认知网中一种基于隐马尔可夫的多信道功率控制机制的制作方法

本发明属于一种无线通信技术领域，特别涉及认知网中一种基于隐马尔可夫的多信道功率控制机制。

背景技术：

认知无线电技术通过感知频谱空穴，使非授权用户能接入空闲的授权频谱进行通信，被认为是解决频谱利用率低问题的关键技术。在无线认知网中为提高频谱利用率，多信道接入机制允许多个非授权用户同时接入一个信道，但通信质量往往无法得到保证。而有效的功率控制机制能够降低干扰实现频谱共享。因此，合理的以多信道接入和功率控制为代表的频谱接入机制能在满足用户通信质量前提下，使资源得到充分利用，成为了无线网络研究中的重点与热点。

近年来，许多关于资源配置的文献使用博弈论进行功率分配并结合定价策略控制干扰，实现频谱共享提高频谱利用率。但其往往忽略了用户获取环境信息的非完全性,即实际环境中因感知能力和地理位置差异导致不同用户检测信道状态结果可能不同。若都理想化地假设每个用户得到的环境信息是相同的，这就使得的博弈信息与实际信息产生较大差异。而事实上博弈信息对博弈结果有着决定性的作用。因此本文从实际情况出发，考虑信息的非完全性，选取合理的价格函数在保证用户速率需求的同时实现非授权用户间的频谱共享。再根据不同用户信道检测结果的非独立性，引导出隐马尔可夫模型(hiddenmarkovmodel，简称hmm)，提出一种博弈式多信道功率控制机制。在该机制下，用户能对其他用户的判决结果作出准确推测，得到更真实的竞争对手集合，从而使用户做出更合理的决策提升总体性能。

技术实现要素：

针对现有技术中存在的技术问题，本发明提供在认知网中一种基于隐马尔可夫的多信道功率控制机制。在分布式多信道接入认知无线网中，为了更好的分配资源提高系统有效容量，保证用户速率需求，以用户判决信道状态结果的相关性，提出一种隐马尔可夫模型。该模型使得非授权用户可以根据自己判决结果去推测竞争对手的判决状态，从而得到跟自己有真正竞争关系的用户集，再进行博弈时能够选取更优的发射功率。该机制不仅提高了系统的有效容量，而且保证了更多的用户能达到速率需求。

本发明所提供的一种基于隐马尔可夫的多信道功率控制机制，其模型为：

有若干授权用户和n个认知用户的认知网络。其含有k(k≤n)个不重叠的信道。用ωn＝{1,2,...n}和ωk＝{1,2,...k}分别代表认知用户集合与信道集合。频域信道包含“忙”和“闲”两种状态，可建立为两状态马尔可夫链。状态间的转换依赖于授权用户是否占用信道。用状态0表示信道的“忙”状态，此时认知用户不能接入信道，状态1则表示信道的“闲”状态，认知用户可以使用信道传输数据。认知用户是否接入信道取决自己的判决结果，由于每个认知用户独立检测信道状态，导致检测结果存在差异。当认知用户i判定结果为0时，别的用户检测结果可能为0也可能为1。用o表示每个用户检测信道的占用状态。oi(k)＝1即代表用户i检测信道k状态为空闲，可以接入。

假设认知用户处于静止或移动速度缓慢，且在一帧的时间内信道的增益不变。认知用户在时隙的开始依次在规定时间内对信道进行检测，并通过hmm模型得出每条信道上竞争对手集合，再利用推测出的博弈信息完成功率调整并进行数据传输。

认知用户i在信道k上的sinr表达式为：

其中pi(k)表示用户i在信道k上的发射功率；hii(k)是用户k在信道k上的增益；信道k上的背景噪声为n0；其在信道k上受到的干扰和噪声总和为：

本发明所提供的一种基于隐马尔可夫的多信道功率控制机制，其特征在于：

根据用户判决信道状态结果的相关性，提出一种隐马尔可夫模型；

选取合理的价格函数，有效地抑制非授权用户的自私行为；

将用户信道接入建模为非合作博弈；以及

基于隐马尔可夫的多信道功率控制。

其中，所述步骤“隐马尔可夫模型”包括：

当认知用户i接入信道时，假设其受到的临道干扰可以小至忽略，则它受到的干扰只来自于同一信道上的其他用户。由式(1)可知，其他认知用户的发射功率影响着i的信干噪比。因此，i在得到可用信道集合的同时，需要知道集合中每条信道上跟自己有真正竞争关系的用户身份，即和自己有相同判决结果的用户。之后得到每条可用信道上竞争对手集合。然而由于现实环境中信息的非对称性，认知用户不能直接获得其他用户的判决结果，但为了使博弈信息更加准确，只能靠自己的判决结果去推测同一条信道上其他用户的判决信息。

