CN116233897A - 一种基于irs的感知增强认知无线电网络资源分配的优化方法 - Google Patents

一种基于irs的感知增强认知无线电网络资源分配的优化方法 Download PDF

Info

Publication number
CN116233897A
CN116233897A CN202310515169.XA CN202310515169A CN116233897A CN 116233897 A CN116233897 A CN 116233897A CN 202310515169 A CN202310515169 A CN 202310515169A CN 116233897 A CN116233897 A CN 116233897A
Authority
CN
China
Prior art keywords
irs
base station
optimization
diagonal
phase shift
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
CN202310515169.XA
Other languages
English (en)
Other versions
CN116233897B (zh
Inventor
李飞
吴少聪
李汀
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310515169.XA priority Critical patent/CN116233897B/zh
Publication of CN116233897A publication Critical patent/CN116233897A/zh
Application granted granted Critical
Publication of CN116233897B publication Critical patent/CN116233897B/zh
Priority to PCT/CN2024/086290 priority patent/WO2024125675A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/145—Passive relay systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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)

Abstract

本发明公开了一种基于IRS的感知增强认知无线电网络资源分配的优化方法，属于无线通信技术领域；步骤：次基站获取基站到IRS以及IRS到用户的信道状态信息；定义感知阶段和传输阶段的IRS对角相移矩阵，根据信道状态信息，建立优化模型；利用优化模型对感知阶段IRS对角相移矩阵辅助次基站感知主网络频谱占用情况进行优化；进入传输阶段，利用优化模型优化不同感知结果下传输阶段次基站波束形成向量与IRS对角相移矩阵；次基站根据优化结果发射传输信息，实现在约束对主用户干扰的情形下对***的频谱效率的改善。本发明通过IRS辅助次基站的传输过程，方便次基站更精细地制定不同的发射策略，改善信道环境，提高次用户的总和速率。

