[发明专利]一种基于联合极化适配和波束赋形处理的极化‑空域频谱共享方法

摘要

本发明公开了本发明的一种基于联合极化适配和波束赋形处理的极化‑空域频谱共享方法，包括步骤一对SU和PU进行极化域和空域信号表征；步骤二计算授权频谱处于每种可能状态的概率；步骤三利用步骤三得到的结果计算每种授权频谱状态下SU的吞吐量，进而计算涉及所有授权频谱状态的SU加权吞吐量；步骤四得到对PU无干扰的SU发送极化状态；步骤五以SU加权吞吐量为优化目标，以SU的接收极化状态和波束赋形向量为待求解变量，采用群智能算法求解二次型分式优化问题。本发明由于能使多对SU和PU同时共存于同一授权频段，频谱效率得以更大幅度的提升。

主权项

一种基于联合极化适配和波束赋形处理的极化‑空域频谱共享方法，包括如下步骤：步骤一：对SU和PU进行极化域和空域信号表征；假设授权系统和认知系统内部的用户之间均无相互干扰，而同频干扰只存在于PU与SU之间以及属于不同系统的SU之间，其中，SU表示多对认知用户，PU表示一对授权用户；授权发射机和授权接收机组成一个授权通信链路，认知发射机STa与认知接收机SRa组成认知通信链路Sa，认知发射机STb和认知接收机SRb组成认知通信链路Sb，在同一授权频段上，两个认知链路和一个授权链路共存，并且SU利用极化和空间资源消除用户之间的干扰，假定认知发射机装有Nt＝2N根双极化天线，N是取值为1,2,3,...的自然数，认知接收机装有Nr＝2根双极化天线，认知发射机上ODPA的个数为N，认知接收机上ODPA的个数为1，假定PU采用单极化天线；将PU的目标信号信道表示为HP，SU的目标信号信道分别表示为HSa和HSb；干扰信号信道标记及其含义具体为：GPSa表示SU‑Sa用于监听PU的信道，GPSb表示SU‑Sb用于监听PU的信道，HPSa表示PU对SU‑Sa的干扰信道，HPSb表示PU对SU‑Sb的干扰信道，HSaP表示SU‑Sa对PU的干扰信道，HSbP表示SU‑Sb对PU的干扰信道，HSaSb表示SU‑Sa对SU‑Sb的干扰信道，HSbSa表示SU‑Sb对SU‑Sa的干扰信道；其中SU‑Sa和SU‑Sb分别指认知用户Sa和Sb；省略上述信道中用于表征用户的下标，将所有信道矩阵统一表示成H，将极化和空间信息相分离的方法来表征信道矩阵其中Hs=[h1sh2s...hNs]---(2)]]>而是双极化信道，i的取值为1,2,...,N；⊙为哈达玛乘积，Hs表示信道的空间衰落作用，从认知发射端到任意接收端的信道在空间上是N×1的MISO信道，表示空间第i条路径上的衰落系数；描述了认知发送端上第i个ODPA与认知接收端上ODPA之间信道的去极化特性；假定u＝Sa或Sb，认知发送端STa和STb上第i个ODPA的发送极化状态用Jones矢量分别表示为Pu,it=cosθu,itsinθu,itejφu,it---(3)]]>其中：和分别是认知发送端第i个ODPA上极化状态的幅度描述子和相位描述子；将认知链路Sa和Sb的发送极化状态进一步写成Put=Pu,1tPu,2t...Pu,NtT---(4)]]>认知链路Sa和Sb的接收极化状态表示为Pur=cosθursinθurejfur---(5)]]>其中：和分别是认知接收端上接收极化状态的幅度描述子和相位描述子；认知发送波束赋形矢量Wu表示为Wu=w1uw2u...wNu=β1uejψ1uβ2uejψ2u...βNuejψNu---(6)]]>其中：和分别是认知发射端波束赋形因子的幅度和相位；步骤二：将SU的到达和离去过程建模为泊松过程，进一步利用马尔科夫链描述授权频谱的动态转移特性，并根据归一化方程计算授权频谱处于每种可能状态的概率；假设认知通信的到达过程为泊松过程，SU的状态变化用马尔科夫链来描述，假设授权频谱的状态为其中X1表示PU是否存在，X2表示认知链路Sa是否存在，X3表示认知链路Sb是否存在；如果以“0”表示没有通信存在，而以“1”表示有通信存在，则授权频谱在不存在PU的状态集合为存在PU状态的集合为将两个认知