基于非正交多址接入的认知无线电能效功率分配方法与流程

本发明属于移动通信技术领域，特别涉及一种基于非正交多址接入(non-orthogonalmultipleaccess，noma)的认知无线电能效优化的功率分配方法。

背景技术

随着各种移动设备的大范围使用，当前的无线网络面临着进一步提升网络容量和可用频谱资源短缺的问题。然而到目前为止，静态的频谱资源分配导致严重的频谱短缺问题。因此为满足移动业务和用户连接的大量增长，因此提出了认知无线电技术。认知无线电技术通过允许认知用户(未授权用户)以某种方式接入主用户(已授权用户)的频谱进一步地提高系统性能。在认知无线电中，认知用户接入主用户频谱的方式有2种，一种是机会式，认知用户只有检测到主用户空闲时才能占用其频谱，因此需要考虑当发生漏检和错误检测时，认知用户功率对主用户功率的干扰；另一种是频谱接入式，认知用户和主用户共享同一频谱，但认知用户的接入用户数和发射功率受到主用户的最大干扰功率限制的约束。以上2种接入方式均需要考虑认知用户功率对主用户通信造成的干扰。因此为了提高认知网络的性能，功率控制问题对认知无线网络尤其重要。

当前，全世界整体能量消耗中，信息与通信技术所消耗的能量约占5％，能耗问题正成为社会经济发展的主要问题之一，所以如何在无线网络中提高能效成为一个重要的问题。在下一代通信中，非正交多址(non-orthogonalmultipleaccess，noma)有望成为最有潜力的一种接入技术。因此，将认知无线电与noma技术相结合并进行讨论是一种必然的趋势。为了进一步提高认知无线电网络的能效，将noma技术应用到频谱共享接入模式下的认知无线电网络中，其中认知用户以noma的方式的复用到主用户所在的子信道上。由于noma是一种通过功率域复用的多址技术，复用用户可通过不同的功率值在接收端区分目标信号和干扰信号，所以可通过功率分配算法进一步提高基于noma的认知无线电网络能效。传统的功率分配方法包括，全搜索算法，固定功率分配和分数阶功率分配算法。全搜索算法性能最优，但是复杂度极高；固定功率算法和分数阶功率分配算法则以较低的算法性能换取较低的算法复杂度。

技术实现要素：

针对上述问题，本发明提出一种基于非正交多址接入的认知无线电能效优化的功率分配方法，包括：

s1、根据每个主用户的干扰功率约束确定子信道最大传输功率的消耗率，根据每个复用的认知用户服务质量约束确定子信道最小传输功率的消耗率；

s2、以最大化系统能效为优化目标，以满足子信道最大传输功率的消耗率和子信道最小传输功率的消耗率为条件得到能效优化模型；

s3、基于凸差规划和归一化求解出子信道内认知用户的功率分配系数；

s4、采用charnescooper变换将分式规划问题转化为一个等效的凸问题，利用kkt条件和拉格朗日乘子法求解出子信道内最优功率消耗；

s5、基于子信道内最优功率分配系数和最优功率消耗确定子信道最优能效值，将认知基站内所有子信道最优能效之和作为系统的最优能效值。

优选的，所述子信道最大传输功率的消耗率包括

其中，表示子信道最大传输功率的消耗率，gm为认知用户基站到主用户m的信道增益，pm表示基站分配给该子信道的功率，im表示主用户可忍受的干扰功率限制。

优选的，子信道最小传输功率的消耗功率表示为：

其中，表示子信道最小传输功率的消耗功率，表示子信道m上认知基站分配给认知用户i的功率分配系数的最小值，l表示认知用户数量。

优选的，子信道m上认知基站分配给认知用户i的功率分配系数的最小值表示为：

其中，hi,m表示认知用户i在子信道m上的等效信道增益，pm表示基站分配给子信道m的功率，rmin表示认知基站为保证认知用户的通信质量所要求的子信道m上认知用户i的最小吞吐量值。

优选的，等效子信道吞吐量函数表示为：

其中，rm表示等效的子信道m的吞吐量，αj,m子信道m上认知基站分配给认知用户j的功率分配系数，m表示主用户数量，l表示认知用户数量。

优选的，所述能效优化模型包括：

其中，pm表示基站分配给子信道m的功率，θm表示子信道m上认知用户的功率消耗，pc表示固定电路损耗。

优选的，步骤s4包括根据凸差规划将最大化功率系数问题优化为最小化两个凸函数的差问题，求解第1个认知用户～第l-1个认知用户的最优功率分配系数，进而通过归一化公式求解出第l个用户的最优功率分配系数，最小化两个凸函数的差问题表示为：