Description

一种基于IRS的感知增强认知无线电网络资源分配的优化 方法
技术领域
本发明属于无线通信技术领域，具体涉及一种基于IRS的感知增强认知无线电网络资源分配的优化方法。
背景技术
认知无线电网络可以在保证主网络用户服务质量约束的前提下授权次网络用户使用未经授权的频谱资源，从而提高频谱利用率。次网络的接入方式主要有机会接入，频谱共享以及感知增强频谱共享。机会接入方案旨在仅当主用户不使用频谱资源时由次用户使用，虽然没有对主用户的干扰，但次用户的平均传输速率不高。频谱共享方案则不论主用户是否使用都授权次用户使用频谱资源，但是无法同时约束对主用户的干扰及提高次用户的传输速率。感知增强则可以根据次基站的感知结果动态分配不同情形下的功率，实现在保证主用户的通信质量前提下最大程度上提高次用户的传输速率。频谱感知作为机会接入模式和感知增强共享的重要一环，是实现后续频谱切换和频谱共享的前提。常见的频谱检测方法有匹配滤波法、循环平稳检测法和能量检测法。其中，匹配滤波法和循环平稳检测法需要大量的主网络用户先验知识，虽然检测性能好，但是实现复杂，有很强的局限性。能量检测实现简单，但对噪声敏感，不适合在低信噪比情形下使用。
目前一些方案对IRS辅助认知无线电***进行了研究：在频谱共享模式下，主用户会受到来自次用户的干扰从而降低通信质量，为了保护主用户的通信，次基站不得不降低发射功率以约束干扰，导致次用户的低速率。在感知增强频谱共享模式下，次网络感知频段使用情况，从而制定不同的发射策略，使用IRS辅助传输数据，在提高次用户速率的同时保护主用户的服务质量。但是，在感知阶段中却并没有使用IRS辅助感知，这造成了硬件资源的浪费以及感知性能的低下。
发明内容
本发明的目的在于提供一种基于IRS的感知增强认知无线电网络资源分配的优化方法，以解决上述背景技术中提出的问题。
本发明目的是这样实现的：一种基于IRS的感知增强认知无线电网络资源分配的优化方法，该方法包括以下步骤：
步骤S1：次基站获取基站到IRS以及IRS到用户的信道状态信息；
步骤S2：定义感知阶段和传输阶段的IRS对角相移矩阵，根据信道状态信息，建立优化模型；
步骤S3：利用优化模型对感知阶段IRS对角相移矩阵辅助次基站感知主网络频谱占用情况进行优化；
步骤S4：进入传输阶段，利用优化模型优化不同感知结果下传输阶段次基站波束形成向量与IRS对角相移矩阵；
步骤S5：次基站根据优化结果发射传输信息，实现在约束对主用户干扰的情形下对***的频谱效率的改善。
优选的，所述步骤S2中定义感知阶段和传输阶段的IRS对角相移矩阵，具体操作为：
令感知阶段IRS的反射系数为
Figure SMS_1
，
Figure SMS_2
；
其中，
Figure SMS_3
分为IRS中第
Figure SMS_4
个元件的幅度和相位，感知阶段的IRS对角 相移矩阵为
Figure SMS_5
，定义
Figure SMS_6
函数为创建一个对角矩阵，其对角线元素为
Figure SMS_7
中的 元素，
Figure SMS_8
表示长度为
Figure SMS_9
的复值向量。
令传输阶段IRS的反射系数为
Figure SMS_10
，
Figure SMS_11
；
其中，
Figure SMS_12
分为IRS中第
Figure SMS_13
个元件的幅度和相位；传输阶段的IRS对角相 移矩阵为
Figure SMS_14
。
优选的，所述步骤S2中建立优化模型，优选模型选择IRS辅助的感知增强型CR网络模型；
基于次基站获取完美的信道状态信息，IRS辅助的感知增强型CR网络模型的优选问题表述为：
Figure SMS_15
Figure SMS_16
Figure SMS_17
Figure SMS_18
Figure SMS_19
Figure SMS_20
其中，
Figure SMS_24
为SBS的最大发射功率；
Figure SMS_27
为PU能承受的最大干扰；
Figure SMS_31
为SBS在频谱 空闲时对第
Figure SMS_23
个次用户的波束赋形；
Figure SMS_26
为SBS在频谱占用时对第
Figure SMS_30
个次用户的波束赋形；
Figure SMS_34
为一个通信帧的持续时间；
Figure SMS_21
为SBS的感知时间；
Figure SMS_25
为一个通信帧中SBS与次用户的传输 时间；
Figure SMS_29
为用户集合，
Figure SMS_33
；
Figure SMS_22
为恒定的检测概率；
Figure SMS_28
为SUs到主用户的等效矩阵；
Figure SMS_32
为智能反射面到主用户的等效矩阵；C1为SBS的总功率约束，C2限制了PUs受到的干扰上 限，C3为目标检测概率约束，C4为IRS上感知阶段中对角相移矩阵的约束，C5为IRS上传输阶 段中对角相移矩阵的约束。
优选的，所述步骤S3总利用优化模型对感知阶段IRS对角相移矩阵辅助次基站感知主网络频谱占用情况进行优化，具体操作为：
感知阶段的IRS对角相移矩阵
Figure SMS_35
，与
Figure SMS_36
有关的目标函数与约束条件如下：
Figure SMS_37
Figure SMS_38
Figure SMS_39
其中，
Figure SMS_40
速率的实际状态为空闲状态，
Figure SMS_41
速率的实际状态为占用状态；
Figure SMS_42
为SBS在频谱空闲或占用时对第
Figure SMS_43
个次用户的波束赋形；
公式
Figure SMS_44
中，目标函数与
Figure SMS_45
有关的部分为
Figure SMS_46
，最大化目标函数就是最大化
Figure SMS_47
，具体如下：
Figure SMS_48
Figure SMS_49
为
Figure SMS_50
的单调递减函数，优化目标可以转化为：
Figure SMS_51
Figure SMS_52
其中，
Figure SMS_53
为感知阶段SBS处接收的来自PBS信号的信噪比；
Figure SMS_54
和
Figure SMS_55
分别为智能反 射面到次基站和主基站到智能反射面的等效矩阵；
Figure SMS_56
为主基站到次基站的直连链路，
Figure SMS_57
表示加性高斯白噪声的方差，
Figure SMS_58
为主基站的波束赋形向量。
目标函数为非凸的，利用其特殊结构得到其封闭解；构建如下不等式：
Figure SMS_59
(a)为三角不等式，只有当
Figure SMS_60
时等式成 立；证明总是存在一个满足(a)与约束C5的解
Figure SMS_61
；
令
Figure SMS_62
，
Figure SMS_63
。
将公式
Figure SMS_64
等效为：
Figure SMS_65
Figure SMS_66
为
Figure SMS_67
中第
Figure SMS_68
个元素；
其最优解为
Figure SMS_69
，IRS的第
Figure SMS_70
个优化相 位为：
Figure SMS_71
其中，
Figure SMS_72
为
Figure SMS_73
的第
Figure SMS_74
个元素，
Figure SMS_75
为
Figure SMS_76
的第
Figure SMS_77
行向量；感知阶段IRS相位
Figure SMS_78
优化 完毕。
