。
Description
技术领域
本发明涉及无信通信的技术领域,更具体地,涉及一种智能反射面辅助的认知无线携能通信网络性能优化方法。
背景技术
在认知无线电网络(Cognitive radio networks,CRN)中,频谱由主要用户接收机(Primary Receivers,PR)和次要用户接收机(Secondary Receivers,SR)共享,PR获准有更高的优先级来访问频谱,而SR只允许使用频谱,而不会对PR造成干扰。为了控制对PR的干扰,实现对SR适当的服务质量,通过优化多天线次要用户发射机的波束形成矢量和传输功率,将信息信号远离PR。但是由于仅优化次要用户发射机的波束形成矢量,使得次要用户发射机传输功率相对较大。智能反射平面(Intelligent reflecting surface,IRS)是一项能提高无线通信频谱和能源效率的新技术,其利用大量低成本无源发射元件通过软件动态调整反射信号的相移,重新配置无线传播信道,以增强在SR处所需的信号强度或减轻对PR信道的干扰,从而使得通信性能得到进一步的优化。与传统的有源波束成形技术相比,IRS消除了信号的放大和再生,从而享受更低的硬件成本、能耗和干扰。现有一文献公开了通过联合优化次要用户发射机(Secondary Transmitter,ST)的波束形成向量和IRS上的相移矩阵,研究了IRS增强单个认知无线电网络与主用户网络共存的下行发射功率最小化问题,该文献仅考虑次要用户发射机同时服务一个次要用户和多个主要用户的情况,模型并不具有普适性,并且没有考虑到在无线携能通信***中的通信情况;另一公开文献则研究了IRS辅助多天线基站在面向多个单天线用户的下行链路的通信,通过联合优化基站的波束形成向量、IRS上的相移矩阵和用户功率分割系数获得了最小的传输功率,仿真验证了基于IRS辅助的无线携能通信***可以显著提升通信性能,但没有考虑在认知无线电网络中通信情况。
现有技术公开了一种安全携能通信中功率分割因子与波束成型联合优化方法,包括:步骤1、安全携能通信中功率分割因子与波束成型联合优化方法场景假设与建模;步骤2、安全携能通信中功率分割因子与波束成型联合优化方法中最佳中继节点的选择策略;步骤3、安全携能通信中功率分割因子与波束成型联合优化方法中最佳中继节点的接收波束成型向量设计;步骤4、安全携能通信中功率分割因子与波束成型联合优化方法中最佳中继节点的功率分割因子与发送波束成型向量联合优化。该方法虽然确保了SWIPT通信网络中安全通信性能的要求,但没有考虑到认知无线电网络中的通信情况,功耗大、频谱利用率低。
发明内容
本发明为克服上述现有技术在认知无线携能通信网络中次要用户发射机功耗大、频谱利用率低的缺陷,提供一种智能反射面辅助的认知无线携能通信网络性能优化方法,能够在满足次要用户接收信号强度和信干扰噪比的要求下,减少对主要用户的信号干扰,并大幅度降低次要用户发射机的功耗,提高频谱利用率。
为解决上述技术问题,本发明的技术方案如下:
本发明提供了一种智能反射面辅助的认知无线携能通信网络性能优化方法,包括:
S1:建立智能反射面辅助的认知无线携能通信网络***,所述***包括单个次要用户发射机、K个次要用户接收机、L个主要用户接收机和单个智能反射面;所述智能反射面包含反射相移矩阵;
S2:次要用户发射机根据波束形成向量产生复信号,所述复信号直接传输至次要用户接收机的同时,也经智能反射面反射后传输至次要用户接收机,在次要用户接收机处产生接收信号;
S3:根据功率***比,将接收信号***为处理输入信号和功率收集输入信号,并根据处理输入信号计算信干扰噪比、根据功率收集输入信号计算收获总能量;
S4:复信号传输过程中,对主要用户接收机造成干扰,计算主要用户接收机处的干扰功率;
S5:建立优化问题:将次要用户发射机的传输总功率为最小值作为优化目标,信干扰噪比、收获总能量、干扰功率为约束条件,对波束形成向量、反射相移矩阵和功率***比进行联合优化;
S6:采用交替优化方法对优化问题进行求解,获得次要用户发射机的传输总功率的最小值,输出对应的波束形成向量、反射相移矩阵和功率***比作为最优解。
本发明构建的智能反射面辅助的认知无线携能通信网络***包括一个配有M根天线的次要用户发射机、K个单天线的次要用户接收机、L个单天线的主要用户接收机和一个包含N个无源反射元件的智能反射面;多天线的次要用户发射机产生复信号,在L个单天线的主要用户接收机存在的情况下,向K个单天线的次要用户接收机发送数据流,次要用户接收机接收后进信息处理和能量收集;通过对次要用户发射机的传输功率进行约束,就能保证次要用户接收机接入频段后,对主要用户接收机的干扰保持在可承受范围内,不会对主要用户的正常通信产生影响,主要用户接收机和次要用户接收机即可在相同的频段上同时进行数据传输;设置智能反射面,使复信号经反射户再传输至次要用户接收机,通过调节智能反射面的反射相移矩阵,增强了次要用户接收机接收的信号强度,即收获总能量,同时消除施加给主要用户接收机的干扰;通过计算复信号传输过程中对主要用户接收机的干扰功率、传输到次要用户接收机形成接收信号的信干扰噪比和收获总能量,作为约束条件,将次要用户发射机的传输总功率为最小值作为优化目标,形成优化问题;采用交替优化方法对优化问题进行求解,获得波束形成向量、反射相移矩阵和功率***比的最优解,以实现满足次要用户接收信号强度和信干扰噪比的要求下,减少对主要用户的信号干扰,并大幅度降低次要用户发射机的功耗,提高频谱利用率的目的。
