一种面向认知无线电网络的跨层干扰受限的功率分配方法与流程

【技术领域】

本发明属于通信技术领域，具体涉及一种面向认知无限电网络的跨层干扰受限的功率分配方法。

背景技术：

下垫式认知无线电(cognitiveradio，cr)网络是一种干扰可控的认知无线电网络，可以对主用户带来干扰，但是不能超过其允许的干扰温度限。通过对次用户的发射功率增加一个干扰温度限制，从而保证每个主用户的干扰不超过门限值。因此，干扰温度约束在该类模型的资源分配中起着关键性的作用；次用户可以通过能量检测法或合作方式来得到干扰温度限。

该方式下，次用户不需要实时地感知主用户是否存在，可以直接接入主用户网络，是一种主用户和次用户共存的网络。多载波调制技术中，正交频分复用(orthogonalfrequencydivisionmultiplexing，ofdm)被认作潜在的cr网络的调制技术。然而网络遇到异步传输时，ofdm因为不完美的时间和频率同步，其数据传输速率便会受影响。异步传输会引起子载波间干扰。因此某一条子载波的干扰会影响其相邻的子载波。而滤波器组多载波(filterbankmulti-carrier，fbmc)调制技术作为一种替代调制方法，因其不需要循环前缀，相比于ofdm技术，在异步通信时不会引起过多的数据传输速率缺失。

结合偏移正交幅度调制(offsetquadratureamplitudemodulation，oqam)和多相网络的fbmc-oqam调制技术，降低了实现的复杂度，具有对载波频偏不敏感和高频效高能效的优势。资源分配是一个非线性优化问题，并且算法的复杂度随着用户数以及子载波数的增加呈现指数增长，这就使得其难度非常高。而fbmc-oqam系统又是一个对瞬时性要求极其高的系统，这就对资源分配算法提出了非常高的要求。

技术实现要素：

本发明的目的是解决无线认知无线电网络的跨层干扰受限的功率分配问题，提供一种面向认知无线电网络的跨层干扰受限的功率分配方法。本发明考虑系统总数据传输速率限制以及总功率消耗约束，提出下垫式频谱共享的认知无线电网络情景下的以能效为目标的功率分配算法(eepa)。通过实验仿真对比，eepa在提高能效方面具有较高性能，每个用户的功率分配更为合理，具有一定的实用价值。

本发明的面向认知无线电网络的跨层干扰受限的功率分配方法，主要包括如下关键步骤：

第1、下垫式频谱共享的认知无线电网络模型结构的构建：

第1.1、建立传输功率模型pk,m,l，pk,m,l表示第l个子载波上分配的第k个小区内第m个次用户的功率；

第1.2、建立干扰温度限模型；

第1.3、建立信干噪比与传输速率模型；

第1.4、建立时延模型；

第2、目标函数问题转换：

第2.1、说明原目标函数为非凸函数，不能用凸优化方法求解；

第2.2、将原目标函数转化成凹函数除以凸函数的形式；

第3、算法设计：

第3.1、优化问题的确定，将第2步转换后的分数形式的目标函数利用dinkelbach方法转化为多项式形式，非线性分式规划问题max{rtot/ptot}等价转化为max{rtot-γptot}形式；

第3.2、根据凸优化理论，引入拉格朗日乘子λ1和λ2，建立优化问题的拉格朗日函数；

第3.3、引入拉格朗日对偶方法，通过相对于原问题而言计算复杂度相对较低的对偶问题的最优解求得原问题的最优解；

第3.4、采用次梯度算法替代梯度算法，迭代求得对偶问题的最优解。

本发明步骤第1.1中建立了算法的传输功率模型pk,m,l，用pk,m,l表示第l个子载波上分配的第k个小区内第m个次用户的功率，则系统总传输功率ptot可以表示为

