描述干 扰功率泄漏，将频谱问题转化为：
[0067]
(14)
[0068] 其中IIIIp表示求矩阵化obenius范数；C/ =公,,表示Bi正交补空间，即等效干扰 子空间矩阵。
[0069] 上述问题需要同时优化两组变量，可采取交替迭代的思想加W求解：
[0070] 1)固定各次用户的等效预编码矩阵Ak，则问题转化为
[0071]
[0072] 其中，tr(A)表示矩阵A的迹，a为一定固定常数。
[007引最优Cl是由化的N6a-di个最大特征值对应的特征向量构成的，其中 0
[0074] (16)
[007引。固定各次用户的等效干扰子空间矩阵Ci，利用下标k和1的对称性，可得：
[0076]
[0077] 则次用户1的发送机等效预编码Ak由0',的dk个最小特征值对应的特征向量构 成。
[007引 (1巧
[0079] 本实施例基于实施前提中的系统结构和信号模型，该是MIM0认知无线电网络的 基本模型。实施中的具体假设有；电磁波在传播过程中无衰减，信道满足块衰落特性，且矩 阵元素服从复高斯分布，主用户系统采用时分复用传输方式。
[0080] 次用户网络中有S对次用户共享频谱，各配有M=N= 8副天线，每对SU采用dk化 =1，2, 3)个子流传递信息；考虑在该频谱上只有一对PU接入，其天线配置为Ma=N。= 2， 上下行采用TDD方式传输数据，不妨设发送功率为单位1。仿真经过10000次蒙特卡洛实 现，每次次用户传输的数据长度为7200bit。
[0081] 图4给出了不同学习时间下利用最小描述长度方法估计主用户自由度的估计性 能对比。仿真结果表明，最小描述长度方法对主用户自由度的正确估计概率随次用户接收 信噪比的增加呈"S"型曲线。当信道学习时间为lOTs时，由于信道学习的时间太短，获取 的噪声特征值较为分散，估计性能受到严重影响。而对于信道学习时间大于lOOTs时，次用 户获得了足够干扰信道的信息，在0地W上基本上能够正确估计出主用户的自由度。实际 中，主用户自由度估计错误，可能会严重干扰主用户通信，尤其是欠估计（少估计了主用户 的自由度）的情况。因此，信道学习时间的设置建议不小于lOOTs。为了方面分析且不失一 般性，后续仿真均假设正确估计了主用户自由度。
[008引图5给出了不同信道学习时间下主用户的误码率性能曲线，其中（a)和图化）分 别针对次用户信噪比为10地和20地情况。仿真结果表明，不同的信道学习时间对主用户 通信质量的影响不同，尤其在信道学习时间为lOTs时，次用户的存在会严重阻碍主用户通 信。然而，如果次用户拥有足够的信道学习，即获得足够的干扰信道相关数据后，次用户能 够完全避免主用户干扰，素体算法的性能曲线接可W近于理想CSI的正交IA算法情况，说 明了算法利用信道学习可W实现抑制主用户干扰。同时，随着次用户数的接收信噪比增加， 信道学习时间长短的影响会被削弱。因此，为了有效减少对主用户的影响，次用户可W适当 增加信道学习时间或改善接收信噪比。
[0083] 图6给出了信道学习时间对算法的收敛性能的影响。仿真结果表明，信道学习时 间对算法的收敛速度和收敛精度有一定影响，但是影响不大。图7给出了不同信道学习时 间下次用户网络的和容量性能，并理想CSI下正交IA算法的性能对比。仿真结果表明所提 算法可W保证网络的和容量系能，不同信道学习时间的次用户网络容量基本与理想CSI情 况一致，只是在高信噪比下略有差别。该是因为与次用户接收噪声相比，虽然信道学习时间 对算法的收敛精度有一定影响，但是相比噪声可W忽略。因此，网络的平均吞吐量依赖于数 据传输时间，当总的帖周期（信道学习时间和数据传输时间之和）一定时，应该尽量减少信 道学习时间，来提高信道利用率及网络吞吐量。
[0084] 综合上述仿真分析可知；次用户网络作为频谱非授权网络，与主用户共享频谱 时，必须首先保证主用户通信，因此信道学习时间不应该太短。同时考虑到次用户网络性 能（收敛速度和容量）对信道学习时间不敏感，在本文仿真场景下信道学习时间可设置为 lOOTs。实际中，随着应用场景（天线配置、噪声方差等）变化，可W根据实际需求适当的调 整信道学习时间，从而兼顾对主用户干扰和次用户网络的传输效率。