优选地,所述步骤S1中,反射相移矩阵具体为:
智能反射面包括N个无源反射元件,N个无源反射元件组成反射相移矩阵:
Θ=diag(q1,q2,…,qn)
式中,Θ表示反射相移矩阵,qn表示第n个无源反射元件,βn表示第n个无源反射元件的幅度,θn表示第n个无源反射元件的相移,n∈{1,…,N},βn∈[0,1],θn∈(0,2π]。
优选地,所述步骤S2中,次要用户发射机根据波束形成向量产生的复信号具体为:
式中,x(t)表示t时刻次要用户发射机产生的复信号,vk表示第k个次要用户接收机的波束形成向量,sk(t)表示t时刻第k个次要用户接收机的传输数据信号。
优选地,所述步骤S2中,在次要用户接收机处产生的接收信号具体为:
式中,yk(t)表示t时刻第k个次要用户接收机产生的接收信号,hk表示次要用户发射机与第k个次要用户接收机间的等效信道系数,nk(t)表示t时刻第k个次要用户接收机处的天线噪声;hs,k表示次要用户发射机到第k个次要用户接收机的信道系数,hr,k表示智能反射面到第k个次要用户接收机的信道系数,hs,r表示次要用户发射机到智能反射面的信道系数,(*)H表示求共轭转置操作;天线噪声nk(t)的均值为0,方差为
优选地,所述步骤S3中,根据功率***比,将接收信号***为处理输入信号和功率收集输入信号的具体方法为:
次要用户接收机包括信息解码器和能量收集器,次要用户接收机根据功率***比,将接收信号***为处理输入信号传输至信息解码器、***为功率收集输入信号传输至能量收集器;
处理输入信号表示为:
功率收集输入信号表示为:
优选地,所述步骤S3中,根据处理输入信号计算信干扰噪比、根据功率收集输入信号计算收获总能量的具体方法为:
信干扰噪比表示为:
线性获取的收获能量表示为:
为避免线性获取的收获能量与实际不匹配,利用非线性能量获取模型计算收获总能量,表示为:
式中,表示第k个次要用户接收机的收获总能量,Mk表示能量采集饱和时第k个次要用户接收机的最大收获功率,ak表示第一联合效应常数,bk表示第二联合效应常数;Ωk表示响应常数,以确保能量采集的零输入或零输出响应,表示第k个次要用户接收机线性获取的收获能量的逻辑函数。
优选地,所述步骤S4中,主要用户接收机处的干扰功率表示为:
式中,Il表示第l个主要用户接收机处的干扰功率,gl表示次要用户发射机与第l个主要用户接收机间的等效信道系数;hs,l表示次要用户发射机到第l个主要用户接收机的信道系数,hr,l表示智能反射面到第l个主要用户接收机的信道系数,hs,r表示次要用户发射机到智能反射面的信道系数,(*)H表示求共轭转置操作。
优选地,所述步骤S5中,优化问题具体表示为:
(P1)
式中,(1a)表示优化目标,即求取次要用户发射机的传输总功率的最小值;(1b)-(1f)表示约束条件,(1b)表示第k个次要用户接收机的信干扰噪比最小值不小于信干扰噪比阈值γk;(1c)表示第k个次要用户接收机的收获总能量不小于能量阈值ek;(1d)表示第l个主要用户接收机的干扰功率不大于干扰阈值εl;(1e)表示功率***比的取值范围;(1f)表示无源反射元件达到最大反射功率增益;
在优化问题(P1)中,由于vk,αk和Θ耦合在一起,使得约束(1b)、约束(1c)和约束(1e)并不是凸约束,同时由于约束(1f)为单模约束,也是非凸约束,使得(P1)并不是一个凸问题,故其难以求解,为了易于处理,根据利用非线性能量获取模型计算收获总能量的方程将(1c)重新表述为:
式中,βk表示在非线性能量获取模型下所需的功率;
进而将优化问题(P1)转化为:
(P2)
针对优化问题(P2),即可采用交替优化vk、Θ和αk的方法进行求解。
优选地,所述步骤S6具体包括:
S6.1:给定反射相移矩阵Θ,对波束形成向量vk和功率***比αk进行优化;
当反射相移矩阵Θ给定时,优化问题(P2)转化为:
(P3)
(P4)
运用半正定规划去掉约束rank(Vk)=1将优化问题(P4)转化为凸问题,rank(*)表示求秩操作;(4a)是线性的,约束(4b)-(4e)是普通的凸约束。具体来说,约束(4b)和(4c)的左侧是线性的,而右侧都是αk的拟凸函数,说明这些约束都是凸的;约束(4f)是凸的正半定约束;因此去掉秩一约束之后的优化问题(P4)标准的半定规划问题,可以通过凸优化工具包CVX进行求解,获得波束形成向量和功率***比的最优解;
S6.2:给定波束形成向量vk和功率***比αk,对反射相移矩阵Θ进行优化:
(P5)
由于优化问题(5)中存在二次不等式和等式约束,使用半正定松弛来求解引入第四矩阵φ=[q1,q2,…,qn]H,则第五矩阵由于:则有第六矩阵Lk=[diag(hr,k)*hs,r;hs,k],第七矩阵Jl=[diag(hr,l)*hs,r;hs,l];令第八矩阵将优化问题(P5)转化为:
(P6)