第l个用户的最优功率分配系数表示为：

其中，αi,m^*表示子信道m上认知用户i的最优功率分配系数，θm^*表示子信道m上认知用户的最优功率消耗，q^(k)(α)表示第k次迭代时前l-1个用户的吞吐量，f(α)表示在没有同一子信道信号干扰情况下的前l-1个用户的吞吐量的负值，g(α^(k))表示在没有同一子信道信号干扰情况下的后l-1个用户的吞吐量负值，表示g(α^(k))的一阶导函数在α^(k)处的值，α＝[α1,m,α2,m,...,αl-1,m]^t表示前l-1个用户的功率分配系数，α^(k)表示第k次迭代的算法初始值。

优选的，步骤s4包括根据步骤s3得到的最优的功率分配系数代入能效优化模型，采用charnes-cooper变换将能效优化模型的分式规划问题转化为一个等效的凸问题，进而利用卡罗需-库恩-塔克kkt条件和拉格朗日乘子法，求解该等效的凸问题得出子信道内最优功率消耗率，引入两个变量y、t，令y＝tθm，此时将等效的凸问题表示为：

其中，表示在最优功率的分配系数处的凸问题的全局最优解，为以变量y、t表示的子信道m内认知用户i的最优功率的分配系数。

本发明在认知noma网络中基于能效的功率分配算法与分数阶功率分配方法相比，在保证认知用户的服务质量和系统公平的前提下，本发明的分配方法的平均能效性能优于分数阶功率分配方法。

附图说明

图1为本发明的基于noma的认知无线电能效功率分配算法下行链路模型图；

图2为本发明的能效优化功率分配算法的流程图；

图3为本发明平均能效和认知基站总功率的关系图。

具体实施方式

为使本发明的要解决的技术问题、技术有点和技术成效更佳清晰，以下将结合附图对本发明进行进一步说明，但是不作为本发明的限定。本发明还可通过不同的实施方式进行应用，对于发明中不同的观点和应用，在符合本发明基本精神下可进行合适的改变。

本发明一种基于非正交多址接入的认知无线电能效优化的功率分配方法，如图2，包括：

s1、根据每个主用户的干扰功率约束确定子信道最大传输功率的消耗率，根据每个复用的认知用户服务质量约束确定子信道最小传输功率的消耗率；

s2、以最大化系统能效为优化目标，以满足子信道最大传输功率的消耗率和子信道最小传输功率的消耗率为条件得到能效优化模型；

s3、基于凸差规划和归一化求解出子信道内认知用户的功率分配系数；

s4、采用charnescooper变换将分式规划问题转化为一个等效的凸问题，利用kkt条件和拉格朗日乘子法求解出子信道内最优功率消耗；

s5、基于子信道内最优功率分配系数和最优功率消耗确定子信道最优能效值，将认知基站内所有子信道最优能效之和作为系统的最优能效值。

图1给出了认知noma网络的下行链路模型图，在本发明实施例中，考虑在认知noma网络中认知用户以频谱共享模式接入主用户频谱，认知用户基站以单天线的方式在m个主用户已授权的子信道上传输n个认知用户的信号，在认知用户的接收端执行连续干扰消除(successineinterfereencecancellation，sic)，在本实施例中，将i记作认知用户i的索引，i∈{1,2,...,l}，将m记作主用户m的索引，m∈{1,2,...,m}，认知网络基站总功率为ptol，为了便于理解，假设主用户m所授权的子信道也记作m，即子信道m，若有l个认知用户同时以noma方式复用在子信道m上，则在子信道m上，认知用户基站所发送的信号为：

其中，xi表示认知用户i的信号，αi,m表示在子信道m上基站分配给认知用户i的功率分配系数，认知用户数l＜lmax，lmax为子信道m最大须臾认知用户数；pm表示基站分配给子信道m的总功率，则子信道m上所有认知用户发射的实施功率和pt表示为在子信道上，认知用户i接收到的信号yi,m表示为：