事实上只有当信道的真实状态为1，且用户判决结果为1时，用户才能有效的接入信道。而在现实环境中，由于用户的感知能力和环境的差异，即使信道的真实状态为0，用户的判决结果依旧有可能为1，此时接入就会对主用户造成不必要的干扰，影响其传输。用表示信道k的真实状态，记表示认知用户i在信道k的状态为时判决为oi(k)的概率，也即为用户的判决能力。

在现实系统中，认知用户i和j同时检测信道，它们之间的检测结果非独立，利用和检测结果相关性建立hmm模型，即

认知用户i通过自身对信道状态的判决结果预测竞争对手判决的信道状态可建为隐马尔可夫模型。

其中，所述步骤“合理的价格函数”以及步骤“将用户信道接入建模为非合作博弈”包括：

在大多数分布式认知网络中，用户之间不合作，每个参与者都企图将自己的容量最大化，因此可将这种行为建模为非合作博弈。该非合作博弈表示为g＝{i,pi,ui}，参与者是网络中参与博弈的认知用户。用户i的行为空间可以表示为pi＝[pi(1),pi(2)...,pi(k)]，即为i在各个信道上的发射功率。ui(pi,p-i)表示用户i的效用函数，其与i的行为集pi(k)以及其他用户的行为集p-i(k)有关。本文以认知用户i获得的容量作为其效用函数ui：

该效用函数在多次迭代后达到纳什均衡。但在非合作博弈中，每个参与者都自私地最大化自己的收益，这使得该ne远离帕累托最优。为了获得更高的网络容量，引入定价机制来约束认知用户在使用信道时的自私行为。根据可知为了使ne逼近帕累托最优，价格因子ai(k)必须满足以下形式：

ai(k)即表示为：

此时，效用函数可更新如下：

再结合约束条件(1)(2)，本文提出的优化模型可表示为：

采用拉格朗日乘子法求解式(6)的极值，其拉格朗日函数表示为：

由kkt条件可得：

解的最优解为：

可以简化为：

其中，所述步骤“基于隐马尔可夫的多信道功率控制”包括：

附图2表明了该多信道功率控制机制的流程。首先是认知用户i在t1时间内对信道k进行检测和判决，之后利用hmm推测该信道上其他用户的判决结果。检测完所有信道后得可用信道集合和真正竞争对手集合ωi＝[ωi(1)，...ωi(k')],k'≤k。然后用其推测出的信息进行迭代求解其中，ε＞0为控制误差，t为迭代次数，当满足步骤(6)时迭代结束。

根据以上接入流程，每个认知用户首先初始化功率，计算在各个信道上的代价，并使用基于hmm的价格迭代算法(hmm_pa)来达到纳什均衡，得到信道与功率分配方案。

附图说明

图1是本发明的网络框架图

图2是本发明所述基于隐马尔可夫的多信道功率控制流程图流程图。

图3是本发明有效容量随认知用户数的变化仿真比较图。

图4本发明达到速率需求用户数随认知用户的变化仿真比较图。

图5本发明认知用户速率保证率随用户数的变化仿真比较图。

图6本发明算法收敛性的比较仿真比较图。

具体实施方式

该网络采用分时隙系统，若在某个时隙有多个信道空闲，为了提高频谱利用率，允许多个认知用户同时使用一个信道，一个认知用户也可以同时接入多个信道，如附图1所示。在每个时隙的开始，认知用户依次对k个信道进行频谱检测，每个信道的检测时长分别为[t1,t2...tk]。并且为了使认知用户共享频谱的同时保证自身的通信质量，用户必须遵守以下约束条件：

1)认知用户的传输功率不能超过其功率上限即用户i在信道k上的传输功率需满足pi(k)≥0，

2)传输速率门限r^th。为保证通信质量，认知用户在可用信道上传输速率r必须满足r≥r^th。否则该用户不但无法得到预期收益，并且还会对其他用户产生不必要的干扰。

其隐马尔可夫模型的具体包括：

该隐马尔可夫模型的隐藏状态为认知用户在某一信道上要推测的竞争用户对信道状态的判决结果sx∈s＝{s0＝0,s1＝1},(x＝0,1)，认知用户i自己对对该信道状态的判决结果作为隐马尔可夫预测模型的观测状态。该hmm可以简记为λ＝{π,a,b}，由以下三部分组成：