Qn,n=1,n=1,…,N+1 (6e)
rank(Q)=1 (6f)
Q≥0 (6g)
考虑到去掉约束(6f)的优化问题(P6)是一个标准的SDP,可以通过凸优化工具包CVX来求解。可以迭代求解优化问题(P4)和松弛后的优化问题(P6),但是在优化问题(P4)中使用的初始化Θ在优化问题(P6)中仍然可行,无法实现更好的收敛解。因此,需要将优化问题(P6)转化为一个具有明确目标的优化问题,以获得一个更有效的Θ来降低传输功率。引入第一松弛变量τk和第二松弛变量第一松弛变量τk表示次要用户接收机的信干扰噪比残差,第二松弛变量表示次要用户接收机的收获总能量残差,则优化问题(P6)转化为:
(P7)
Qn,n=1,n=1,…,N+1 (7e)
rank(Q)=1 (7f)
假设Qi是第i次迭代得到的局部最优解,在第(i+1)次迭代中,根据算法得到以下松弛问题作为优化问题(P8):
(P8)
Qn,n=1,n=1,…,N+1 (8f)
umax(Qi)HQumax(Qi)≥ωiTr(Q). (8g)
式中,umax(Qi)表示Qi的最大特征值,ωi表示松弛参数;优化问题(P8)是半正定规划问题,利用内点法就行求解;随着ωi从0到1,(6f)到(8g)的松弛变得越来越紧密,当ωi=1时,(6f)等于(8g),因此优化问题(P6)得到的解等于优化问题(P5)得到的解;
S6.3:交替对优化问题(4)和优化问题(P8)进行优化,获得最优的Vk,αk,Q;
S6.4:根据最优的Vk,αk,Q,获得波束形成向量、反射相移矩阵和功率***比的最优解。
优选地,利用基于顺序秩一约束松弛算法对优化问题(P8)进行求解。
与现有技术相比,本发明技术方案的有益效果是:
本发明构建的智能反射面辅助的认知无线携能通信网络***实现了多用户认知无线电***在无线携能通信网络的应用,利用智能反射面为次要用户发射机与次要用户接收机之间的通信创造新的传输路径,通过计算复信号传输过程中对主要用户接收机的干扰功率、传输到次要用户接收机形成接收信号的信干扰噪比和收获总能量,作为约束条件,次要用户发射机的传输总功率为最小值作为优化目标,对波束形成向量、反射相移矩阵和功率***比进行交替优化,增强了次要用户接收机的接收信号强度,降低了施加给主要用户接收机的干扰,实现了最小化次要用户发射机的传输总功率,提高了频谱利用率,并且求解时稳定性和收敛性好,复杂度低。
附图说明
图1为实施例1所述的智能反射面辅助的认知无线携能通信网络性能优化方法的流程图;
图2为实施例1所述的智能反射面辅助的认知无线携能通信网络***的示意图;
图3为实施例3所述的次要用户发射机的平均传输功率随信干扰噪比阈值的变化趋势图;
图4为实施例3所述的次要用户发射机的平均传输功率随干扰阈值的变化趋势图;
图5为实施例3所述的次要用户发射机的平均传输功率随能量阈值的变化趋势图;
图6为实施例3所述的次要用户发射机的平均传输功率与智能反射面反射元件数目的变化趋势图
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供了一种智能反射面辅助的认知无线携能通信网络性能优化方法,如图1所示,包括:
S1:建立智能反射面辅助的认知无线携能通信网络***,所述***包括单个次要用户发射机、K个次要用户接收机、L个主要用户接收机和单个智能反射面;所述智能反射面包含反射相移矩阵;
S2:次要用户发射机根据波束形成向量产生复信号,所述复信号直接传输至次要用户接收机的同时,也经智能反射面反射后传输至次要用户接收机,在次要用户接收机处产生接收信号;
S3:根据功率***比,将接收信号***为处理输入信号和功率收集输入信号,并根据处理输入信号计算信干扰噪比、根据功率收集输入信号计算收获总能量;
S4:复信号传输过程中,对主要用户接收机造成干扰,计算主要用户接收机处的干扰功率;
S5:建立优化问题:以次要用户发射机的传输总功率为最小值作为优化目标,信干扰噪比、收获总能量、干扰功率为约束条件,对波束形成向量、反射相移矩阵和功率***比进行联合优化;
S6:采用交替优化方法对优化问题进行求解,获得次要用户发射机的传输总功率的最小值,输出对应的波束形成向量、反射相移矩阵和功率***比作为最优解。
在具体实施过程中,如图2所示,本实施例构建的智能反射面辅助的认知无线携能通信网络***包括一个配有M根天线的次要用户发射机、K个单天线的次要用户接收机、L个单天线的主要用户接收机和一个包含N个无源反射元件的智能反射面;多天线的次要用户发射机产生复信号,在L个单天线的主要用户接收机存在的情况下,向K个单天线的次要用户接收机发送数据流,次要用户接收机接收后进信息处理和能量收集;通过对次要用户发射机的传输功率进行约束,就能保证次要用户接收机接入频段后,对主要用户接收机的干扰保持在可承受范围内,不会对主要用户的正常通信产生影响,主要用户接收机和次要用户接收机即可在相同的频段上同时进行数据传输;设置智能反射面,使复信号经反射户再传输至次要用户接收机,通过调节智能反射面的反射相移矩阵,增强了次要用户接收机接收的信号强度,即收获总能量,同时消除施加给主要用户接收机的干扰;通过计算复信号传输过程中对主要用户接收机的干扰功率、传输到次要用户接收机形成接收信号的信干扰噪比和收获总能量,作为约束条件,将次要用户发射机的传输总功率为最小值作为优化目标,形成优化问题;采用交替优化方法对优化问题进行求解,获得波束形成向量、反射相移矩阵和功率***比的最优解,以实现满足次要用户接收信号强度和信干扰噪比的要求下,减少对主要用户的信号干扰,并大幅度降低次要用户发射机的功耗,提高频谱利用率的目的。