优选的，所述步骤S4中进入传输阶段，利用优化模型优化不同感知结果下传输阶 段次基站波束形成向量与IRS对角相移矩阵
Figure SMS_79
，具体操作如下：
步骤S4-1：对次基站波束形成向量优化；通过逐次凸优化与半正定规划求得次基站波束形成向量的最优解；
步骤S4-2：对传输阶段的IRS对角相移矩阵
Figure SMS_80
优化；通过逐次凸优化及高斯随机 化，将优化问题转凸优化问题，通过CVX工具箱来求解，迭代至优化问题收敛。
优选的，所述步骤S4-1中次基站波束形成向量优化，具体操作如下：
定义
Figure SMS_81
，对于给定的
Figure SMS_82
，对波束赋形矩阵
Figure SMS_83
的优化问题如下所示：
Figure SMS_84
Figure SMS_85
Figure SMS_86
Figure SMS_87
Figure SMS_88
表示
Figure SMS_91
维复数埃尔米特的集合矩阵，约束C6，C7保证了
Figure SMS_94
分解为
Figure SMS_89
； 为了确保
Figure SMS_93
可以分解出
Figure SMS_95
，要保证
Figure SMS_97
及
Figure SMS_90
，定义约束
Figure SMS_92
，
Figure SMS_96
；受到目标函数以及约束C7的 影响，将优化问题转凸优化问题；
对
Figure SMS_98
和
Figure SMS_99
进行如下定义：
Figure SMS_100
Figure SMS_101
其中，
Figure SMS_102
表示
Figure SMS_103
去除了元素
Figure SMS_104
的合集。
对于任意可行
Figure SMS_105
，构建
Figure SMS_106
的全局下限：
Figure SMS_107
其中，
Figure SMS_108
对于任意可行的
Figure SMS_109
，优化问题转化为：
Figure SMS_110
Figure SMS_111
。
优选的，所述步骤S4-2中对传输阶段的IRS对角相移矩阵
Figure SMS_112
优化，具体操作如下
对于给定的
Figure SMS_113
和
Figure SMS_114
，传输阶段的IRS相位设计问题如下：
Figure SMS_115
Figure SMS_116
Figure SMS_117
优化问题的目标函数和约束C4为非凸函数，对目标函数进行处理：
Figure SMS_118
Figure SMS_119
Figure SMS_120
Figure SMS_121
其中，优化变量
Figure SMS_122
，
Figure SMS_123
和
Figure SMS_124
分别定义为：
Figure SMS_125
Figure SMS_126
Figure SMS_127
其中，
Figure SMS_128
为虚拟变量且
Figure SMS_129
，
Figure SMS_130
；第
Figure SMS_131
个用户处的速 率等效为以下形式：
Figure SMS_132
Figure SMS_133
将约束C2转化为：
Figure SMS_134
其中，
Figure SMS_135
；
对于非凸目标函数，给出如下定义：
Figure SMS_136
Figure SMS_137
因此，优化问题转化为：
Figure SMS_138
Figure SMS_139
Figure SMS_140
Figure SMS_141
Figure SMS_142
其中，
Figure SMS_144
表示一个对角矩阵，其对角元素是从
Figure SMS_146
的主对角线中提取的。
Figure SMS_148
表示
Figure SMS_145
阶单位向量。定义约束
Figure SMS_147
，
Figure SMS_149
；约束C8，约束C9以及
Figure SMS_150
共同确保了
Figure SMS_143
在优化后保持不变；利用高斯随机化保证有秩一解。
与现有技术相比，本发明具有如下改进及优点： 1、通过部署IRS辅助频谱感知，使虚警概率可以在更短的感知时间、更低的发射功率情形下收敛于0，以方便次基站更精细地制定不同的发射策略，提升频谱效率；同时，可以通过IRS辅助次基站的传输过程，改善信道环境，提高次用户的总和速率。
2、通过BCD优化方法，依次优化IRS感知阶段相位、传输阶段相位和次基站波束赋形，提高流入次用户的总和速率；同时，解决在较低的噪声门限下，仍能保持较高的总和速率。
附图说明
图1为本发明的整体流程示意图。
图2为本发明的整体***模型图。
图3为SBS处的虚警概率在不同感知阶段与不同感知时间下的对比图。
图4为SUs处感知阶段IRS优化方案与无优化方案在不同IRS元件数下的对比图。
图5为各种方案中 SUs 的总和速率在不同的发射功率下的对比图。
图6为针对不同的频谱使用情况制定不同的发射策略中的 SUs 总和速率与传统方案的对比图。
具体实施方式
以下结合附图对本发明做进一步概述。
如图1、2所示，一种基于IRS的感知增强认知无线电网络资源分配的优化方法，该方法包括以下步骤：
步骤S1：次基站获取基站到IRS以及IRS到用户的信道状态信息；
建立IRS辅助的下行感知增强频谱共享认知无线电***，该***主要包含一个授 权的主网络和一个未经授权的次网络；主网络中包含一个多天线的主基站和
Figure SMS_151
个单天线 Pus，次网络包含一个多天线的次级基站和
Figure SMS_152
个单天线SUs。
为了最大程度上保证主网络QoS的前提下提升频谱效率，采用感知增强频谱共享 的模式。为了保证主网络的QoS，考虑恒定的检测概率
Figure SMS_153
，虚警概率为
Figure SMS_154
，其中
Figure SMS_155
为感知阶段SBS处接收的来自PBS信号的信噪 比，
Figure SMS_156
是采样频率，
Figure SMS_157
是标准高斯随机变量的互补误差分布函数；本发明方法对
Figure SMS_158
受到 了IRS的辅助增强，则：
Figure SMS_159
其中，
Figure SMS_162
为主基站的发射功率，
Figure SMS_164
表示加性高斯白噪声的方差，
Figure SMS_166
表示
Figure SMS_161
的转置， 表示
Figure SMS_165
为主基站到次基站的直连链路，
Figure SMS_167
和
Figure SMS_168
分别为智能反射面到次基站和主基站到 智能反射面的等效矩阵；
Figure SMS_160
为感知阶段的IRS的对角相移矩阵，
Figure SMS_163
为传输阶段的IRS的对角 相移矩阵。
步骤S2：定义感知阶段和传输阶段的IRS对角相移矩阵，根据信道状态信息，建立优化模型；
令感知阶段IRS的反射系数为
Figure SMS_169
，
Figure SMS_170
；
其中，
Figure SMS_171
分为IRS中第
Figure SMS_172
个元件的幅度和相位，感知阶段的IRS对角 相移矩阵为
Figure SMS_173
，
Figure SMS_174
函数表示一个对角矩阵，其对角线元素为
Figure SMS_175
中的元素，
Figure SMS_176
表示长度为
