一种基于干扰转向的认知物联网干扰管理方法

：
1.本发明涉及的是认知物联网(cognitive iot，c-iot)多用户多数据流场景下一种基于时分双工(tdd)的等效干扰子信道干扰转向(tdd-ei-scis)、基于tdd的子信道干扰转向(tdd-scis)和部分干扰对齐(pia)的联合管理方法，具体涉及的是一种基于干扰转向的认知物联网干扰管理方法。


背景技术：

2.c-iot通过将人类认知过程整合到当前的物联网(internet of things,iot)中，被认为是解决频谱资源稀缺的一个有希望的解决方法。通过动态频谱接入(dsa)技术，允许c-iot设备(c-iot devices,c-iod)作为无许可证的用户(也称为认知用户(cognitive user,cu)，或辅助用户(secondary user,su))与授权用户(也称为主用户(primary user,pu))共享授权频谱，根据pu和cu共存的方式不同，dsa模型可分为机会频谱接入(osa)模型和并发频谱接入(csa)模型。osa模型下cu需要进行动态频谱控制，这给低成本的iot设备带来了负担。为了减轻这种负担，提出了cu与授权频谱中活动的pu共存的csa模型，其中cu发射机(cu-tx)需控制发射功率，使其对pu造成的干扰满足干扰温度条件，而cu接收来自cu-tx的所需信号往往被各种干扰信号淹没。人们通过在c-iot中引入干扰管理使cu和pu满足频谱共享的基本条件，即，cu访问频谱过程中不会对pu的服务质量(qos)产生不可接受的影响。
3.目前，现有的c-iot中消除干扰的方法多以ia为主，而且这些方法多以消除pu处遭受的干扰为主，忽略了cu处的性能要求以及认知网络中的干扰管理，导致认知网络的网络容量下降以及cu处的qos不能得到保证，并且ia的高度依赖于系统配置的参数，其适用性往往受到自由度的限制。


