一种干扰有限的中继用户功率控制方法

技术领域

本发明属于无线通信与通信信号处理技术领域，特别涉及一种适用于下一代移动通信网络的干扰有限的中继用户功率控制方法。

背景技术

由于受频谱资源短缺的困扰，认知无线电(Cognitive Radio，CR)技术被提出用于二次接入已分配的授权频谱，作为面向未来的通信技术目前正受到广泛的研究。典型的CR场景中存在两类用户，认知用户或称为次用户(Secondary User，SU)与授权用户或称为主用户(Primary User，PU)，其中SU的接入优先级较低，只可以在不影响PU的正常通信行为的前提下与之共享频谱资源。为保障SU网络与PU网络的有效共存，SU网络需控制所有SU发送端对PU接收端的叠加干扰，使其限制在一个PU可接受的干扰门限内，这种干扰功率限制通常被称为干扰温度(InterferenceTemperature)约束。

对于由一对源-目的节点构成的SU链路来说，由于受到上述干扰温度约束，SU源节点的发送功率常常受到极大的限制，即使在信道质量良好的情况下也无法达到建立链路连接所需要的最小信噪比(Signal-to-Noise Ratio，SNR)或信息速率。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，面向下一代无线通信网对PU干扰有限的要求，提出了一种基于粒子群优化(Particle SwarmOptimization，PSO)的低复杂度功率控制方法来最大化SU接收节点的信噪比。

为了解决上述技术问题，本发明公开了一种干扰有限的中继用户功率控制方法，包括以下步骤：

步骤(1)：采集源节点S与中继节点、源节点S与主用户、中继节点与目的节点D以及中继节点与主用户之间的信道状态信息，测量目的节点与中继节点端的噪声功率；信道状态信息与噪声功率表示如下：源节点S与第i个中继节点之间的信道状态信息为f_i,i＝1,2,...,L、源节点与主用户之间的信道状态信息为h₀、第i个中继节点与目的节点之间的信道状态信息为g_i、第i个中继节点与主用户之间的信道状态信息为h_i，其中L表示信道总数；目的节点D的噪声功率为第i个中继节点的噪声功率为

步骤(2)：产生N个粒子，N的取值范围为5到50；设置每个粒子j的初始位置初始速度v^j＝0；其中rand(0,a)表示在区间[0,a]内均匀分布的随机数,P_int为干扰门限；

步骤(3)：基于每个粒子位置计算最优协作波束赋形权值，并评估自身所处位置处的适应度函数值

步骤(4)：比较每个粒子适应度函数值与粒子自身最优位置处的适应度函数值若则进行赋值对初始位置处的粒子，有$>P_0^{j,\mathrm{pbest}}=P_0^j,\mathrm{SNR}\left(P_0^{j,\mathrm{pbest}}\right)=\mathrm{SNR}\left(P_0^j\right);$>

步骤(5)：所有粒子比较粒子自身位置处的适应度函数值，选择具有最大值的粒子的个人最优位置为全局最优即令P₀表示源节点S的发送功率；表示第j个粒子的个人最优位置；

步骤(6)：判断是否满足停止条件，若满足停止条件，停止并输出若不满足，返回步骤(3)；

步骤(7)：更新每个粒子的速度与位置。

本发明步骤(3)中，

通过对式进行特征值分解，计算最大特征值所对应的特征向量u_max作为最优协作波束赋形权值；

参数D_h、D_n、D_g定义为：

$>D_h\stackrel{\Delta }{=}\mathrm{diag}({\left|h_1\right|}^2,...,{\left|h_L\right|}^2),$>

$>D_n\stackrel{\Delta }{=}\mathrm{diag}({\sigma }_{n_1}^2,...,{\sigma }_{n_L}^2),$>