式中m、l分别表示次用户的总个数和子载波的总个数，ξ表示功率放大器漏极效率的倒数，pc表示电路的功率消耗。

步骤第1.2中建立算法的干扰温度限模型的方法如下，权重向量由v＝[v0,v1]表示，干扰温度限制由主基站发送端对次用户接收端的干扰和不同小区的次基站发送端对次用户接收端的干扰两部分组成。不同小区的次基站发送端对次用户接收端的干扰表示如下：

式中gk′,m′,l表示在第l个子载波内第k′个次基站与第m′个次用户之间的信道增益。相应地，主基站发送端对次用户接收端的干扰表示如下：

式中gk,p,l表示在第l个子载波内主基站p和第k′个次基站内的第m个次用户之间的信道增益。综上所述，第l个子载波上的第k个小区第m个次用户的干扰温度ik,m,l如下式所示

步骤第1.3中建立信干噪比与传输速率模型的方法如下，定义第k个小区内的第m个次用户发送端的信干噪比ψk,m,l表示如下：

式中n0表示一个子载波内的热噪声，gk,m,l表示第l个子载波上第k个小区的次基站与该小区内第m个次用户之间的信道增益。根据香农定理，系统的总数据传输速率rtot可表示为

式中b/l表示一个子载波内的传输带宽，b是信道带宽，l是子载波的总个数。

步骤第1.4中建立时延模型的方法如下，引入虚拟队列的概念，将mac协议中多用户争用信道fk导致的额外分组时延转化为在信道fk对应的虚拟队列中的排队时延这样就可以使用排队论中的相关公式加以计算。最终将物理队列qjk的分组服务时间修正为分组传输时间与虚拟队列排队时间之和。虚拟队列的输入分组流是整个小区所有用户分配在信道fk上的传输速率的叠加，可以视为泊松过程，

虚拟队列是一个逻辑概念，在物理上并不存在。中的分组在物理上分散在各个su中等待被发送，虚拟队列服务时间就是该分组的传输时间，而服务端的分组处理速率就是各个su在信道fk上的分组发送速率，虽然在物理上，中的分组将被不同的su的发射机发送，但某一时刻只能有一个发射机接入对应的信道，可以等效为中只有一个速率(服务能力)可变的服务者。

在m/g/1排队系统中，假定第l个子载波上的第k个小区第m个次用户的服务时间为xk,m,l，xk,m,l是独立同分布的，并且与到达间隔相互独立。第k个小区的服务时间的均值和二阶矩为：

式中e[xi，m，l]表示第l个子载波上的第i个小区第m个次用户的期望服务时间。

根据p-k公式所述，m/g/1排队系统一个小区内的平均等待时间为

由上述p-k公式可得该系统一个小区内的平均时延为

式中为到达速率与服务速率之比，反映了系统的繁忙程度。当增加时，系统稳态时的用户数将随之增加；当趋于1时，系统稳态时的用户数将趋于无穷。如果则系统将来不及服务，必然会导致系统中的用户数趋于无穷大。

步骤第2.1中说明原目标函数为非凸函数，不能用凸优化求解的过程如下，功率分配问题是一种非线性约束下的非线性规划问题，具体表达如下式：

其中表示系统总功率消耗的阈值，表示第k个小区内传输时延的阈值。

因为目标函数的hesse矩阵不是半正定矩阵，故该目标函数为非凸函数，不能用凸优化方法求解。

步骤第2.2中将原目标函数转化成凹函数除以凸函数的形式的具体方法如下，如公式(10)所示，原目标函数的分子部分为凹函数，而分母部分无凹凸性，先进行一步的变量转换，即用将pk,m,l代替，则公式(10)的优化问题表示如下：

步骤第3.1中所确定的优化问题可以由下式表示：

步骤第3.2中所述建立优化问题(12)的拉格朗日函数如下：

步骤第3.3所述原问题的最优解的方法如下，如果用遍历搜索方法寻找最优解，可以找到理论最优解，但是计算复杂度过高，引入拉格朗日对偶方法，可以有效降低计算的复杂度，拉格朗日对偶函数表示如下：