实施例2
本实施例提供了一种智能反射面辅助的认知无线携能通信网络性能优化方法,包括:
S1:建立智能反射面辅助的认知无线携能通信网络***,所述***包括单个次要用户发射机、K个次要用户接收机、L个主要用户接收机和单个智能反射面;所述智能反射面包含反射相移矩阵;
智能反射面包括N个无源反射元件,N个无源反射元件组成反射相移矩阵:
Θ=diag(q1,q2,…,qn)
式中,Θ表示反射相移矩阵,qn表示第n个无源反射元件,βn表示第n个无源反射元件的幅度,θn表示第n个无源反射元件的相移,n∈{1,…,N},βn∈[0,1],θn∈(0,2π];
S2:次要用户发射机根据波束形成向量产生复信号,所述复信号直接传输至次要用户接收机的同时,也经智能反射面反射后传输至次要用户接收机,在次要用户接收机处产生接收信号;
复信号具体为:
式中,x(t)表示t时刻次要用户发射机产生的复信号,vk表示第k个次要用户接收机的波束形成向量,sk(t)表示t时刻第k个次要用户接收机的传输数据信号;
接收信号具体为:
式中,yk(t)表示t时刻第k个次要用户接收机产生的接收信号,hk表示次要用户发射机与第k个次要用户接收机间的等效信道系数,nk(t)表示t时刻第k个次要用户接收机处的天线噪声;hs,k表示次要用户发射机到第k个次要用户接收机的信道系数,hr,k表示智能反射面到第k个次要用户接收机的信道系数,hs,r表示次要用户发射机到智能反射面的信道系数,(*)H表示求共轭转置操作;天线噪声nk(t)的均值为0,方差为
S3:根据功率***比,将接收信号***为处理输入信号和功率收集输入信号,并根据处理输入信号计算信干扰噪比、根据功率收集输入信号计算收获总能量;
次要用户接收机包括信息解码器和能量收集器,次要用户接收机根据功率***比,将接收信号***为处理输入信号传输至信息解码器、***为功率收集输入信号传输至能量收集器;
处理输入信号表示为:
功率收集输入信号表示为:
信干扰噪比表示为:
线性获取的收获能量表示为:
为避免线性获取的收获能量与实际不匹配,利用非线性能量获取模型计算收获总能量,表示为:
式中,表示第k个次要用户接收机的收获总能量,Mk表示能量采集饱和时第k个次要用户接收机的最大收获功率,ak表示第一联合效应常数,bk表示第二联合效应常数;Ωk表示响应常数,以确保能量采集的零输入或零输出响应,表示第k个次要用户接收机线性获取的收获能量的逻辑函数;
S4:复信号传输过程中,对主要用户接收机造成干扰,计算主要用户接收机处的干扰功率,表示为:
式中,Il表示第l个主要用户接收机处的干扰功率,gl表示次要用户发射机与第l个主要用户接收机间的等效信道系数;hs,l表示次要用户发射机到第l个主要用户接收机的信道系数,hr,l表示智能反射面到第l个主要用户接收机的信道系数,hs,r表示次要用户发射机到智能反射面的信道系数,(*)H表示求共轭转置操作;
S5:建立优化问题:以次要用户发射机的传输总功率为最小值作为优化目标,信干扰噪比、收获总能量、干扰功率为约束条件,对波束形成向量、反射相移矩阵和功率***比进行联合优化;
优化问题具体表示为:
(P1)
式中,(1a)表示优化目标,即求取次要用户发射机的传输总功率的最小值;(1b)-(1f)表示约束条件,(1b)表示第k个次要用户接收机的信干扰噪比最小值不小于信干扰噪比阈值γk;(1c)表示第k个次要用户接收机的收获总能量不小于能量阈值ek;(1d)表示第l个主要用户接收机的干扰功率不大于干扰阈值εl;(1e)表示功率***比的取值范围;(1f)表示无源反射元件达到最大反射功率增益;
在优化问题(P1)中,由于vk、αk和Θ耦合在一起,使得约束(1b)、约束(1c)和约束(1e)并不是凸约束,同时由于约束(1f)为单模约束,也是非凸约束,使得(P1)并不是一个凸问题,故其难以求解,为了易于处理,根据利用非线性能量获取模型计算收获总能量的方程将(1c)重新表述为:
式中,βk表示在非线性能量获取模型下所需的功率;
进而将优化问题(P1)转化为:
(P2)
针对优化问题(P2),即可米用交替优化vk、Θ和ak的方法进行求解;
S6:采用交替优化方法对优化问题进行求解,获得次要用户发射机的传输总功率的最小值,输出对应的波束形成向量、反射相移矩阵和功率***比作为最优解。
实施例3
在实施例2的基础上,本实施例提供利用交替优化方法对优化问题进行求解具体步骤:
针对优化问题(P2),可采用交替优化vk、Θ和αk的方法进行求解,获得次要用户发射机的传输总功率的最小值,输出对应的波束形成向量、反射相移矩阵和功率***比作为最优解,具体步骤为:
S6.1:给定反射相移矩阵Θ,对波束形成向量vk和功率***比αk进行优化;