Figure SMS_177
的复值向量。
令传输阶段IRS的反射系数为
Figure SMS_178
，
Figure SMS_179
；
其中，
Figure SMS_180
分为IRS中第
Figure SMS_181
个元件的幅度和相位；传输阶段的IRS对角相 移矩阵为
Figure SMS_182
。
将第
Figure SMS_183
个SUs接收到来自SBS的信号表示为：
Figure SMS_184
定义
Figure SMS_185
为主网络的频段状态为空闲，
Figure SMS_186
为频段状态为占用；
Figure SMS_187
为SBS在频谱空闲 时对第
Figure SMS_188
个次用户的波束赋形，
Figure SMS_189
为SBS在频谱占用时对第
Figure SMS_190
个次用户的波束赋形，基于频 段的实际状态和SBS的频谱感知结果，SUs的可实现传输速率情形如下：
Figure SMS_191
Figure SMS_192
其中，
Figure SMS_198
表示频段实际上未被占用时次基站与第
Figure SMS_206
个次网络用户的传输速率，
Figure SMS_214
表示频段实际上被占用时次基站与第
Figure SMS_195
个次网络用户的传输速率；
Figure SMS_202
为变量，
Figure SMS_207
为0表示 次基站的感知结果为频段未被占用，
Figure SMS_210
为1表示次基站的感知结果为频段被占用；
Figure SMS_197
为SBS 在频谱空闲时对第
Figure SMS_201
个次用户的波束赋形；
Figure SMS_208
为SBS在频谱占用时对第
Figure SMS_213
个次用户的波束 赋形；
Figure SMS_199
表示第
Figure SMS_204
个SUs处的加性高斯白噪声的方差；
Figure SMS_212
为第
Figure SMS_216
个SU处来自主基站的噪声；
Figure SMS_196
为
Figure SMS_203
用户到智能反射面的等效矩阵；
Figure SMS_211
为第
Figure SMS_215
个次用户的基带等效信道状态；
Figure SMS_193
为智能 反射面到SBS的等效信道矩阵；用户集合为
Figure SMS_200
；
Figure SMS_205
表示
Figure SMS_209
去除了元素
Figure SMS_194
的合集。
其中，第
Figure SMS_217
个SUs传输速率具有四种相应概率，表示为：
Figure SMS_218
其中，
Figure SMS_221
和
Figure SMS_225
分别表示主基站信道空闲和被占用的概率；
Figure SMS_228
为
Figure SMS_220
出现的相应概率；
Figure SMS_224
为
Figure SMS_227
出现的相应概率；
Figure SMS_230
为
Figure SMS_219
出现的相应概率；
Figure SMS_223
为
Figure SMS_226
出现的相 应概率；
Figure SMS_229
为虚警概率；
Figure SMS_222
为恒定的检测概率；因此，所有SUs用户的平均和速率为：
Figure SMS_231
其中，
Figure SMS_232
速率的实际状态为空闲状态，
Figure SMS_233
速率的实际状态为占用状态；
Figure SMS_234
为 SBS的感知时隙，
Figure SMS_235
为一个通信帧中SBS与次用户的传输时间；
Figure SMS_236
为变量，
Figure SMS_237
为0表示次基站 的感知结果为频段未被占用，
Figure SMS_238
为1表示次基站的感知结果为频段被占用。
令
Figure SMS_239
,
Figure SMS_240
分别代表SUs到主用户和智能反射面到主用户的等效矩阵，由于共享频谱 SBS产生的对主用户的干扰可以表达为：
Figure SMS_241
其中，
Figure SMS_242
为SBS为SUs提供具有更大功率的波束赋形；
Figure SMS_243
为SBS为SUs提供具有更 小功率的波束赋形。
基于次基站获取完美的信道状态信息，IRS辅助的感知增强型CR网络模型的优选问题表述为：
Figure SMS_244
Figure SMS_245
Figure SMS_246
Figure SMS_247
Figure SMS_248
Figure SMS_249
其中，
Figure SMS_253
为SBS的最大发射功率；
Figure SMS_255
为PU能承受的最大干扰；
Figure SMS_258
为SBS在频谱 空闲时对第
Figure SMS_252
个次用户的波束赋形；
Figure SMS_256
为SBS在频谱占用时对第
Figure SMS_259
个次用户的波束赋形；
Figure SMS_261
为一个通信帧的持续时间；
Figure SMS_250
为SBS的感知时间；
Figure SMS_254
为一个通信帧中SBS与次用户的传输 时间；
Figure SMS_257
为恒定的检测概率；
Figure SMS_260
为SUs到主用户的等效矩阵；
Figure SMS_251
为智能反射面到主用户的等效 矩阵；C1为SBS的总功率约束，C2限制了PUs受到的干扰上限，C3为目标检测概率约束，C4为 感知阶段中IRS的对角相移矩阵的约束，C5为传输阶段中IRS的对角相移矩阵的约束。
步骤S3：利用优化模型对感知阶段IRS对角相移矩阵
Figure SMS_262
辅助次基站感知主网络频 谱占用情况进行优化；
具体操作为：
感知阶段的IRS对角相移矩阵
Figure SMS_263
，与
Figure SMS_264
有关的目标函数与约束条件如下：
Figure SMS_265
Figure SMS_266
Figure SMS_267
由上述公式已知：目标函数中与
Figure SMS_268
有关的部分为
Figure SMS_269
，最大化目标函数 就是最大化
Figure SMS_270
，具体如下：
Figure SMS_271
Figure SMS_272
为
Figure SMS_273
的单调递减函数，优化目标可以转化为：
Figure SMS_274
Figure SMS_275
其中，
Figure SMS_276
为感知阶段SBS处接收的来自PBS信号的信噪比；
Figure SMS_277
和
Figure SMS_278
分别为智能反 射面到次基站和主基站到智能反射面的等效矩阵；
Figure SMS_279
为主基站到次基站的直连链路，
Figure SMS_280
表示加性高斯白噪声的方差，
Figure SMS_281
为主基站的波束赋形向量。
目标函数为非凸的，利用其特殊结构得到其封闭解；构建如下不等式：
Figure SMS_282
(a)为三角不等式，只有当
Figure SMS_283
时等式成 立；证明总是存在一个满足(a)与约束C5的解
Figure SMS_284
；
令
Figure SMS_285
，
Figure SMS_286
。
将公式
Figure SMS_287
等效为：
Figure SMS_288
Figure SMS_289
为
Figure SMS_290