技术实现要素：

4.本发明的目的是提供一种基于干扰转向的认知物联网干扰管理方法，它将先进的is技术与ia相结合用于消除c-iot中的干扰以提高授权频谱利用率，并且在保证pu的qos不受影响的前提下，尽可能的提高cu的通信质量。
5.本发明解决其技术问题所采用的技术方案是：这种基于干扰转向的认知物联网干扰管理方法是基于认知物联网中干扰管理的联合管理方法，包括如下步骤：
6.步骤一、pu-tx和cu-tx之间共享信道状态信息csi和数据信息，其中，pu-tx的发射天线数为n
t,p
，cu-tx的发射天线数为n
t,c
，pu的接收天线数为n
r,p
，第n个cu为cun，cun的接收天线数为n
r,n
，且满足n
t,p
≥n
t,c
≥n
r,i
，其中i＝n,p，pu接收的期望信号为x
p
＝[x
p
(1),...,x
p
(k
p
),...,x
p
(k
p
)]
t
，其中，x
p
(k
p
),(k
p
∈{1,2,...,k
p
},k
p
≤n
r,p
)为pu接收到的第k
p
个数据符号，cun接收的期望信号为xn＝[xn(1),...,xn(kn),...,xn(kn)]
t
，其中，xn(kn),(kn∈{1,2,...,kn},kn≤n
r,n
)为pu接收到的第kn个数据符号；
[0007]
步骤二、根据pu-tx和pu之间csi通过构造hermitian半正定阵设计各自数据符号
的预编码向量和解码向量；
[0008]
步骤三、对认知网络中的每个cu划分对应的工作时隙，假设cu个数为n，总时间为t，认知网络中的总时隙数为n，每个时隙占用的时间为t/n，对于第n个cu，即cun，当第n个时隙为cun的工作时隙时，剩余的n-1个时隙均为其干扰时隙，此时根据cu-tx和cu之间csi通过构造hermitian半正定阵设计各自数据符号的预编码向量和解码向量，对于认知网络在其他n-1个工作时隙中的cu重复步骤四到步骤十一的操作；
[0009]
步骤四、对pu和cun受到分别来自cu-tx和主发射机(pu-tx)的多个干扰信号，首先采用tdd-ei-scis进行干扰管理，并将各自受到的多个干扰信号等效为一个有效的干扰信号；
[0010]
步骤五、cu-tx和pu-tx对等效干扰信号分别设计对应的转向信号和cu-tx发射的转向信号的预编码向量和发射功率开销分别为和pu-tx发射的转向信号的预编码向量和发射功率开销分别为和
[0011]
步骤六、判断是否满足pu-tx的发射条件，若满足，则使用tdd-ei-scis管理pu和cun处分别遭受的来自cu-tx和pu-tx的干扰信号；若不满足，cun仍使用tdd-ei-scis管理来自pu-tx的干扰，而pu处的干扰管理执行步骤七到步骤十的操作；
[0012]
步骤七、对pu遭受的来自cu-tx的多个干扰信号使用tdd-scis，每个干扰信号在pu-tx处所需的转向信号的预编码向量和发射功率开销分别为和其中，kn∈{1,2,...,kn}；
[0013]
步骤八、根据pu-tx的发射条件，对于满足条件的的组合所对应的数据符号xn(kn)构成的集合设为a，反之则为集合b；
[0014]
步骤九、对于集合a中的数据符号在传输过程中对pu造成的干扰采用tdd-scis进行干扰管理；
[0015]
步骤十、对于集合b中数据符号对应的干扰信号不能使用tdd-scis管理，需要使用pia将这部分干扰信号对齐到pu处设计的干扰子空间中，此时cu-tx需要调整这部分数据符号对应的预编码向量；
[0016]
步骤十一、cu-tx和pu-tx同时发射各自的转向信号和期望信号，cun和pu使用各自的解码向量恢复出期望信号。
[0017]
上述方案中步骤十具体为：
[0018]
假设b中的数据符号个数为ω，这部分数据符号的预编码向量zn(δ),δ∈ω组成的预编码矩阵为其中，δ的取值是非连续的，即，从原有的kn个数据符号中抽取了ω个；经pia处理后变为pu处设计的干扰子空间为
[0019]
pia下的预编码矩阵需要满足：
[0020]
[0021]
其中，为cap到pu的信道矩阵，使得有解的条件为rank(g
p
)＝rank(g
p
|δ)＝n
r,p
，当n
r,p
＝n
t,c
时，当n
r,p
＜n
t,c
时，的极小范数解为其中表示g
p
的伪逆；此时，应为n
t,c
×
(n
t,p-k
p
)维的矩阵，当ω≤n
t,p-k
p
时，pu处干扰子空间足够大，能够满足这ω个数据符号在各自的子信道上传输；当ω＞n
t,p-k
p
时，ω-(n
t,p-k
p
)个数据符号需要与前n
t,p-k
p
个数据符号共用子信道，所以的列数需要修改为min{ω,n
t,p-k
p
}；
[0022]
b中的部分干扰信号的pia约束条件应满足，
[0023][0024]
其中，为pu处前k
p
个解码向量f
p
(k
p
)构成的解码矩阵，为b中数据符号对应的解码向量组成的解码矩阵。
[0025]
本发明具有以下有益效果：
[0026]
1、提出的tdd-ei-scis解决了传统is技术(mtis、stis、ais)依赖于期望信号的转向方式的弊端，即，在多用户多数据流场景下转向后的干扰会对cu的参考期望数据流之外的其他数据流产生干扰影响，且当认知网络中存在多个cu时，传统is技术不能用于消除次用户之间的干扰，而tdd-ei-scis可以。
[0027]