当反射相移矩阵Θ给定时,优化问题(P2)转化为:
(P3)
(P4)
运用半正定规划去掉约束rank(Vk)=1将优化问题(P4)转化为凸问题,rank(*)表示求秩操作;(4a)是线性的,约束(4b)-(4e)是普通的凸约束。具体来说,约束(4b)和(4c)的左侧是线性的,而右侧都是αk的拟凸函数,说明这些约束都是凸的;约束(4f)是凸的正半定约束;因此去掉秩一约束之后的优化问题(P4)标准的半定规划问题,可以通过凸优化工具包CVX进行求解,获得波束形成向量和功率***比的最优解;
S6.2:给定波束形成向量vk和功率***比αk,对反射相移矩阵Θ进行优化:
(P5)
由于优化问题(5)中存在二次不等式和等式约束,使用半正定松弛来求解引入第四矩阵φ=[q1,q2,…,qn]H,则第五矩阵由于:则有第六矩阵Lk=[diag(hr,k)*hs,r;hs,k],第七矩阵Jl=[diag(hr,l)*hs,r;hs,l];令第八矩阵将优化问题(P5)转化为:
(P6)
Qn,n=1,n=1,…,N+1 (6e)
rank(Q)=1 (6f)
Q≥0 (6g)
考虑到去掉约束(6f)的优化问题(P6)是一个标准的SDP,可以通过凸优化工具包CVX来求解。可以迭代求解优化问题(P4)和松弛后的优化问题(P6),但是在优化问题(P4)中使用的初始化Θ在优化问题(P6)中仍然可行,无法实现更好的收敛解。因此,需要将优化问题(P6)转化为一个具有明确目标的优化问题,以获得一个更有效的Θ来降低传输功率。引入第一松弛变量τk和第二松弛变量第一松弛变量τk表示次要用户接收机的信干扰噪比残差,第二松弛变量表示次要用户接收机的收获总能量残差,则优化问题(P6)转化为:
(P7)
Qn,n=1,n=1,…,N+1 (7e)
rank(Q)=1 (7f)
假设Qi是第i次迭代得到的局部最优解,在第(i+1)次迭代中,根据算法得到以下松弛问题作为优化问题(P8):
(P8)
Qn,n=1,n=1,…,N+1 (8f)
umax(Qi)HQumax(Qi)≥ωiTr(Q). (8g)
式中,umax(Qi)表示Qi的最大特征值,ωi表示松弛参数;优化问题(P8)是半正定规划问题,利用内点法就行求解;随着ωi从0到1,(6f)到(8g)的松弛变得越来越紧密,当ωi=1时,(6f)等于(8g),因此优化问题(P6)得到的解等于优化问题(P5)得到的解;
S6.3:交替对优化问题(4)和优化问题(P8)进行优化,获得最优的Vk,αk,Q;
S6.4:根据最优的Vk,αk,Q,获得波束形成向量、反射相移矩阵和功率***比的最优解。
在本实施例中,利用算法1交替迭代求解优化问题(P4)和优化问题(P8),算法2表示求解优化问题(P8)解决单位模量约束,具体为:
算法1:交替迭代求解优化问题(P4)和优化问题(P8)
(1)初始化Θ(0)、设置迭代次数r=0、阈值ε0=1×10-2;
(5)令r=r+1;
算法2:求解优化问题(P8)解决单位模量约束
初始化:迭代次数i=0,收敛阈值ε1=0.999。
当ω(i)=0时解决(P8)获得Q(i),
初始化步长δ(i)∈(0,1-λmax(Qi)/Tr(Qi)]。
(1)重复;
(2)给定{ω(i),Q(i)},解决凸问题(P8);
(3)if问题(P8)可解,then
(4)获得最优解Q(i+1);
(5)则δ(i+1)=δ(i)。
(6)else
(7)则更新δ(i+1)=δ(i)/2。
(8)end
(10)i=i+1;
(12)Q(r+1)=Q(i)。
在具体实施过程,将本实施例提供的方法的性能与其他方法的性能进行比较;图中圆形标识线表示本方法,十字形标识线表示设置智能反射面半正定松弛的方法,方形标识线表示没有设置智能反射面的方法,米字形标识线表示随机智能反射面优化的方法,菱形标识线表示迫零波束形成随机智能反射面优化的方法;
如图3所示,表示次要用户发射机的平均传输功率随信干扰噪比阈值γk的变化趋势图,平均传输功率与传输总功率成正比;从图中可以看出本方法与设置智能反射面半正定松弛的方法的效果近似,均获得了非常小的平均传输功率;总体来看,随着信干扰噪比的增大,本方法和设置智能反射面半正定松弛的方法降低平均传输功率的幅度也随之增加;随机智能反射面优化的方法的平均传输功率略低于没有设置智能反射面的方法的平均传输功率,是由于设置智能反射面随机增加了信道的自由度;迫零波束形成随机智能反射面优化的方法的性能最差,是由于迫零后次要用户发射机平均传输功率与信干扰噪比几乎无关,随干扰噪比阈值γk的变化并不明显;
如图4所示,表示次要用户发射机的平均传输功率随干扰阈值εl的变化趋势图,平均传输功率与传输总功率成正比;迫零波束形成随机智能反射面优化的方法的平均传输功率不变,说明完全消除了对主要用户接收机的干扰,但是平均传输功率也最大;剩余方法,随着干扰阈值εl的放宽,平均传输功率都呈现减小的趋势,其中本方法和设置智能反射面半正定松弛的方法的效果近似,都获得了非常小的平均传输功率;当干扰阈值εl大于-50dB时,降低功耗性能趋于平稳,这是因为随着εl的增大,意味着主要用户接收机可以容忍更多来自次要用户发射的干扰;