中第
Figure SMS_291
个元素。
其最优解为
Figure SMS_292
，IRS的第
Figure SMS_293
个优化相 位为：
Figure SMS_294
其中，
Figure SMS_295
为
Figure SMS_296
的第
Figure SMS_297
个元素，
Figure SMS_298
为
Figure SMS_299
的第
Figure SMS_300
行向量；感知阶段IRS相位
Figure SMS_301
优化 完毕。
步骤S4：进入传输阶段，利用优化模型优化不同感知结果下传输阶段次基站波束 形成向量与IRS对角相移矩阵
Figure SMS_302
；
具体操作如下：
步骤S4-1：对次基站波束形成向量优化；通过逐次凸优化与半正定规划求得次基站波束形成向量的最优解；
定义
Figure SMS_303
，对于给定的
Figure SMS_304
，对
Figure SMS_305
和
Figure SMS_306
重写：
Figure SMS_307
Figure SMS_308
其中，
Figure SMS_309
，
Figure SMS_310
，将第
Figure SMS_311
个SU的速率重写为：
Figure SMS_312
Figure SMS_313
并将约束条件C2重写为：
Figure SMS_314
因此，对波束赋形矩阵
Figure SMS_315
的优化问题如下所示：
Figure SMS_316
Figure SMS_317
Figure SMS_318
Figure SMS_319
Figure SMS_321
表示
Figure SMS_325
维复数埃尔米特的集合矩阵，约束C6，C7保证了
Figure SMS_328
分解为
Figure SMS_322
； 为了确保
Figure SMS_324
可以分解出
Figure SMS_327
，要保证
Figure SMS_329
及
Figure SMS_320
，定义约束
Figure SMS_323
，
Figure SMS_326
；
受到目标函数以及约束C7的影响，将优化问题转凸优化问题；使用SCA方法对优化 问题进行处理。为了方便，我们对
Figure SMS_330
和
Figure SMS_331
进行如下定义：
Figure SMS_332
Figure SMS_333
对于任意可行
Figure SMS_334
，构建
Figure SMS_335
的全局下限：
Figure SMS_336
其中，
Figure SMS_337
因此，四种情况下用户速率为：
Figure SMS_338
对于任意可行的
Figure SMS_339
，优化问题转化为：
Figure SMS_340
Figure SMS_341
通过采用SDR，去除了约束C7。
步骤S4-2：对传输阶段的IRS对角相移矩阵
Figure SMS_342
优化；通过逐次凸优化及高斯随机 化，将优化问题转凸优化问题，通过CVX工具箱来求解，迭代至优化问题收敛。
具体操作如下：
对于给定的
Figure SMS_343
和
Figure SMS_344
，传输阶段的IRS相位设计问题如下：
Figure SMS_345
优化问题的目标函数和约束C4为非凸函数，对目标函数进行处理：
Figure SMS_346
其中，优化变量
Figure SMS_348
，
Figure SMS_352
和
Figure SMS_354
分别定义为
Figure SMS_349
，
Figure SMS_351
，
Figure SMS_355
；
Figure SMS_356
为虚拟变量且
Figure SMS_347
；
Figure SMS_350
； 第
Figure SMS_353
个用户处的速率等效为以下形式：
Figure SMS_357
将约束C2转化为：
Figure SMS_358
其中，
Figure SMS_359
对于非凸目标函数，给出如下定义：
Figure SMS_360
因此，优化问题转化为：
Figure SMS_361
其中，
Figure SMS_364
表示一个对角矩阵，其对角元素是从
Figure SMS_366
的主对角线中提取的。
Figure SMS_369
表示
Figure SMS_363
维复数埃尔米特的集合矩阵，
Figure SMS_367
表示
Figure SMS_370
阶单位向量。定义约束
Figure SMS_371
，
Figure SMS_362
；约束C8，约束C9以及
Figure SMS_365
共同确保了
Figure SMS_368
在优化后保持不变。 利用高斯随机化保证有秩一解。
步骤S5：次基站根据优化结果发射传输信息，实现在约束对主用户干扰的情形下对***的频谱效率的改善。
通过BCD优化方法，依次优化IRS感知阶段相位、传输阶段相位和次基站波束赋形：利用柯西不等式首先优化出感知阶段 IRS 的相位，利用SCA、SDR和高斯随机化交替优化感知阶段IRS对角相移矩阵与次基站波束赋形向量，利用一维搜索优化感知时间。证实了本发明中提出的方案具有较高的感知性能以及频谱效率。
仿真实验：
利用Matlab语言仿真实验，在仿真中，信道为瑞利信道，帧持续时间
Figure SMS_374
ms，感 知时间
Figure SMS_376
ms，载波频率
Figure SMS_378
MHz，目标检测概率
Figure SMS_373
，感知网络包含2个SUs。主网 络空闲概率
Figure SMS_375
，SBS和PBS处的发射功率都设为30dBm，PUs处的可以容忍的干扰 设置为-90dBm。第
Figure SMS_377
个SUs处的噪声的方差设为
Figure SMS_379
。IRS上的元件数设为
Figure SMS_372
。
如图3所示，在同一发射功率下，在感知阶段无IRS、感知阶段IRS无优化、感知阶段 IRS优化的三种情形下虚警概率是逐步降低的，并且即使在发射功率较低时，相对其他方案 依然有更低的虚警概率。由图可知，感知性能随着感知时间的提高而提高。因此，我们可以 通过部署IRS辅助频谱感知，使
Figure SMS_380
可以在更短的感知时间、更低的发射功率情形下收敛于0， 以方便次基站更精细地制定不同的发射策略，提升频谱效率。
如图4所示，描述了SUs处和速率和IRS元件数之间的关系，可以看出随着IRS数的提高，SUs和速率稳步提高，一方面更多的IRS元件在改善用户信道质量上提供了更多的灵活性，另一方面更多的IRS元件可以反射更多的由BS发出的信号。因此更多的IRS元件辅助感知增强频谱共享方案可以更好的提高次用户的通信质量。
如图5所示，给出了在基于感知的频谱共享和机会频谱接入的情况下，IRS辅助的CR网络中SUs的总和速率在不同的发射功率下的对比，可以观察到，与其他方案相比，本发明提出的IRS辅助感知增强频谱共享方案在相同的发射功率下，次网络中SUs的总和速率有了显著提高。此外，增加了感知阶段没有IRS辅助的情况，可以看出，本发明提出的方案总和速率最高。
如图6所示，进一步比较了在不同的主网络噪声门限下，针对不同的频谱使用情况制定不同的发射策略对于总和速率下降的缓解作用，可以看出，在较低的噪声门限下，本发明所提的方案仍能保持较高的总和速率。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (7)