拉格朗日对偶函数的优化问题表示如下：

步骤第3.4所述对偶问题的最优解方法如下，由于对偶函数不一定可导，采用次梯度算法来替代梯度算法。找到l的最小值之后继续寻找λ1的值。为使得系统的总功率得到充分分配，寻找λ1的过程采用基于次梯度算法的二分法搜索。此时得出的各次用户对应的功率即为拉格朗日对偶函数优化问题的最优解。

对拉格朗日函数对求偏导，并令结果为零，可得在第t+1次迭代中的更新方程，如下式表示：

在找到的最优值即后，对偶方程可表示为

利用凸优化中的次梯度算法，在第t+1次迭代中对偶方程的自变量λ2可由下列更新方程求得：

式中α2为步长且为正数。

得到第t+1次迭代中γ的更新方程如下：

对于p∈s，为凹函数，为凸函数，并且集合s为凸。因为f(γ)＝max{rtot(p)-γptot(p)|p∈s}连续，因此有如下公式化表述：

找到pn以及γn＝rtot(pn)/ptot(pn)，使得对于任意给定的δ＞0，都有

f(γn)-f(γ0)＝f(γn)＜δ。

本发明的优点和积极效果

本发明主要设计了一种面向认知无线电网络的跨层干扰受限的功率分配方法，在该方法中，算法研究了基于fbmc-oqam的多用户下垫式频谱共享的认知无线电网络中的功率分配问题。为提高整个网络的能效，引入跨层干扰限制来保护网络中的次用户免受过多的干扰；引入虚拟队列的概念，将多用户争用信道导致的额外分组时延转化为了在信道对应的虚拟队列中的排队时延。以系统能效为目标函数，以时延和传输功率为约束条件，提出一个非线性约束下的非线性规划问题。通过一些变换将该问题转换为凸多项式非线性规划问题，进而采用拉格朗日对偶方法求其全局最优解。与现有的一些方法相比，本方法(eepa)在提高能效方面具有较高性能，每个用户的功率分配更加合理，具有一定的实用价值。

【附图说明】

图1是算法的系统模型示意图；

图2是400个用户的低密度网络模型；

图3是800个用户的高密度网络模型；

图4是各算法的能效与迭代次数的关系图；

图5是各算法系统功率消耗与迭代次数的关系图；

图6是低密度下每个用户分配到的功率与用户到基站的距离的关系图；

图7是高密度下每个用户分配到的功率与用户到基站的距离的关系图；

图8是低密度下能效与用户到基站的距离的关系图；

图9是高密度下能效与用户到基站的距离的关系图；

图10是低密度下每个次用户能效的累积分布函数图；

图11是高密度下每个次用户能效的累积分布函数图；

图12是本发明面向认知无线电网络的跨层干扰受限的功率分配方法的流程图。

【具体实施方式】

实施例1

本实施例设计的方法引入跨层干扰限制来保护网络中的次用户免受过多的干扰。引入虚拟队列的概念，将多用户争用信道导致的额外分组时延转化为了在信道对应的虚拟队列中的排队时延。主要涉及的实施操作有下垫式频谱共享的认知无线电网络模型构建，功率分配问题的问题转化以及具体的算法设计过程。

本实施例面向认知无线电网络的跨层干扰受限的功率分配方法，主要包括如下关键步骤：

第1、下垫式频谱共享的认知无线电网络模型结构的构建：

第1.1、建立传输功率模型pk,m,l，pk,m,l表示第l个子载波上分配的第k个小区内第m个次用户的功率；

第1.2、建立干扰温度限模型；

第1.3、建立信干噪比与传输速率模型；

第1.4、建立时延模型；

第2、目标函数问题转换：

第2.1、说明原目标函数为非凸函数，不能用凸优化方法求解；

第2.2、将原目标函数转化成凹函数除以凸函数的形式；

第3、算法设计：

第3.1、优化问题的确定，将第2步转换后的分数形式的目标函数利用dinkelbach方法转化为多项式形式，非线性分式规划问题max{rtot/ptot}可以等价转化为max{rtot-γptot}形式；