[0085] 本发明并不局限于上述【具体实施方式】，本领域技术人员还可据此做出多种变化， 但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。
【主权项】
1. 一种MIMO认知无线电干扰网络中基于信道学习的频谱共享方法，其特征在于：包含 如下步骤： 步骤1.根据次用户通信需求和天线配置，确定各个用户的发送自由度dk，设置次用户 内部干扰门限rk，选择检测时间长度； 步骤2.次用户选择通信频段和信道学习时间，实时监听信道状态，利用 接收到的信号ylk(n)，计算采样协方差矩阵对采样 协方差矩阵元进行特征值分解，得 到特征值斗乜???A%和干扰信道的正交矩阵Ff，,并根据计算结果对 所选频段做调整，使得总子流数能够满足，其中，M。为主用户的天线个数； 步骤3.通过步骤2得到的干扰信道的正交矩阵，计算等效信道初始化等效预编码矩阵Ak(k= 1，2,…，K)，设置A=^，e2，…,erf(j，其中ei(i= 1，2,…，dk)为基本向量，Hlk为次用户干扰信道，计算等效 发送=Af-元和接收天线数= # -忌； 步骤4.通过等效信道及等效预编码矩阵Ak，计算，对 0进行特征值分解，取^T-di个最大特征值对应的特征向量构造等效干扰子空间矩阵C1; 步骤5.利用等效干扰子空间矩阵Q下标k和1的对称性，计算，对 < 进行特征值分解，取dk个最小特征值对应的特征 向量构造等效预编码矩阵Ak; 步骤6.通过步骤5得到的等效预编码矩阵Ak，计算用户的干扰协方差矩阵，若trace(Qk) <rk对成立，贝丨」尽=Cf，计算预编 码矩阵K '為和接收干扰抑制矩阵％ =以2)尽，结束；否则，返回步骤4,重新迭代计 算。2. 根据权利要求1所述的MIM0认知无线电干扰网络中基于信道学习的频谱共享方法， 其特征在于：步骤4中构造等效干扰子空间矩阵Q具体包含：根据交替最小化IA算法，通 过实际干扰信号空间与接收端预设干扰空间之间矩阵距离的Frobenius范数来描述干扰功 率泄漏，将频谱问题转化为：，其中，III|F表示求矩阵 Frobenius范数；C,=孕表示氏正交补空间，即得到等效干扰子空间矩阵C1;固定各次用 户的等效预编码矩阵Ak，将问题转化为其中，tr(A)表示矩阵A的迹，a为一固定常数，最优Cg由么的个最大特征值对应 的特征向量构成的，其中>即得到3.根据权利要求1所述的MIM0认知无线电干扰网络中基于信道学习的频谱共享 方法，其特征在于：步骤5中利用等效干扰子空间矩阵q下标k和1的对称性计算Qi 具体包含：固定各次用户的等效干扰子空间矩阵Q，利用下标k和1的对称性，得到，次用户1的发送机等效预编码Ak yi 由g的dk个最小特征值对应的特征向量构成，即得到
【专利摘要】本发明涉及MIMO认知无线电干扰网络中基于信道学习的频谱共享方法，通过分析接收的数据的二阶统计量获取需要的主用户干扰信道的空间特征，融合MIMO多子流传输和认知多信道切换技术，设计发送策略，避免对主用户的干扰，提高频谱共享效率；针对干扰信道状态信息缺失下次用户干扰网络与主用户系统共存问题，兼顾MIMO认知无线电网络的空间传输能力，融合主用户的信道切换能力，联合利用空间和频率资源的高效频谱共享方法，比以往单一资源利用方法的效率更高；分析了次用户通过设置信道学习时间对网络性能的影响，说明通过控制时间可以有效控制对主用户的干扰功率；从自由度检测性能、主用户误码率、算法收敛性和网络容量等多方面分析。
【IPC分类】H04W16/14
【公开号】CN104918261
【申请号】CN201510307075
【发明人】任修坤, 朱世磊, 胡捍英, 郑娜娥, 赵远, 陈松, 王盛, 李玉翔, 范立岩
【申请人】中国人民解放军信息工程大学
【公开日】2015年9月16日
【申请日】2015年6月8日