1.一种基于IRS的感知增强认知无线电网络资源分配的优化方法，该方法包括以下步骤：
步骤S1：次基站获取基站到IRS以及IRS到用户的信道状态信息；
步骤S2：定义感知阶段和传输阶段的IRS对角相移矩阵，根据信道状态信息，建立优化模型；
步骤S3：利用优化模型对感知阶段IRS对角相移矩阵辅助次基站感知主网络频谱占用情况进行优化；
步骤S4：进入传输阶段，利用优化模型优化不同感知结果下传输阶段次基站波束形成向量与IRS对角相移矩阵；
步骤S5：次基站根据优化结果发射传输信息，实现在约束对主用户干扰的情形下对***的频谱效率的改善。
2.根据权利要求1所述的一种基于IRS的感知增强认知无线电网络资源分配的优化方法，其特征在于：所述步骤S2中定义感知阶段和传输阶段的IRS对角相移矩阵，具体操作为：
令感知阶段IRS的反射系数为
Figure QLYQS_1
，/>
Figure QLYQS_2
；
其中，
Figure QLYQS_3
分为IRS中第/>
Figure QLYQS_4
个元件的幅度和相位，感知阶段的IRS对角相移矩阵为/>
Figure QLYQS_5
，定义/>
Figure QLYQS_6
函数为创建一个对角矩阵，其对角线元素为/>
Figure QLYQS_7
中的元素，
Figure QLYQS_8
表示长度为/>
Figure QLYQS_9
的复值向量；
令传输阶段IRS的反射系数为
Figure QLYQS_10
，/>
Figure QLYQS_11
；
其中，
Figure QLYQS_12
分为IRS中第/>
Figure QLYQS_13
个元件的幅度和相位；传输阶段的IRS对角相移矩阵为/>
Figure QLYQS_14
。
3.根据权利要求1所述的一种基于IRS的感知增强认知无线电网络资源分配的优化方法，其特征在于：所述步骤S2中建立优化模型，优选模型选择IRS辅助的感知增强型CR网络模型；
基于次基站获取完美的信道状态信息，IRS辅助的感知增强型CR网络模型的优选问题表述为：
Figure QLYQS_15
；
Figure QLYQS_16
；
Figure QLYQS_17
；
Figure QLYQS_18
；
Figure QLYQS_19
；
Figure QLYQS_20
；
其中，
Figure QLYQS_22
为SBS的最大发射功率；/>
Figure QLYQS_28
为PU能承受的最大干扰；/>
Figure QLYQS_32
为SBS在频谱空闲时对第/>
Figure QLYQS_23
个次用户的波束赋形；/>
Figure QLYQS_26
为SBS在频谱占用时对第/>
Figure QLYQS_31
个次用户的波束赋形；/>
Figure QLYQS_34
为一个通信帧的持续时间；/>
Figure QLYQS_21
为SBS的感知时间；/>
Figure QLYQS_25
为一个通信帧中SBS与次用户的传输时间；/>
Figure QLYQS_29
为用户集合，/>
Figure QLYQS_33
；/>
Figure QLYQS_24
为恒定的检测概率；/>
Figure QLYQS_27
为SUs到主用户的等效矩阵；/>
Figure QLYQS_30
为智能反射面到主用户的等效矩阵；C1为SBS的总功率约束，C2限制了PUs受到的干扰上限，C3为目标检测概率约束，C4为IRS上感知阶段中IRS对角相移矩阵的约束，C5为IRS上传输阶段中IRS对角相移矩阵的约束。
4.根据权利要求3所述的一种基于IRS的感知增强认知无线电网络资源分配的优化方法，其特征在于：所述步骤S3中利用优化模型对感知阶段IRS对角相移矩阵辅助次基站感知主网络频谱占用情况进行优化，具体操作为：
感知阶段的IRS对角相移矩阵
Figure QLYQS_35
，与/>
Figure QLYQS_36
有关的目标函数与约束条件如下：
Figure QLYQS_37
；
Figure QLYQS_38
；
Figure QLYQS_39
；
其中，
Figure QLYQS_40
速率的实际状态为空闲状态，/>
Figure QLYQS_41
速率的实际状态为占用状态；/>
Figure QLYQS_42
为SBS在频谱空闲或占用时对第/>
Figure QLYQS_43
个次用户的波束赋形；
公式
Figure QLYQS_44
中，目标函数与/>
Figure QLYQS_45
有关的部分为
Figure QLYQS_46
，最大化目标函数就是最大化/>
Figure QLYQS_47
，具体如下：
Figure QLYQS_48
；
Figure QLYQS_49
为/>
Figure QLYQS_50
的单调递减函数，优化目标可以转化为：
Figure QLYQS_51
；
Figure QLYQS_52
；
其中，
Figure QLYQS_53
为感知阶段SBS处接收的来自PBS信号的信噪比；/>
Figure QLYQS_54
和/>
Figure QLYQS_55
分别为智能反射面到次基站和主基站到智能反射面的等效矩阵；/>
Figure QLYQS_56
为主基站到次基站的直连链路，/>
Figure QLYQS_57
表示加性高斯白噪声的方差，/>
Figure QLYQS_58
为主基站的波束赋形向量；
目标函数为非凸的，利用其特殊结构得到其封闭解；构建如下不等式：
Figure QLYQS_59
；
(a)为三角不等式，只有当
Figure QLYQS_60
时等式成立；证明总是存在一个满足(a)与约束C5的解/>
Figure QLYQS_61
；
令
Figure QLYQS_62
，/>
Figure QLYQS_63
；
将公式
Figure QLYQS_64
等效为：
Figure QLYQS_65
；
Figure QLYQS_66
为/>
Figure QLYQS_67
中第/>
Figure QLYQS_68
个元素；
其最优解为
Figure QLYQS_69
，IRS的第/>
Figure QLYQS_70
个优化相位为：
Figure QLYQS_71
；
其中，
Figure QLYQS_72
为/>
Figure QLYQS_73
的第/>
Figure QLYQS_74
个元素，/>