其中，gi,m表示子信道m上认知用户基站到认知用户i的信道增益，xp表示主用户基站发送的主用户m信号，pp表示主用户基站发送主用户m信号的功率，hi表示主用户基站到认知用户i的信道增益，ni,m表示在子信道上认知用户i接收端的高斯白噪声，为了简化符号，将接收端噪声与来自主用户的干扰功率定义为ni，表示为ni＝σ²+|hi|²pp,特别地，在没有特别说明的情况下，本发明中所有高斯白噪声均为均值为0、方差为σ²的高斯白噪声。

在接收端，所有用户执行连续干扰消除，即对于复用在子信道m上的用户而言，等效信道增益较强的用户可以译码等效信道较弱的用户信号，而信道增益较弱的用户只能间信道增益较强的用户信号视为干扰，在理想状态下，子信道m上认知用户i经过sic之后的信干燥比表示为：

其中，hi,m＝gi,m/ni，表示认知用户i在子信道m上的等效信道增益，表示子信道m上认知用户i经过sci之后的信干燥比。

根据香农公式，基于非正交多址接入的认知网络在子信道m上的总吞吐量表示为：

其中，ri表示子信道m上认知用户i的吞吐量。

假设子信道之间采用均等功率分配，认知基站分配给子信道的功率表示为由此可以得出子信道m上的能效为整个系统的能效定义为所有子信道能效之和，表示为能效最优化的问题可以表示为：

s.t.c1:

c2:

c3:

c4:

其中，约束条件c1为认知网络基站子信道总功率约束，约束条件c2为每个复用的认知用户的服务质量保护，约束条件c3为每个主用户可忍受最大干扰约束，约束条件c4为系统公平性保护；因为优化目标的分子中含有同一子信道的自其他用户对当前认知用户i的干扰项，所以该优化问题是非凸的，这导致很难在多项式时间内找到全局最优解，为了满足主用户和认知用户的服务质量，我们需要知道子信道功率消耗率分配的可行范围，仅当基站分配给子信道的功率消耗率满足这个范围时，系统才能够进行工作。

为了解决本发明的能效问题，下面给出基于能效优化功率分配策略的具体步骤：

1)确定子信道最大传输功率消耗率

在认知网络中，认知用户以频谱共享模式接入接入到主用户做授权的频带，所以需要保证所有复用的认知用户信号在主用户接收端产生的干扰要小于主用户m的干扰功率限制im，则认知基站在子信道m上的发送功率应该限制为：

其中，gm为认知用户基站到主用户m的信道增益，pt为在主用户所授权的频带m上所有复用的认知用户的实际发射功率和，在本发明中定义定义子信道m的功率消耗率θm为子信道m的实际发射功率pt与基站分配给子信道m的功率pm之比，表示为θm＝pt/pm，因此可以得到θm≤im/pmgm。

显然，所有复用的认知用户实际发送功率和要小于等于认知基站分配给子信道的功率，即pt≤pm，因此子信道上认知用户的最大功率消耗表示为：

2)确定子信道最小功率消耗率

为了保证所有认知用户的通信质量，所以将吞吐量作为服务质量衡量标准。若认知基站为保证认知用户的通信质量所要求的子信道m上认知用户i的最小吞吐量值rmin，则要求用户i的吞吐量要大于等于最小吞吐量：

其对应的最小功率系数可以表示为：

其中，

因此，最小子信道功率消耗率可以表示为：

由上式可知，子信道最小能效问题是一个凸问题，kkt条件是获得问题最优解的充分必要条件，通过kkt条件可得子信道最小传输功率系数的闭合表达式为：

因此，子信道最小功率消耗率的最优解的闭合表达式为：

3)对子信道吞吐量进行等效变形

为了便于分析最大化系统能效优化问题，将子信道吞吐量进行等效变形，此时等效变形后的子信道m上的总吞吐量rm表示为：

4)基于等效吞吐量公式得到系统能效优化模型

基于上述子信道吞吐量等效变形结果，系统能效优化模型可以改写为公式可以表示为：

s.t.c1:

c2:

c3:

只有当基站分配给子信道的能耗率满足θm^min≤θm≤θm^max，认知基站才会为认知用户提供服务，否则，认知基站就停止提供服务，此时系统能效为零。

5)采用凸差规划和归一化求解复用用户的功率分配系数

本发明采用凸差规划方法，将凸差规划应用拓展到多个用户，且仅求解前l-1个用户的功率分配系数，第l个用户的最优功率分配系数可通过归一化求解。

原始优化子问题为：

为了应用凸差规划，因此需将该问题转化为凸差的一般表达式，则有，此时：

其中，α表示用户的功率分配系数集合，表示为α＝[α1,α2,...,αk,...,αl-1]^t，αk表示第k个用户的功率分配系数。由于两个凸函数的差仍是一个非凸的问题，所以g(α)可以被替代，此时优化目标函数可以看做为在容忍误差范围内求解一个近似凸问题的全局最优解：

