论文部分内容阅读
未来10年,无线通信将面临数据流量的爆发式增长。容量需求的提升驱动着网络结构的不断演进,而低成本、小型化、低功率、低功耗的Small Cell(小基站)逐渐成为通信网络中的主角。更高频谱、更高带宽、更高的密集组网已经成为5G通信技术的一个大趋势。小基站的部署密集性、部署无规则性、距离终端近等特性使得密集小区网络中存在着严重的区间干扰问题,而这也成为了5G网络中一个亟待解决的问题。认知无线电(Cognitive Radio,CR)是一种能够自动检测周围无线电环境情况进行频谱感知和分配的技术,可以智能地调整系统的参数以适应环境的变化。将CR功能集成到基站上已经被认为是一种进行干扰协调的有效方案。本文将CR功能赋能到密集小区系统中构成CR通信系统进行干扰协调。具体工作如下。针对认知密集小区之间的同层干扰问题,以在一定干扰阈值约束下最大化微小区系统容量为目标建立问题模型,基于拉格朗日双重分解方法将该问题分解为信道分配与功率控制两个子问题分步解决,基于贪心算法进行信道分配与基于拉格朗日定理最优化功率控制,最终提出一种联合信道分配与功率控制算法。仿真结果表明,具有认知能力的SBS(Small Base Station)相比普通的基站可实现近60%的容量增益。同时当可用信道数小于6时,提出的联合资源分配方案比现有的信道着色分配方案实现的容量有近1倍的增益。当对联合信道分配与功率控制算法进行7次迭代之后SBS平均容量达到2.20Mbps收敛值,相比固定功率分配方案容量增益接近5%,最终可以看出本文提出的联合资源分配算法可有效地协调密集小区之间的区间干扰。针对双层异构认知密集小区网络跨层干扰问题,基于强化学习Q-Learning算法提出了认知功率分配(Cognitive Power Allocation,CPA-Q)算法,旨在宏基站用户QoS约束下最大化微小区容量,设定了两个优化目标CPA-1和CPA-2。仿真结果表明,在SBS平均容量上CAP-2相对比CPA-1有近0.1Mbps的增益,相对比现有文献提出的Q-Learning算法有近0.2Mbps的增益。同时提出一种合作学习(Cooperative Q-Learning,CQL)模式改善了单代理模式造成的基站之间不公平及全局最优问题。仿真表明当SBS部署密度为50%时,CPA-2在CQL模式下比单代理模式有近35%的系统容量增益。同时CQL模式下SBS之间的公平性始终保持在1左右,进一步提高了小区之间的公平性。