Figure QLYQS_75
为/>
Figure QLYQS_76
的第/>
Figure QLYQS_77
行向量；感知阶段IRS相位/>
Figure QLYQS_78
优化完毕。
5.根据权利要求1所述的一种基于IRS的感知增强认知无线电网络资源分配的优化方法，其特征在于：所述步骤S4中进入传输阶段，利用优化模型优化不同感知结果下传输阶段次基站波束形成向量与IRS对角相移矩阵
Figure QLYQS_79
，具体操作如下：
步骤S4-1：对次基站波束形成向量优化；通过逐次凸优化与半正定规划求得次基站波束形成向量的最优解；
步骤S4-2：对传输阶段的IRS对角相移矩阵
Figure QLYQS_80
优化；通过逐次凸优化及高斯随机化，将优化问题转凸优化问题，通过CVX工具箱来求解，迭代至优化问题收敛。
6.根据权利要求5所述的一种基于IRS的感知增强认知无线电网络资源分配的优化方法，其特征在于：所述步骤S4-1中次基站波束形成向量优化，具体操作如下：
定义
Figure QLYQS_81
，对于给定的/>
Figure QLYQS_82
，对波束赋形矩阵/>
Figure QLYQS_83
的优化问题如下所示：
Figure QLYQS_84
；
Figure QLYQS_85
；
Figure QLYQS_86
；
Figure QLYQS_87
；
Figure QLYQS_90
表示/>
Figure QLYQS_92
维复数埃尔米特的集合矩阵，约束C6，C7保证了/>
Figure QLYQS_95
分解为/>
Figure QLYQS_88
；为了确保/>
Figure QLYQS_91
可以分解出/>
Figure QLYQS_94
，要保证/>
Figure QLYQS_97
及/>
Figure QLYQS_89
，定义约束
Figure QLYQS_93
，/>
Figure QLYQS_96
；受到目标函数以及约束C7的影响，将优化问题转凸优化问题；
对
Figure QLYQS_98
和/>
Figure QLYQS_99
进行如下定义：
Figure QLYQS_100
；/>
Figure QLYQS_101
；
其中，
Figure QLYQS_102
表示/>
Figure QLYQS_103
去除了元素/>
Figure QLYQS_104
的合集；
对于任意可行
Figure QLYQS_105
，构建/>
Figure QLYQS_106
的全局下限：
Figure QLYQS_107
；
其中，
Figure QLYQS_108
；
对于任意可行的
Figure QLYQS_109
，优化问题转化为：
Figure QLYQS_110
；
Figure QLYQS_111
。
7.根据权利要求6所述的一种基于IRS的感知增强认知无线电网络资源分配的优化方法，其特征在于：所述步骤S4-2中对传输阶段的IRS对角相移矩阵
Figure QLYQS_112
优化，具体操作如下：
对于给定的
Figure QLYQS_113
和/>
Figure QLYQS_114
，传输阶段的IRS相位设计问题如下：
Figure QLYQS_115
；
Figure QLYQS_116
；
Figure QLYQS_117
；
优化问题的目标函数和约束C4为非凸函数，对目标函数进行处理：
Figure QLYQS_118
；
Figure QLYQS_119
；
Figure QLYQS_120
；
Figure QLYQS_121
；
其中，优化变量
Figure QLYQS_122
，/>
Figure QLYQS_123
和/>
Figure QLYQS_124
分别定义为：
Figure QLYQS_125
；
Figure QLYQS_126
；
Figure QLYQS_127
；/>
其中，
Figure QLYQS_128
为虚拟变量且/>
Figure QLYQS_129
，/>
Figure QLYQS_130
；第/>
Figure QLYQS_131
个用户处的速率等效为以下形式：
Figure QLYQS_132
；
Figure QLYQS_133
；
将约束C2转化为：
Figure QLYQS_134
；
其中，
Figure QLYQS_135
；
对于非凸目标函数，给出如下定义：
Figure QLYQS_136
；
Figure QLYQS_137
；
因此，优化问题转化为：
Figure QLYQS_138
；
Figure QLYQS_139
；
Figure QLYQS_140
；
Figure QLYQS_141
；
Figure QLYQS_142
；
其中，
Figure QLYQS_144
表示一个对角矩阵，其对角元素是从/>
Figure QLYQS_146
的主对角线中提取的；/>
Figure QLYQS_148
表示
Figure QLYQS_145
阶单位向量；定义约束/>
Figure QLYQS_147
，/>
Figure QLYQS_149
；约束C8，约束C9以及/>
Figure QLYQS_150
共同确保了/>
Figure QLYQS_143
在优化后保持不变；利用高斯随机化保证有秩一解。/>
CN202310515169.XA 2023-05-09 2023-05-09 一种基于irs的感知增强认知无线电网络资源分配的优化方法 Active CN116233897B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310515169.XA CN116233897B (zh) 2023-05-09 2023-05-09 一种基于irs的感知增强认知无线电网络资源分配的优化方法
PCT/CN2024/086290 WO2024125675A1 (zh) 2023-05-09 2024-04-07 一种基于irs的感知增强认知无线电网络资源分配的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310515169.XA CN116233897B (zh) 2023-05-09 2023-05-09 一种基于irs的感知增强认知无线电网络资源分配的优化方法