2、针对c-iot中pu使用授权频谱的优先级高于cu的问题，在tdd-ei-scis的基础上，进一步提出了基于tdd-ei-scis、tdd-scis和pia的联合管理方法，解决了部分场景下在pu处使用tdd-ei-scis不能消除干扰的问题。
[0028]
3、本发明将先进的is技术与ia相结合用于消除c-iot中的干扰以提高授权频谱利用率，并且在保证pu的qos不受影响的前提下，尽可能的提高cu的通信质量。
附图说明：
[0029]
图1是本发明方法的流程图。
[0030]
图2是本发明方法应用的认知物联网系统模型。
[0031]
图3是本发明方法下系统中认知网络中cu和主网络中pu在t时间段内的频谱效率和信噪比snr的关系图。
具体实施方式：
[0032]
下面结合附图对本发明做进一步的说明：
[0033]
结合图1所示，这种基于干扰转向的认知物联网干扰管理方法是一种tdd-ei-scis的新型is方法，并且将之应用到c-iot中，进一步提出一种基于tdd-ei-scis、tdd-scis和pia的联合管理方法，具有针对性的消除c-iot中pu和cu受到的干扰，具体步骤如下：
[0034]
1.根据pu-tx和pu之间的csi设计预编码向量和解码向量；
[0035]
2.判断此时的cun是否处于其对应的工作时隙中；
[0036]
3.对于位于工作时隙中的cun，根据cu-tx和cun之间的csi设计预编码向量和解码
向量；
[0037]
4.使用tdd-ei-scis消除认知物联网中的干扰信号，pu-tx和cu-tx根据pu和cun处的等效干扰分别设计对应的转向信号的预编码向量和发射功率开销；
[0038]
5.判断pu-tx需要发射的转向信号的功率开销是否满足发射条件，若满足条件，则使用tdd-ei-scis管理pu和cun处分别遭受的来自cu-tx和pu-tx的干扰信号；
[0039]
6.当pu-tx需要发射的转向信号的功率开销不满足发射条件时，对于pu遭受到来自cu-tx的多个干扰使用tdd-scis和pia相结合的处理方法，cu处遭受到的来自pu-tx的干扰仍使用tdd-ei-scis处理；
[0040]
7.使用tdd-scis对多个干扰信号设计对应的转向信号的预编码向量和发射功率开销；
[0041]
8.判断并筛选出符合pu-tx发射条件的干扰信号对应的转向信号。符合条件的干扰信号对应的数据符号的集合为a，反之则为集合b。
[0042]
9.集合a中的数据符号在传输过程中对pu造成的干扰使用tdd-scis进行干扰管理，而集合b中数据符号使用pia调整其对应的预编码向量，将这部分数据符号对pu产生的干扰对齐到pu处设计的干扰子空间中。
[0043]
10.cu-tx和pu-tx同时发射各自的转向信号和期望信号，在cun和pu处使用各自的解码向量恢复期望信号。
[0044]
实施例：
[0045]
本实施例参考的系统模型如图2所示，考虑pu-tx工作在300m
×
300m的住宅区中，发射功率约30dbm，pu-tx覆盖范围下的路径损耗为pl
p
(db)＝140.7+36.7log
10
r(km)。cu-tx位于某栋房屋内，其无线电覆盖范围不超过50m，发射功率是20dbm，路径损耗为pln(db)＝61.38+17.97log
10
r(m)。的取值范围为-71dbm到20dbm，的取值范围为-91dbm到30dbm。为了表述清晰，采用还定义了和假设位于pu-tx到pu的距离与pu-tx到cun的距离相等，cu-tx到pu的距离与其到cun的距离相等，即，有pln＝pl
pn
和pl
p
＝pl
np
，这样可以在兼顾pu位于cu-tx覆盖范围的同时，保证了pu分布的随机性。根据以上参数设置，得ξ1∈[-101,111]db，由于在实际场景下，cu-tx不能靠近pu-tx部署，故本发明在仿真时设置ξ1∈[0.1,100]，并在蒙特卡罗模拟计算方法下进行了仿真。
[0046]
设置ξ1＝50,n＝3,kn＝3,k
p
＝3,n
r,n
＝n
t,c
＝n
r,p
＝n
t,p
＝6，认知网络中有三个认知用户，cu-tx向每个cu传输的期望数据符号个数均为三，pu-tx向pu传输三个期望数据符号，pu在每个时隙中受到cu-tx的三个干扰信号，cun在其工作时隙受到pu-tx的三个干扰信号。在以上仿真条件下，用本发明的方法确定认知网络中cu和主网络中pu在t时间段内的频谱效率(se)和信噪比snr的关系曲线，结果如图3所示，图3采用基于tdd-ei-scis、tdd-scis和pia的联合管理方法与单独采用tdd-ei-scis作对比，在此仿真条件下，联合管理方法中主网络中pu的se相比tdd-ei-scis提升了约43bit/s/hz，认知网络中cu的se相比之下降低了约17bit/s/hz，整个系统的总se由tdd-ei-scis下约137bit/s/hz提高到联合管理方法下约163bit/s/hz，结果表明，联合管理方法不仅改善了tdd-ei-scis下主网络的se，对认知网络
的影响不大，并且从整个系统的角度来看se提升显著。
[0047]
本发明在主网络中的主基站处进行预编码和功率控制，在认知网络中的主用户和次用户处进行解码，再配合tdd技术，以便消除次用户对主用户的干扰和次用户之间的干扰。
[0048]
以上所述为本发明的较佳实施例而已，但本发明不应该局限于该实施例和附图所公开的内容，此方法将在认知物联网干扰管理方面有重要的应用价值。所以凡是不脱离本发明所公开的技术方法下完成的等效或修改，都落入本发明保护的范围。