该近似的凸问题可用任何一种凸优化工具求解第1个用户～第l-1个用户的全局最优解功率分配系数，即之后，第l用户的最优功率分配系数为

其中，q^(k)(α)表示第k次迭代时前l-1个用户的吞吐量，f(α)表示在没有同一子信道信号干扰情况下的前l-1个用户的吞吐量的负值，g(α)表示在没有同一子信道信号干扰情况下的前l-1个用户的吞吐量负值，g(α^(k))表示在没有同一子信道信号干扰情况下的后l-1个用户的吞吐量负值，表示g(α^(k))的一阶导函数在α^(k)处的值，α＝[α1,m,α2,m,...,αk,m,...,αl-1,m]^t表示前l-1个用户的功率分配系数集合，αk,m表示子信道m上第k个用户的功率分配系数，α^(k)表示第k次迭代的算法初始值。

6)采用charnes-cooper变换求解子信道最优功率消耗率

本发明优化问题可以写为单变量的分数规划问题，对于单变量分数优化问题，在本发明中，采用charnes-cooper变换方法：

s.t.c1:θm≤θm^max

c2:θ≥θm^min

令g(θm)＝θmpm+pc，约束条件是凸集，如果优化目标的分子和分母分别是凹和仿射的，则可以应用charnes-cooper变换。很明显，优化目标的分母g(θm)关于θm是仿射的，因此只需证明分子是凹的。很明显，分子是严格凹的。charnes-cooper变换方法的基本思想是通过引入变量y＝tθm，θm作为单变量，并将式(13)中的分子、分母部分进行拆分；其构造后的优化问题可以写为：

s.t.c1:-y≥-tθm^max

c2:y≥tθm^min

c3:ypm+tpc＝1

很明显，新的优化问题的目标函数是凹的，约束集是凸的。因此，基于kkt条件和拉格朗日乘子法推导出子信道功率消耗率封闭表达式：

其中，

其中，hl为在子信道m上认知基站到用户l的信道增益；λ，μ，ν为拉格朗日乘子，表示q(αi^*(θm))的一阶导函数在αi^*(θm)处的值，q(αi^*(θm))表示基于凸规划的问题，αi^*(θm)表示以θm表示的子信道m内认知用户的功率最优的分配系数；(·)⁺表示非负函数。

7)系统最优能效

将上述步骤5)得到的子信道最优功率分配系数和步骤6)得到的子信道最优功率消耗率，可获得单个子信道的最优能效值，进而通过求和操作获得系统最优能效值。系统能效最优可以表示为：

为了进一步说明认知noma网络中基于能效的功率分配算法性能由于分数阶功率分配算，下面对本发明的能效优化功率分配算法进行仿真验证，图3为matlab环境下本发明平均能效与认知基站总功率的关系图。仿真参数设置如下：信道模型为频率选择性瑞利衰落信道，信道的功率分布为[0，-8.69，-17.37，-26.06，-34.74，-43.43]db，最大多普勒频移为5.55hz，功率域叠加用户数分别为2，3，4，系统带宽为4mhz，噪声密度为-75dbm/hz，主用户最大可忍受干扰功率阈值为-50dbm，信道估计为理想状态，路径损耗指数为4，认知基站总功率范围为0w到4w，电路损耗为1w。仿真结果表明，所提功率分配算法性能要优于分数阶功率分配算法。随着认知基站总功率的增加，系统平均能效从0开始也逐渐增大；但当认知基站总功率超过一定值时，平均能效率开始下降。这是因为当认知用户基站实际分配给认知用户的功率小于其所需的最小能效率时，基站不提供服务，此时系统能效为零。

本发明提出的基于noma的认知无线电能效功率分配算法首先根据主用户的最大干扰功率阈值和基站不完全发射全部功率约束确定子信道最大功率消耗率；其次，根据复用的认知用户的服务质量约束，确定子信道最小功率消耗率；然后根据复用的认知用户的最大最下功率约束和服务质量约束以及系统的公平性保护，构造系统能效优化问题；逐步求解子信道最优功率分配系数和子信道最优功率消耗率，从而获得系统最优能效值。

最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：rom、ram、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。