Publications (2)

Publication Number Publication Date
CN116233897A true CN116233897A (zh) 2023-06-06
CN116233897B CN116233897B (zh) 2023-07-21

Family

ID=86587744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310515169.XA Active CN116233897B (zh) 2023-05-09 2023-05-09 一种基于irs的感知增强认知无线电网络资源分配的优化方法

Country Status (2)

Country Link
CN (1) CN116233897B (zh)
WO (1) WO2024125675A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118042493A (zh) * 2024-04-11 2024-05-14 华东交通大学 基于反射元件的车联网感知通信计算联合优化方法
WO2024125675A1 (zh) * 2023-05-09 2024-06-20 南京邮电大学 一种基于irs的感知增强认知无线电网络资源分配的优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102869018A (zh) * 2012-10-17 2013-01-09 东北大学秦皇岛分校 认知无线电中保证通信连续性的信道和功率联合分配方法
CN112929068A (zh) * 2021-02-04 2021-06-08 重庆邮电大学 基于sdr的irs-noma***波束赋形优化方法
CN112929067A (zh) * 2021-02-04 2021-06-08 重庆邮电大学 基于sca的irs-noma***低复杂度波束赋形方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112769461B (zh) * 2020-12-11 2022-04-22 华南理工大学 基于毫米波智能反射面通信的大规模天线信道估计方法
CN114765785B (zh) * 2021-01-15 2024-02-27 哈尔滨工业大学 一种基于最大信噪比的多智能反射面选择方法
CN113315547A (zh) * 2021-05-28 2021-08-27 北京邮电大学 智能反射面辅助多小区的鲁棒联合传输波束优化方法
CN114726414B (zh) * 2022-03-04 2024-07-19 西安电子科技大学 一种联合传输波束优化的方法、***、介质、设备及终端
CN114828258A (zh) * 2022-04-26 2022-07-29 南京邮电大学 一种智能反射面辅助认知无线电***资源分配优化方法
CN116233897B (zh) * 2023-05-09 2023-07-21 南京邮电大学 一种基于irs的感知增强认知无线电网络资源分配的优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102869018A (zh) * 2012-10-17 2013-01-09 东北大学秦皇岛分校 认知无线电中保证通信连续性的信道和功率联合分配方法
CN112929068A (zh) * 2021-02-04 2021-06-08 重庆邮电大学 基于sdr的irs-noma***波束赋形优化方法
CN112929067A (zh) * 2021-02-04 2021-06-08 重庆邮电大学 基于sca的irs-noma***低复杂度波束赋形方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FEI LI: "《A Model and Data Hybrid Driven Detection Scheme for IRS-Assisted Massive MIMO Systems》", 《2021 IEEE 94TH VEHICULAR TECHNOLOGY CONFERENCE (VTC2021-FALL)》 *
李汀: "《有源IRS 辅助的安全通信***波束成形设计》", 《信号处理》 *
李飞: "《IRS 辅助SIMO-MAC 认知无线电***频谱感知优化策略》", 《信号处理》, pages 2 - 17 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024125675A1 (zh) * 2023-05-09 2024-06-20 南京邮电大学 一种基于irs的感知增强认知无线电网络资源分配的优化方法
CN118042493A (zh) * 2024-04-11 2024-05-14 华东交通大学 基于反射元件的车联网感知通信计算联合优化方法

Also Published As

Publication number Publication date
WO2024125675A1 (zh) 2024-06-20
CN116233897B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN116233897B (zh) 一种基于irs的感知增强认知无线电网络资源分配的优化方法
Pesavento et al. Iterative dual downlink beamforming for cognitive radio networks
Bhattacharya et al. Smart radio spectrum management for cognitive radio
CN113316154B (zh) 一种授权和免授权d2d通信资源联合智能分配方法
JP2009118453A (ja) パイロット信号を用いた周波数スペクトラムのセンシング方法およびこの方法を採用する認知無線システム
Tayel et al. Throughput maximization of hybrid access in multi-class cognitive radio networks with energy harvesting
CN111988783B (zh) 一种上行非正交多址的安全传输方法及***
Ozcan et al. Energy-efficient power adaptation for cognitive radio systems under imperfect channel sensing
CN117715219A (zh) 基于深度强化学习的空时域资源分配方法
Rehman et al. Opportunistic cognitive MAC (OC-MAC) protocol for dynamic spectrum access in WLAN environment
Murugan et al. Energy Efficient Cognitive Radio Spectrum Sensing for 5G Networks–A Survey
CN103888952B (zh) 一种认知无线电***中竞争频谱的方法和***
Pendeza Martinez et al. Spectral and energy efficiency tradeoff in optical code division multiple access networks
CN111246502B (zh) 一种基于q学习的能量阈值动态优化方法
Qian et al. System utility maximization with interference processing for cognitive radio networks
CN112821969B (zh) 一种全双工认知无线网络的混合动态频谱访问方法及装置
CN115278896A (zh) 一种基于智能天线的mimo全双工功率分配方法
CN110536306B (zh) 基于凸优化的多信道认知无线网络中最优功率分配方法
Kusaladharma et al. Performance characterization of spatially random energy harvesting underlay D2D networks with primary user power control
Patil et al. Throughput improvement in hybrid MIMO cognitive radio using simultaneous narrowband and wideband system
CN111787623A (zh) 一种联合功率控制、上下行信道分配和模式选择的d2d通信资源分配方法
You et al. Joint beamforming and power control algorithm for cognitive radio network with the multi-antenna base station
Drozd et al. Multiobjective joint optimization and frequency diversity for efficient utilization of the RF transmission hyperspace
Wang et al. RIS-Aided Latency-Efficient MEC HetNet with Wireless Backhaul
Wang et al. Full-duplex cooperative non-orthogonal multiple access with spectrum sensing

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