$>D_g\stackrel{\Delta }{=}\mathrm{diag}({\left|g_1\right|}^2,...,{\left|g_L\right|}^2);$>

diag(|h₁|²,...,|h_L|²)表示对角元素由向量|h₁|²,...,|h_L|²中元素构成的对角矩阵，

表示对角元素由向量中元素构成的对角矩阵，

diag(|g₁|²,...,|g_L|²)表示对角元素由向量|g₁|²,...,|g_L|²中元素构成的对角矩阵，

符号||表示模运算；

参数R_gf、R_hf定义为：

符号⊙表示舒尔-哈达玛积，符号()^H表示共轭转置，

参数f、g、h分别为$>f\stackrel{\Delta }{=}{[f_1,...,f_L]}^T,g\stackrel{\Delta }{=}{[g_1,...,g_L]}^T,h\stackrel{\Delta }{=}{[h_1,...,h_L]}^T,$>T表示转置；

本发明步骤(3)中，评估自身所处位置处的适应度函数值采用如下公式：

$>\mathrm{SNR}\left(P_0^j\right)=\frac{P_0^j{u_{\max }}^H{R}_{\mathrm{gf}}{u}_{\max }}{{\sigma }_{n_0}^2+{u_{\max }}^H{D}_g{D}_n{u}_{\max }}\text{.}$>

本发明步骤(7)中按照以下方法更新每个粒子的速度v^j与位置

$>\left(\begin{array}{c}{v}^j\leftarrow {\left[\chi (v^j+\mathrm{rand}(0,{\phi }_1)(P_0^{j,\mathrm{pbest}}-P_0^j)+\mathrm{rand}(0,{\phi }_2)(P_0^{\mathrm{gbest}}-P_0^j))\right]}_{-v_{\max }}^{v_{\max }}\\ P_0^j\leftarrow {[P_0^j+v^j]}_0^s\end{array}\right),$>

其中χ为约束系数，用于约束与控制粒子的速度，设置φ₁＝φ₂＝2.05，χ≈0.7298；v_max为粒子的最大速度，设置v_max＝s；符号表示限制a使其处于b与c之间，即：

本发明考虑基于同步放大转发(Amplify and Forward，AF)协议的SU中继网络，即认知中继网络，利用多个SU中继节点通过协作波束成形的方式转发SU源节点信号至SU目的节点，来提升SU链路的传输性能。其信号传输过程分为广播与中继两个阶段，第一阶段，SU源节点广播信号给SU中继节点；第二阶段，所有SU中继节点对接收到的混有噪声的源节点信号乘以复数波束成形权值，同时转发至SU目的节点。

本发明中提出的通过给不同用户分配正交的空间复用向量使得对PU的干扰有限，能够满足下一代认知蜂窝网对PU干扰控制的要求。通过实验表明，本发明中提出的基于PSO的低复杂度功率控制算法能够取得优异的性能。

为验证本发明中提出的基于PSO的功率控制算法的性能，仿真中使用4个SU中继节点，1个PU接收节点。我们使用了如图2中所示的一维拓扑，所有的节点被认为处在同一纵坐标0上，SU中继R与PU处于SU源S与目的D之间，且认为所有的R具有同一横坐标。假定节点间信道经历瑞利衰落，产生独立同分布的0均值单位方差循环平稳复高斯随机变量作为初始信道系数与如表1所示。路径损耗系数α为3.5，仿真中使用的信道系数{f_i}{g_i}{h_i}由经过路径损耗得到。简单起见，假设各SU中继节点与目的节点的噪声与干扰之和的功率相等且归一化为1，设置干扰门限P_int的值为噪声与干扰之和功率的倍数。