第3.2、根据凸优化理论，引入拉格朗日乘子λ1和λ2，建立优化问题的拉格朗日函数；

第3.3、引入拉格朗日对偶方法，通过相对于原问题而言计算复杂度相对较低的对偶问题的最优解求得原问题的最优解；

第3.4、采用次梯度算法替代梯度算法，迭代求得对偶问题的最优解。

其中，

步骤第1.1中建立了算法的传输功率模型，用pk,m,l表示第l个子载波上分配的第k个小区内第m个次用户的功率，则系统总传输功率ptot可以表示为

式中ξ表示功率放大器漏极效率的倒数，pc表示电路的功率消耗。

第1.2中、建立了算法的干扰温度限模型，权重向量由v＝[v0,v1]表示，干扰温度限制由主基站发送端对次用户接收端的干扰和不同小区的次基站发送端对次用户接收端的干扰两部分组成。不同小区的次基站发送端对次用户接收端的干扰表示如下：

式中gk′,m′,l表示在第l个子载波内第k′个次基站与第m′个次用户之间的信道增益。相应地，主基站发送端对次用户接收端的干扰表示如下：

式中gk,p,l表示在第l个子载波内主基站p和第k个次基站内的第m个次用户之间的信道增益。综上所述，第l个子载波上的第k个小区第m个次用户的干扰温度ik,m,l如下式所示

第1.3中、建立了信干噪比与传输速率模型，定义第k个小区内的第m个次用户发送端的信干噪比ψk,m,l表示如下：

式中n0表示一个子载波内的热噪声，gk,m,l表示第l个子载波上第k个小区的次基站与该小区内第m个次用户之间的信道增益。根据香农定理，系统的总数据传输速率rtot可表示为

式中b/l表示一个子载波内的传输带宽。

第1.4中、建立了时延模型，引入虚拟队列的概念，将mac协议中多用户争用信道fk导致的额外分组时延转化为了在信道fk对应的虚拟队列中的排队时延这样就可以使用排队论中的相关公式加以计算。最终将物理队列qjk的分组服务时间修正为分组传输时间与虚拟队列排队时间之和。虚拟队列的输入分组流是整个小区所有用户分配在信道fk上的传输速率的叠加，可以视为泊松过程，

在m/g/1排队系统中，假定第l个子载波上的第k个小区第m个次用户的服务时间为xk,m,l，xk,m,l是独立同分布的，并且与到达间隔相互独立。第k个小区的服务时间的均值和二阶矩为：

式中e[xi，m，l]表示第l个子载波上的第i个小区第m个次用户的期望服务时间。

根据p-k公式所述，m/g/1排队系统一个小区内的平均等待时间为

由上述p-k公式可得该系统一个小区内的平均时延为

式中为到达速率与服务速率之比，反映了系统的繁忙程度。当增加时，系统稳态时的用户数将随之增加；当趋于1时，系统稳态时的用户数将趋于无穷。如果则系统将来不及服务，必然会导致系统中的用户数趋于无穷大。

本实例中实验场景一共有两个，分别是400个用户的低密度场景和800个用户的高密度场景。在单个场景中，下垫式频谱共享的认知无线电网络由一个主基站、四个次基站和相应数目的用户组成。网络的大小为300m×300m，主基站pbs位于(150,150)，次基站数k＝4，分别位于(75,75)、(75,225)、(225,75)和(225,225)。由于次基站覆盖范围较小，因此基站天线的高度不可被忽略，本文设定主基站天线高度为50m，次基站天线高度为30m。次用户移动台的平均高度为1.5m。下垫式频谱共享的认知无线电网络的模拟图如附图2和附图3表示，图2为400个用户的低密度场景，图3为800个用户的高密度场景。系统总带宽b＝240khz，子载波数l＝16；功率放大器漏极效率的倒数ξ＝3.8，电路的功率消耗pc＝0.5w，干扰权重向量v＝[8.23×10^-1,8.81×10^-2]。