(1)π＝[π0,π1]为该模型隐状态的初始状态分布概率。

(2)a＝{axy}为每个认知用户对信道状态判决结果的转移概率矩阵，axy＝p(st+1＝sy|st＝sx),(sx,sy∈s)表示认知用户在第t时隙判决信道状态为sx时，在t+1时隙的判决结果为sy的概率。

(3)b＝{bm(n)},(m,n＝0,1)，表示认知用户推测某一竞争对手判决状态序列为sm时自己的判决结果为on的概率。其中bm(n)＝p(o＝on|s＝sm)。

认知用户得到自己观测状态序列后，再利用viterbi算法对最有可能的隐藏状态序列即竞争对手的判决结果进行求解。

将认知用户利用上述hmm模型推测同一条信道上其他用户判决结果的过程记为hmm_ap方法。

基于hmm的价格迭代算法具体实施步骤：

1)时隙开始，认知用户检测信道并用hmm方法进行预测，得可用信道集合和竞争对手集合ωi＝[ωi(1)，ωi(2),...ωi(k')],k'≤k

2)初始化迭代次数t＝0，最大迭代次数t＝20

3)t＝t+1

4)fori＝1:ndo

5)fork＝1:k′do

6)利用ωi估算干扰和噪声之和mi(k)

7)根据式(6)计算价格函数ai(k)

8)endfor

9)计算该轮的最优功率

10)endfor

如果满足或t≥t,以功率传输数据。否则转至2

系统仿真

假设在一个认知网中存在n个认知用户随机分布在已基站为中心的500m×500m矩形区域内。网络中包含了10个授权信道，每个信道的带宽都为1mhz，最小速率门限r^th为30mbit/s，用户对每条信道的判决能力都为每个认知用户发最大发射功率为0.8w，其初始功率都为0w；每个信道上的噪声功率为n0＝5×10^-9w，信道增益为hi＝0.0097×di，di为用户i到基站的距离，阴影衰落建模及参数选择参考文献[16]，多径衰落模型参考3gppts25.102标准。设一帧包含20个时隙，每时隙长10ms，一个时隙内授权用户与认知用户的工作状态不会改变，迭代最大次数l＝20。

假设非授权用户的基站可以获得每个用户的判决能力即然后一次性把这些信息广播给所有认知用户。再依据贝叶斯和全概率公式得认知用户i对某一信道判决结果为oi时，用户j的信道状态判决为oj的概率为：

图3是几种方法下系统有效容量的对比。所谓有效容量是指达到速率需求的认知用户速率之和。其中，hmm_ap、map_ap、pdpa方法使用相同的效用函数，但pdpa方法中并没有考虑速率约束。而pdpa和jpra方法不进行预测，始终认为信道上其他用户跟自己有一样的判决结果。由于hmm_ap和map_ap方法都对竞争对手进行的预测，同时它们的约束条件中加入了最小速率的限制充分考虑了用户的速率需求，因此获得的系统有效容量与pdpa和jpra方法相比有明显的提升。而hmm_ap相对于map_ap方法，前者应用观测序列状态进行推测，后者只利用当前时刻的信息进行推测，其结果无法得到修正。因此,hmm_ap方法效果最好。

图4给出了几种方法下速率需求得到保证的认知用户数变化情况。可以看出随着认知用户的增加，质量得到保证的用户成上升趋势，但在到达一定程度后趋于平缓。这是由于总的信道数和功率上限不变，用户数的增多导致信道上竞争用户之间的干扰加大，降低了用户的收益，因此质量得到保证的用户数增加幅度变小直至饱和。相应的图5中通信质量保证率也成下降趋势。这也表明了认知网中可以承载的用户数是有上限约束的。相比之下，hmm_ap和map_ap方法的效果都要好于pdpa和jpra方法，这是因为前两种方法都推测了干扰用户数，降低了用户间的干扰使用户的收益增高，提升了通信质量得到保证的认知用户个数。相比于使用当前时刻信息进行预测的map_ap方法，hmm_ap推测结果更加准确，因此效果也就更好。

图6对比40个认知用户时hmm_ap、pdpa、wf三种方法的收敛性。其中，wf方法为迭代注水算法，其不包含价格函数和最小速率的约束。可以看出，hmm_ap的收敛速度都要快于wf和pdpa，这是因为如果用户在信道上的收益不能满足最低速率需求就会放弃本次接入，避免影响其他用户的传输。随着迭代的进行可用信道数目变少，导致其收敛速度加快。而随着认知用户数的增加，用户间干扰也同时增强，hmm_ap和pdpa方法则选取了合理的代价函数，降低了用户间的干扰，而wf算法并没有考虑这一点，因此系统容量要低于前两者方法。