表1 随机信道系数列表

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为认知中继网络场景框图。

图2为一维拓扑结构。

图3a为5个粒子轨迹图。

图3b为最优解与最优值随迭代的变化图。

具体实施方式

本发明考虑的下一代无线通信网络的中继通信场景，如图1所示，包含SU源节点S、SU目的节点D、L个SU中继节点{R_k}以及存在于SU网络附近的1个PU节点PU。节点间的信道为频率平坦慢衰落的且在一次优化过程中保持不变，f_k、g_k与h_k分别表示S与R_k之间、R_k与D之间以及R_k与PU之间的复信道系数，h₀表示S与PU之间的复信道系数。所有节点都装备单根用于收发信号的全方向天线且工作于半双工模式。由于干扰温度约束导致发送功率受限或(与)信道质量差的原因，S与D的直接信号传输很微弱，S借助于邻近的SU节点中继转发数据信号至D来建立链路连接。

本发明中使用的技术方案包含两部分内容，分别是源发送功率给定时的最优协作波束赋形技术与基于PSO的低复杂度最优源发送功率控制算法。

(1)最优协作波束赋形技术

本发明中提出了一种适用于认知中继网络的协作波束赋形技术，源节点利用多个中继节点通过协作波束赋形技术来传输信号至目的节点。在此方案中，为便于目的节点的信号接收，波束赋形向量的选择需使得目的节点的接收信噪比最大化；同时为了不影响PU正常通信，还需使得对PU的叠加干扰低于一给定门限值。

令P₀表示S的发送功率，表示中继节点R_k采用的复数波束成形权值，用于对接收到的信号进行放大与相位调整。则目的节点D的接收信噪比可表示为：

$>\mathrm{SNR}=\frac{P_0{w}^H{R}_{\mathrm{gf}}w}{{\sigma }_{n_0}^2+w^H{D}_g{D}_{n}w}$>

其中R_gf被定义为⊙表示舒尔-哈达玛积，w、f、g分别被定义为$>w\stackrel{\Delta }{=}{[w_1,...,w_L]}^T,f\stackrel{\Delta }{=}{[f_1,...,f_L]}^T,g\stackrel{\Delta }{=}{[g_1,...,g_L]}^T,$>(·)^H表示共轭转置。D_n、D_g被分别定义为$>D_n\stackrel{\Delta }{=}\mathrm{diag}({\sigma }_{n_1}^2,...,{\sigma }_{n_L}^2),D_g\stackrel{\Delta }{=}\mathrm{diag}({\left|g_1\right|}^2,...,{\left|g_L\right|}^2),$>diag(a)表示对角元素由向量a中元素构成的对角矩阵。为目的节点D的噪声功率，为中继节点R_k的噪声功率。则在对PU有限干扰的条件下，中继节点的最优协作波束赋形问题可被表述为

$>\left(\begin{array}{cc}\underset{P_0,w}{\max }& \mathrm{SNR}\end{array}\right)$>

$>\left(\begin{array}{cc}s.t.& \frac{1}{2}(P_0{\left|h_0\right|}^2+w^H(P_0{R}_{\mathrm{hf}}+D_h{D}_n)w)\le P_{\mathrm{int}}\end{array}\right)$>

其中R_hf被定义为h被定义为D_h被定义为P_int为干扰门限。约束条件表示认知中继网络对PU的有限叠加干扰。

为最大化目的节点的接收信噪比，中继节点需要选择合适的波束赋形权值，给定任意发送功率时中继节点的最优协作波束赋形权值可通过如下方法计算：

对式进行特征值分解，计算最大特征值所对应的特征向量，此特征向量即为所求给定发送功率时的最优协作波束赋形权值。

(2)低复杂度最优源发送功率控制算法

源节点的发送功率的选择同样会影响到目的节点的接收信噪比。令SNR(P₀)是一个表示最优CB下SU目的节点端的SNR随P₀变化关系的函数，令s表示SU源节点能够使用的发送功率的上界，即s∈[0,2P_int/|h₀|²]，则最优P₀的选择可被看做下面的优化问题

max SNR(P₀)

s.t. P₀∈[0,s]

由于SNR(P₀)不是一个关于变量P₀的简单函数，其与P₀间的关系是隐藏的，我们无法知道SNR(P₀)的性质，如导数、极值点个数等，因而基于梯度或线性搜索的常规优化方法(如最速下降、黄金分割)无法适用。