如图5所示,表示次要用户发射机的平均传输功率随能量阈值ek的变化趋势图,平均传输功率与传输总功率成正比;从图中可以看出,所有方法下,次要用户发射机的平均传输功率均随着能量阈值ek的增大而线性增大,其中,本方法与设置智能反射面半正定松弛的方法的效果近似,均获得了非常小的平均传输功率;
如图6所示,表示次要用户发射机的平均传输功率与智能反射面反射元件数目n的变化趋势图,平均传输功率与传输总功率成正比;从图中可以看出,本方法与设置智能反射面半正定松弛的方法效果近似,平均传输功率随着反射元件数目的增加而降低,这是由于部署具有更多反射元件的智能反射面可以放大信号功率,从而降低次要用户发射机的发射功率;剩余方法的平均传输功率上下波动趋于平稳,其中没有设置智能反射面的方法的平均传输功率最大。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.智能反射面辅助的认知无线携能通信网络性能优化方法,其特征在于,包括:
S1:建立智能反射面辅助的认知无线携能通信网络***,所述***包括次要用户发射机、次要用户接收机、主要用户接收机和单个智能反射面;所述智能反射面包含反射相移矩阵;
S2:次要用户发射机根据波束形成向量产生复信号,所述复信号直接传输至次要用户接收机的同时,也经智能反射面反射后传输至次要用户接收机,在次要用户接收机处产生接收信号;
S3:根据功率***比,将接收信号***为处理输入信号和功率收集输入信号,并根据处理输入信号计算信干扰噪比、根据功率收集输入信号计算收获总能量;
S4:复信号传输过程中,对主要用户接收机造成干扰,计算主要用户接收机处的干扰功率;
S5:建立优化问题:以次要用户发射机的传输总功率为最小值作为优化目标,信干扰噪比、收获总能量、干扰功率为约束条件,对波束形成向量、反射相移矩阵和功率***比进行联合优化;
S6:采用交替优化方法对优化问题进行求解,获得次要用户发射机的传输总功率的最小值,输出对应的波束形成向量、反射相移矩阵和功率***比作为最优解。
5.根据权利要求4所述的智能反射面辅助的认知无线携能通信网络性能优化方法,所述步骤S3中,根据功率***比,将接收信号***为处理输入信号和功率收集输入信号的具体方法为:
次要用户接收机包括信息解码器和能量收集器,次要用户接收机根据功率***比,将接收信号***为处理输入信号传输至信息解码器、***为功率收集输入信号传输至能量收集器;
处理输入信号表示为:
功率收集输入信号表示为:
6.根据权利要求5所述的智能反射面辅助的认知无线携能通信网络性能优化方法,所述步骤S3中,根据处理输入信号计算信干扰噪比、根据功率收集输入信号计算收获总能量的具体方法为:
信干扰噪比表示为:
线性获取的收获能量表示为:
为避免线性获取的收获能量与实际不匹配,利用非线性能量获取模型计算收获总能量,表示为:
8.根据权利要求7所述的智能反射面辅助的认知无线携能通信网络性能优化方法,所述步骤S5中,优化问题具体表示为:
(P1)
式中,(1a)表示优化目标,即求取次要用户发射机的传输总功率的最小值;(1b)-(1f)表示约束条件,(1b)表示第k个次要用户接收机的信干扰噪比最小值不小于信干扰噪比阈值γk;(1c)表示第k个次要用户接收机的收获总能量不小于能量阈值ek;(1d)表示第l个主要用户接收机的干扰功率不大于干扰阈值εl;(1e)表示功率***比的取值范围;(1f)表示无源反射元件达到最大反射功率增益;
根据利用非线性能量获取模型计算收获总能量的方程将(1c)重新表述为:
式中,βk表示在非线性能量获取模型下所需的功率;
进而将优化问题(P1)转化为:
(P2)
9.根据权利要求8所述的智能反射面辅助的认知无线携能通信网络性能优化方法,所述步骤S6具体包括:
S6.1:给定反射相移矩阵Θ,对波束形成向量vk和功率***比αk进行优化;
当反射相移矩阵Θ给定时,优化问题(P2)转化为:
(P3)
(P4)
运用半正定规划去掉约束rank(Vk)=1将优化问题(P4)转化为凸问题,rank(*)表示求秩操作;去掉秩一约束之后的优化问题(P4)标准的半定规划问题,利用凸优化工具包CVX进行求解,获得波束形成向量和功率***比的最优解;
S6.2:给定波束形成向量vk和功率***比αk,对反射相移矩阵Θ进行优化:
(P5)
由于优化问题(5)中存在二次不等式和等式约束,使用半正定松弛来求解引入第四矩阵则第五矩阵由于:则有第六矩阵Lk=[diag(hr,k)*hs,r;hs,k],第七矩阵Jl=[diag(hr,l)*hs,r;hs,l];令第八矩阵将优化问题(P5)转化为:
(P6)
Qn,n=1,n=1,…,N+i (6e)
rank(Q)=1 (6f)
(P7)
Qn,n=1,n=1,…,N+1 (7e)
rank(Q)=1(7f)
假设Qi是第i次迭代得到的局部最优解,在第(i+1)次迭代中,根据算法得到以下松弛问题作为优化问题(P8):
(P8)
Qn,n=1,n=1,…,N+1 (8f)
umax(Qi)HQumax(Qi)≥ωiTr(Q). (8g)