链路的通信到达率和离去率分别表示为λSa，λSb以及νSa，νSb；描述上述状态转移的稳态方程及归一化方程为υSap110+υSbp101=(λSa+λSb)p100λSap100+λSbp111=(υSa+λSb)p110υSap111+λSbp100=(λSa+υSb)p101λSap101+λSbp110=(υSa+υSb)p111p100+p110+p101+p111=1---(7)]]>对上述方程组进行求解，得到授权频谱处于每个状态的概率为p100=υSaυSb(λSa+υSa)(λSb+υSb)p110=λSaυSb(λSa+υSa)(λSb+υSb)p101=λSbυSa(λSa+υSa)(λSb+υSb)p111=λSaλSb(λSa+υSa)(λSb+υSb)---(8)]]>步骤三：利用步骤三得到的结果计算每种授权频谱状态下SU的吞吐量，进而计算涉及所有授权频谱状态的SU加权吞吐量；计算每种授权频谱的状态下SU的吞吐量，每种授权频谱的状态的计算方法相同，以授权频谱状态为例说明极化信号和空域信号的表征和处理；假设认知发送端STa的原始信号为sSa，将此信号承载到极化状态上并经过波束赋形矢量WSa作用后的发送信号记为此发送信号通过信道HSa到达认知接收端SRa接收天线之前的来波信号记为经SRa的接收天线以极化状态接收以后的接收信号记为类似地，认知接收端SRa接收到的来自STb的干扰信号可记为而SRa接收到的来自PU的干扰信号可记为那么认知接收端SRa的接收信号就可以表示为目标信号、来自PU的干扰信号、来自SU‑Sb的干扰信号和噪声的叠加：其中：nSa为SRa上零均值、方差为的加性噪声矢量；sSb和sp分别是SU‑Sb和PU的发送信号；类似地，认知接收端SRb的接收信号可表示为其中：nSb为SRb上零均值、方差为的加性噪声矢量；基于式(9)和式(10),认知链路Sa接收到的目标信号功率可表示为干扰信号功率可表示为那么在授权频谱状态下，认知链路Sa的吞吐量为而认知链路Sb在授权频谱状态下的吞吐量可以类似地计算为类似地，PU的接收信号可表示为其中np为授权接收端的加性噪声矢量；那么SU对PU的干扰功率为与状态类似，当授权频谱处于状态时，SU吞吐量以及SU对PU的干扰功率可以类似地求得：认知链路Sa和Sb的统计吞吐量分别为γSa=p110γSa110+p111γSa111---(19)]]>γSb=p110γSb110+p111γSb111---(20)]]>从而SU加权吞吐量为γ~=γSa+γS---(21)]]>步骤四：SU采样PU信号，基于降噪后的PU信号，利用SU和PU之间上下行信道的互易性进行盲极化适配处理，得到对PU无干扰的SU发送极化状态；SU调整极化状态以及波束赋形参数的目标是在对PU造成可接受干扰的条件下，最大化加权的认知系统吞吐量由于只要满足对PU的干扰限制，就能保证和分别都能满足PU的干扰限制；设ζ为不影响PU正常通信的干扰功率上限，极化‑空域频谱机会可通过建模下面的优化问题求得：首先将SU的发送极化状态设置为对PU无干扰的极化状态，从而使得到简化，而后利用群智能算法对简化后的优化问题进行求解；设认知发送端STa上每个ODPA的发送极化状态在通过SU‑Sa与PU之间的干扰信道后应该与授权接收极化状态Pc相正交，即(Pc)H(hi,SaPsHi,SaPp)PSait=0---(23)]]>其中：和分别为认知发送端STa上第i个ODPA到授权接收端之间信道的空间衰落系数和去极化信道矩阵；同样地，认知发送端STb上每个ODPA的发送极化状态在通过SU‑Sb与PU之间的干扰信道后也应该与授权接收极化状态Pc相正交，即(Pc)H(hi,SbPsHi,SbPp)PSbit=0---(24)]]>其中：和分别为认知发送端STb上第i个ODPA到授权接收端之间信道的空间衰落系数和去极化信道；在式(23)和式(24)两端同时乘以sP(n)可得PcH(hi,SaPsHi,SaPp)PSaitsP(n)=0---(25)]]>PcH(hi,SbPsHi,SbPp)PSbitsP(n)=0---(26)]]>对上述两式做进一步变换，可得[hi,SaPs(Hi,SaPp)HPcsp(n)]HPSait=0---(27)]]>[hi,SbPs(Hi,SbPp)HPcsp(n)]HPSbit=0---(28)]]>利用信道与信道之间的互易性以及信道与信道之间的互易性，将和分别代入式(27)和式(28)可得[hi,SaPsGi,PSapPcsp(n)]HPSait=0---(29)]]>[hi,SbPsGi,PSbpPcsp(n)]HPSbit=0---(30)]]>在式(29)中，为从授权接收端发出、经过信道后到达认知发射端STa上第i个ODPA之前的抽样授权信号，而在式(30)中，为从授权接收端发出、经过信道后到达认知发射端STb上第i个ODPA之前的抽样授权信号；因此，认知发送极化状态以及分别根据来自于PU的抽样信号以及得出，实际中认知发送端STa与STb上第i个ODPA上监听到授权信号中有加性噪声成分，即YSai(n)=hi,SaPsGi,PSapPcsp(n)+σi,Sa(n)---(31)]]>YSbi(n)=hi,SbPsGi,PSbpPcsp(n)+σi,Sb(n)---(32)]]>其中：σi,Sa(n)和σi,Sb(n)分别为认知发送端STa和STb上第i个ODPA处的加性噪声；对和做降噪处理，方法相同，将和统一表示为Yn；首先，对的共轭转置矩阵YH及其相关矩阵YHY分别进行奇异值分解和特征值分解可得YH＝UΣVH  (33)YHY=UΣ1UH=[UsU0]Σs00Σ0UsHU0H---(34)]]>其中，U、Σ、V和Σ1分别是N×N、N×2、2×2和N×N的矩阵，并且矩阵Σ1和Σ中的对角线元素都是按由大到小的顺序排列的，矩阵YHY的非零特征值是矩阵YH的非零奇异值的平方，即矩阵Σ1中的非零元素分别是矩阵Σ中对应的非零元素的平方，另外，矩阵Us中的矢量张成信号子空间，而矩阵U0中的矢量张成噪声子空间，而且Σs代表了信号和噪声的功率信息，而Σ0仅代表噪声的功率信息，通过在混合信号功率Σs中减去噪声功率Σ0达到降噪的目的，将监听到的授权信号自相关矩阵的功率矩阵重构为Σ2=Σs-Σ0000---(35)]]>并进一步构造矩阵Σ3=(Σs-Σ0)12000---(36)]]>式(36)中，由于Σs‑Σ0是对角阵，相当于对矩阵Σs‑Σ0的每个对角线元素取平方根，利用矩阵U、V、Σ2和Σ3分别构造如下两个矩阵Q＝UΣ2UH  (37)Z=(Y^)H=UΣ3VH---(38)]]>Σ2、Σ3、Q和Z分别是矩阵Σ1、Σ、YHY和YH去除噪声功率Σ0后得到的，对于原始抽样授权信号Y，将去噪后的授权信号构造为Y^=ZH---(39)]]>对和按上述方法进行去噪处理后，得到Y^Sai(n)=YSai(n)-σi,Sa(n)=hi,SaPsGi,PSapPcsp(n)---(40)]]>Y^Sbi(n)=YSbi(n)-σi,Sb(n)=hi,SbPsGi,PSbpPcsp(n)---(41)]]>进而将式(40)和式(41)分别代入式(29)和式(30)中，可得[Y^Sai(n)]HPSait=0---(42)]]>[Y^Sbi(n)]HPSbit=0---(43)]]>SU发送极化状态和分别根据去噪后的采样授权信号以及构建成正交投影矢量：PSait=I2-Y^Sai(n){[Y^Sai(n)]HY^Sai(n)}-1[Y^Sai(n)]H---(44)]]>PSbit=I2-Y^Sbi(n){[Y^Sbi(n)]HY^Sbi(n)}-1[Y^Sbi(n)]H---(45)]]>步骤五：以SU加权吞吐量为优化目标，以SU的接收极化状态和波束赋形向量为待求解变量，采用群智能算法求解二次型分式优化问题；将式(44)和式(45)代入式(22)中，将优化问题即简化为以下关于WSa,WSb的无约束四元优化问题：优化问题为无约束的加权分式二次型优化问题，采用群智能算法对优化问题进行求解，获得SU的极化状态和波束赋形向量。