[发明专利]一种认知网络中鲁棒性能效传输的方法

摘要

本发明公开了一种认知网络中鲁棒性能效传输的方法，通过次级用户接收端测量相关信道的信道状态信息，并反馈给次级用户发送端；次级用户发送端通过多次测量确定各个信道增益的不确定集合；次级用户根据鲁棒性优化方法建模最大化次级用户能效的问题；求解最差信道增益且将主用户服务质量需求约束转化为凸约束；根据功率分配算法求解最优的发送功率，并在各个信道上根据此功率进行传输，在信道状态信息的不确定时求解鲁棒的最优传输功率，可用于认知网络通信。本发明中在信道信息不确定的情况下保证了次级用户能效的最大化；严格地控制了到主用户接收端干扰功率，保证了主用户的服务质量，有效地消除了信息不确定性对认知网络性能的恶化。

主权项

1.一种认知网络中鲁棒性能效传输的方法，其特征在于，该认知网络中鲁棒性能效传输的方法包括以下步骤：步骤一，次级用户接收端SR在不接收有用数据时或者接收之前测量接收到的干扰信号，估计在信道k上传输的主用户对干扰的估计值；当主用户静默时，次级用户接收端SR测量信道k上的白噪声功率σ²，在接收数据时，根据训练序列估计到次级用户发送端ST的信道增益，次级用户接收端SR并将数值通过反馈信道发送给次级用户发送端ST；步骤二，次级用户发送端ST在没有数据发送时，解调主用户的公共发送信号，如确认应答ACK，否定应答NAK等，据此估计到主用户接收端PR的信道增益步骤三，在通信开始之前，通过多次重复步骤一至三，确定相关参数的不确定集合；步骤四，根据步骤一至三获得的参数，可将多个次级用户在多个信道上传输的下行能效f(P)表示为f(P)=Σk=13Blog2(1+ΓkPkHskσ2+IPk)PC+5Σk=13pk]]>其中，B是信道的带宽，当次级用户的误码率BER＝0.001时采用正交幅度调制MQAM时，此时实际传输系统的信道速率与信道容量之间的差异系数Γ_k＝0.1258，P_C是认知基站CBS（即上文中提到的次级用户发送端ST）的固定功率开销，认知基站CBS的功率放大器的效率1／η₀＝0.20，P＝[P₁,P₂,P₃]表示认知基站CBS在所有信道上的发送功率向量，这里P_k,k∈{1,2,3}表示在信道k上的发送功率；此时，根据鲁棒性优化方法，将最大化次级用户能效的问题建模为P1:maxPx·minGSj,HSk,IPk·f(P)]]>s.t.C1:Σk=13Pk≤Pmax,]]>C2:P·GSjT≤ITj,∀j∈{1,2},]]>C3:GSj∈Qj,∀j∈{1,2},]]>C4:HSk∈Fk,∀k∈{1,2,3},]]>C5:IPk∈Ik,∀k∈{1,2,3}·]]>其中，P_max表示认知基站CBS的最大发送功率，IT_j是第j个主用户接收端PR能够容忍的干扰门限值；步骤五，先求解次级用户在信道k上的信道增益的最差值其中，最差值指的是在给定一个可行的发送功率向量使得问题P1中目标函数最小的的取值；步骤六，再求解主用户在信道k上对次级用户造成的合成干扰的最差值其中，最差值指的是在给定一个可行的发送功率向量使得问题P1中目标函数最小的的取值；步骤七，根据鲁棒性优化的相关准则，可将P1中约束C2和C3转化为如下等效的凸约束C6：C6:P·GSjT+ϵ0||P||2≤ITj,∀j∈{1,2}]]>其中，权重矩阵M_j＝I_3×3，逆矩阵此外，l₂范数||·||₂的对偶范数仍为l₂范数||·||₂，即步骤八，将步骤五至七中的结果代入问题P1中，可转化为P2:maxPk·f1(P)=UR(P)UTP(P)=Σk=13Blog2(1+ΓkPk(HSk)*σ2+(IPk)*)PC+5Σk=13Pks.t.C1,C6.;]]>步骤九，采用如下的功率分配算法，求解问题P2：第一步，给定最大迭代次数L_max＝50和误差容忍门限值κ＝0.0001；第二步，初始化当前能效值q＝0同时给当前迭代索引赋值n＝0；第三步，当收敛标志符F＝＝0且当前迭代索引n≤L_max时，顺序执行下面语句；否则，跳转到第七步；第四步，当最大能效q给定时，求解如下凸优化问题P3，获得此时的功率分配向量P′；P3:maxP.UR(P)-qUTP(P)s.t.C1,C6.]]>第五步，如果不等式U_R(P′)-qU_TP(P′)＜κ成立，那么赋值P^*＝P′且收敛标志赋值F＝1；否则，赋值且n＝n+1，收敛标志赋值F＝0；第六步，返回到第三步，继续顺序执行相关语句；第七步，返回最优能效值q^*和最优功率分配向量P^*＝[P₁^*,P₂^*,P₃^*]；步骤十，认知基站CBS采用给定的功率向量P^*＝[P₁^*,P₂^*,P₃^*]，在信道1上以功率P₁^*向次级用户S1发送数据，在信道2和3上分别采用P₂^*和P₃^*向次级用户S2发送数据。