式中,umax(Qi)表示Qi的最大特征值,ωi表示松弛参数;优化问题(P8)是半正定规划问题,利用内点法就行求解;
S6.3:交替对优化问题(4)和优化问题(P8)进行优化,获得最优的Vk,αk,Q;
S6.4:根据最优的Vk,αk,Q,获得波束形成向量、反射相移矩阵和功率***比的最优解。
10.根据权利要求9所述的智能反射面辅助的认知无线携能通信网络性能优化方法,利用基于顺序秩一约束松弛算法对优化问题(P8)进行求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489414.1A CN114221724B (zh) | 2021-12-07 | 2021-12-07 | 智能反射面辅助的认知无线携能通信网络性能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489414.1A CN114221724B (zh) | 2021-12-07 | 2021-12-07 | 智能反射面辅助的认知无线携能通信网络性能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114221724A true CN114221724A (zh) | 2022-03-22 |
CN114221724B CN114221724B (zh) | 2023-07-11 |
Family
ID=80700150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111489414.1A Active CN114221724B (zh) | 2021-12-07 | 2021-12-07 | 智能反射面辅助的认知无线携能通信网络性能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114221724B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114980132A (zh) * | 2022-04-12 | 2022-08-30 | 合肥工业大学 | 智能反射面的位置部署方法和*** |
CN115066009A (zh) * | 2022-05-16 | 2022-09-16 | 西安邮电大学 | 认知无线电中基于智能反射面的多用户频谱共享的方法 |
CN115396917A (zh) * | 2022-07-29 | 2022-11-25 | 中国人民解放军陆军工程大学 | 智能反射面辅助的通信和干扰***吞吐量最大优化方法 |
CN115834322A (zh) * | 2022-11-11 | 2023-03-21 | 西南交通大学 | 一种基于分离接收机和智能反射面辅助的通信*** |
CN117081636A (zh) * | 2023-10-16 | 2023-11-17 | 南京邮电大学 | 可重构智能表面辅助主动干扰的发射功率优化方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111181615A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种基于智能反射面的多小区无线通信方法 |
CN112073102A (zh) * | 2020-09-08 | 2020-12-11 | 郑州大学 | 一种基于irs的安全波束成形方法与装置 |
CN113098652A (zh) * | 2021-04-01 | 2021-07-09 | 北京信息科技大学 | 一种智能反射面辅助的功率域noma安全通信***设计方法 |
CN113613273A (zh) * | 2021-08-09 | 2021-11-05 | 重庆邮电大学 | 一种智能超表面辅助无线供电网络的稳健能效优化方法 |
-
2021
- 2021-12-07 CN CN202111489414.1A patent/CN114221724B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111181615A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种基于智能反射面的多小区无线通信方法 |
CN112073102A (zh) * | 2020-09-08 | 2020-12-11 | 郑州大学 | 一种基于irs的安全波束成形方法与装置 |
CN113098652A (zh) * | 2021-04-01 | 2021-07-09 | 北京信息科技大学 | 一种智能反射面辅助的功率域noma安全通信***设计方法 |
CN113613273A (zh) * | 2021-08-09 | 2021-11-05 | 重庆邮电大学 | 一种智能超表面辅助无线供电网络的稳健能效优化方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114980132A (zh) * | 2022-04-12 | 2022-08-30 | 合肥工业大学 | 智能反射面的位置部署方法和*** |