为解决上面的问题，本发明中提出了一种随机进化计算方法—PSO方法来进行功率控制。这种方法的优点在于其只需要知道目标函数的函数值且能够很好的避免收敛于局部最优解，而且相对于其他的进化算法，如遗传算法，具有更好的计算效率，能够更快的收敛到全局最优解。

在PSO中，一定数目的实体，即粒子，被放置于待解决优化问题的搜索空间内，每个粒子的位置坐标即为问题的一个可行解。在一次迭代中，每个粒子评估当前位置的适应度函数值(即优化问题的目标函数值)，然后通过联合比较自身以及其他粒子的当前位置与个人最优位置，并加以一定的随机扰动，决定下一步的移动。当所有粒子都移动之后，进行下一次的迭代，直至最终整个粒子群移动到最优解附近的位置。

具体实施方式如下：

步骤(1)：采集源节点与中继节点、源节点与主用户、中继节点与目的节点以及中继节点与主用户之间的信道状态信息f_i,i＝1,2,...,L、h₀、g_i,i＝1,2,...,L以及h_i,i＝1,2,...,L。

步骤(2)：产生N个粒子，N的取值为5到50之间。设置每个粒子j的初始位置初始速度v^j＝0。其中rand(0,a)表示在区间[0,a]内均匀分布的随机数。

步骤(3)：每个粒子基于不同的位置对式进行特征值分解，计算最大特征值所对应的特征向量u_max作为协作波束赋形权值，并评估自身所处位置处的适应度函数值

步骤(4)：每个粒子比较适应度函数值与个人最优位置处的适应度函数值若则对初始位置处的粒子，有$>P_0^{j,\mathrm{pbest}}=P_0^j,\mathrm{SNR}\left(P_0^{j,\mathrm{pbest}}\right)=\mathrm{SNR}\left(P_0^j\right).$>

步骤(5)：所有粒子比较个人最优位置处的适应度函数值，选择具有最大值的粒子的个人最优位置为全局最优即令

步骤(6)：判断是否满足停止条件，若满足停止条件，停止并输出通常停止条件为满足一定的迭代次数(一般设置为50次)或算法停滞。若不满足，返回步骤(3)。

步骤(7)：按下面的式子改变每个粒子的速度与位置

$>\left(\begin{array}{c}{v}^j\leftarrow {\left[\chi (v^j+\mathrm{rand}(0,{\phi }_1)(P_0^{j,\mathrm{pbest}}-P_0^j)+\mathrm{rand}(0,{\phi }_2)(P_0^{\mathrm{gbest}}-P_0^j))\right]}_{-v_{\max }}^{v_{\max }}\\ P_0^j\leftarrow {[P_0^j+v^j]}_0^s\end{array}\right)$>

其中χ为约束系数，用于约束与控制粒子的速度，设置φ₁＝φ₂＝2.05，χ≈0.7298；

v_max为粒子的最大速度，设置v_max＝s；表示限制a使其处于b与c之间，即

图3a和图3b所示为P_int＝4时通过约束系数PSO算法计算最优SU源发送功率的迭代过程，使用了50个随机初始化的包含5个粒子的粒子群，ε设置为10^-3。图3a所示的为5个粒子的轨迹，图3b所示的为最优源节点发送功率相应的最大SNR值随迭代的变化过程，仿真结果使用了50次试验取平均。从图中可以看出，约束系数PSO算法具有快速的收敛特性，平均需要12次左右的迭代可得到最优SU源发送功率为最优协作波束赋形权值为

w^*＝(0.0906+0.0495i 0.1534-0.1957i 0.2069-0.0818i 0.1659)^T

此时源节点与中继节点对PU产生的干扰为4，满足有限干扰约束。

本发明提供了一种干扰有限的中继用户功率控制方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。