系统的信道增益设定为cost231walfishikegami模型。确切地有gk,m,l＝10^-φ(d)10。其中φ(d)＝φfsl(d)+φrts+φmsd(d)表示次用户与次基站间的路径损耗模型，φfsl(d)表示自由空间损耗，φrts表示屋顶和街道之间的衍射和散射损耗，φmsd(d)表示多径损耗，d表示次用户与次基站之间的距离。此外，系统热噪声的功率谱密度为-174dbm/hz；系统总功率消耗限制排队最大时延限制

步骤第2.1中，功率分配问题是一种非线性约束下的非线性规划问题，具体表达如下式：

因为目标函数的hesse矩阵不是半正定矩阵，故该目标函数为非凸函数，不能用凸优化方法求解。

第2.2中、将目标函数转化成凹函数除以凸函数的形式，如公式(10)所示，原目标函数的分子部分为凹函数，而分母部分无凹凸性，先进行一步的变量转换，即用将pk,m,l代替，则优化问题(10)表示如下：

步骤第3.1中，利用dinkelbach方法将优化问题(11)转化为多项式形式，非线性分式规划问题max{rtot/ptot}可以等价转化为max{rtot-γptot}形式。优化问题可以由下式表示：

第3.2中、根据凸优化理论，引入优化问题(12)的拉格朗日函数如下：

第3.3中、如果用遍历搜索方法寻找最优解，计算复杂度过高，引入拉格朗日对偶方法，可以有效降低计算的复杂度，拉格朗日对偶函数表示如下：

拉格朗日对偶函数的优化问题表示如下：

固定λ1，寻找使得l最小的向量λ2。对于向量λ2来说，对偶函数是凸函数，因此可以通过多维搜索来获取λ2，然而对偶函数不一定可导。

第3.4中、由于对偶函数不一定可导，采用次梯度算法来替代梯度算法。找到l的最小值之后继续寻找λ1的值。为使得系统的总功率得到充分分配，寻找λ1的过程采用基于次梯度算法的二分法搜索。此时得出的各次用户对应的功率即为功率分配问题的最优解。

本实例的仿真实验结果如下：

系统能效与迭代次数的关系如附图4所示。网络总用户数增加，系统总能效变差。在同一场景中，eepa的性能最优，其次是seepa，edpa和gpa较差。对于同一种算法，低密度场景中的系统总能效要高于高密度场景的总能效。本文给出的eepa和seepa两个算法均具有很快的收敛速度。

随着迭代次数的增加，系统总功率消耗情况如附图5所示。纵向比较，除gpa算法以外，其他三种算法在场景二的系统总消耗均多于场景一。

着眼于每个用户的功率分配情况，以用户到基站的距离为自变量，附图6和附图7表示出了每个用户分配到的功率与用户到基站距离的变化。从图中可以看出edpa为不同到基站的距离的用户分配的功率相等，而eepa和seepa为距离基站45米左右之内的用户分配功率，距离基站越近分配到的功率越多。距离基站过远的次用户，其信道状态差，所以不为其分配功率。

与附图6和附图7的功率——距离关系图不同，附图8和附图9表示了随用户到基站的距离增加，其能效的变化情况。随着用户到基站的距离的增加，耗费在链路传输中的功率随之增加，同时分配到的功率减少，用户的能效降低。在edpa的分配方案下，距离基站较近的用户与较远的用户被分配了相同的功率，这样距离基站较近的用户的能效会比距离基站较远的用户的能效高很多。相反地，eepa和seepa的功率分配显得更为合理，距离基站较近的用户分配相对较多的功率，其能量消耗也相对较多，而对距离基站较远的用户分配更少的功率甚至不分配功率，降低其多余能耗。此外，对于不分配功率的次用户而言，无论用哪种分配方法，其能效均相同，因此edpa算法为这部分用户分配功率没有实际意义。

附图10和附图11为网络中每个用户的能效的累计分布函数，该函数表示了对应不同能效值，每个用户能效大于等于该能效值的频率。edpa曲线最低，说明更多的用户被分配到了不合适的功率，导致其较低的能效。而eepa曲线的分布更为合理，算法为用户分配了更合适的功率值。