CN115066009A (zh) * | 2022-05-16 | 2022-09-16 | 西安邮电大学 | 认知无线电中基于智能反射面的多用户频谱共享的方法 |
CN115066009B (zh) * | 2022-05-16 | 2024-04-26 | 西安邮电大学 | 认知无线电中基于智能反射面的多用户频谱共享的方法 |
CN115396917A (zh) * | 2022-07-29 | 2022-11-25 | 中国人民解放军陆军工程大学 | 智能反射面辅助的通信和干扰***吞吐量最大优化方法 |
CN115396917B (zh) * | 2022-07-29 | 2023-12-12 | 中国人民解放军陆军工程大学 | 智能反射面辅助的通信和干扰***吞吐量最大优化方法 |
CN115834322A (zh) * | 2022-11-11 | 2023-03-21 | 西南交通大学 | 一种基于分离接收机和智能反射面辅助的通信*** |
CN115834322B (zh) * | 2022-11-11 | 2024-04-12 | 西南交通大学 | 一种基于分离接收机和智能反射面辅助的通信*** |
CN117081636A (zh) * | 2023-10-16 | 2023-11-17 | 南京邮电大学 | 可重构智能表面辅助主动干扰的发射功率优化方法及装置 |
CN117081636B (zh) * | 2023-10-16 | 2024-02-20 | 南京邮电大学 | 可重构智能表面辅助主动干扰的发射功率优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114221724B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114221724A (zh) | 智能反射面辅助的认知无线携能通信网络性能优化方法 | |
CN113225108B (zh) | 一种智能反射面辅助多小区协同多点传输的鲁棒波束赋形方法 | |
CN113726383B (zh) | 一种智能反射面辅助的无线通信*** | |
CN113193894B (zh) | 可重构智能表面辅助的多用户miso下行无线通信谱效能效联合优化方法 | |
CN113556164B (zh) | Irs辅助的swipt***中基于能效优先的波束成型优化方法 | |
CN114070365B (zh) | 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法 | |
CN113691295B (zh) | 一种基于irs的异构网络中干扰抑制方法 | |
CN113783812B (zh) | 基于同步透射反射智能表面同步信号增强及干扰抑制方法 | |
CN114828258A (zh) | 一种智能反射面辅助认知无线电***资源分配优化方法 | |
CN114785388B (zh) | 智能全向面辅助的多用户simo上行加权和速率优化方法 | |
CN116192220A (zh) | 一种irs辅助的认知swipt***安全速率优化方法 | |
CN116017465A (zh) | 一种基于ris辅助无线通信保密速率最大化模型及方法 | |
CN113852402B (zh) | 一种irs辅助的noma-mimo大容量接入方法 | |
CN114765785B (zh) | 一种基于最大信噪比的多智能反射面选择方法 | |
CN117527020A (zh) | 智能反射面辅助无线携能通信***下联合有源和无源波束成形优化 | |
CN113992254B (zh) | 智能反射面辅助无线通信***波束成形方法 | |
KR102512464B1 (ko) | 다중 사용자 miso 통신 시스템 및 그에 적용되는 지능형 반사 표면의 위상 변환 행렬 설계 방법 | |
CN115038099A (zh) | 一种非理想sic下的ris-noma上行传输方法及装置 | |
CN114845363A (zh) | 一种反射面辅助的低功耗数据卸载方法及*** | |
CN108809376B (zh) | 一种用于增强型空间调制***的发射天线选择方法 | |
CN116470938B (zh) | Irs辅助通信服务质量公平的联合波束赋形优化方法及设备 | |
CN115173914B (zh) | 一种多智能反射面辅助通信主被动波束赋形迭代优化方法 | |
CN114025368B (zh) | 分布式智能反射表面辅助d2d通信方法及*** | |
CN118282442A (zh) | 智能反射面辅助的Massive MIMO的资源分配方法及*** | |
CN116915301A (zh) | 一种基于凸近似的波束成形方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |