论文部分内容阅读
面对移动通信终端及其对数据流量需求的不断增长,认知无线电(Cognitive Radio,CR)作为一种能够有效提升频谱利用率的技术逐渐引起了业内相关研究人员的广泛关注。认知无线电网络(Cognitive Radio Network,CRN)与传统的无线网络的不同之处是它是一个叠加在授权网络或主网络(Primary Network,PN)上的非授权网络,可用于授权网络的增值网络以高效使用频谱资源。多天线CRN功率优化技术是以功率为控制量,并结合多天线技术,依据CRN的网络形态,运用优化算法来增强CRN的网络性能的方法。目前在多天线CRN功率优化技术研究方面取得了许多理论成果和实用技术方案,但在网络形态、多天线技术和功率控制技术等方面还存在以下问题亟需解决:1)网络形态的CRN模型不完善,CRN的服务质量(Quality of Service,QoS)无法保证;2)波束赋形功率优化问题的SDR(Semi-Definite Relaxation)算法忽略了秩1约束,是近似算法并且计算复杂度高;3)波束赋形功率优化未充分考虑多天线引入的空域自由度;4)功率控制方法没有充分利用CRN多天线与认知用户(Secondary User,SU)天线间信道质量差异,算法提升的网络效率低。针对上述问题,本文依托国家“863”计划、国家重点研发计划和国家自然科学基金等项目,针对多天线CRN功率优化技术展开研究。论文首先确定和完善CRN模型,将增添了PN干扰的认知基站(Cognitive Base Station,CBS)加SU的集中式网络模型作为本文的CRN模型。在统一的CRN模型下针对以上的问题开展研究。主要的研究成果如下:1.针对理想信道的CRN模型,当存在PN干扰时所带来的信干噪比(Signal to Interference and Noise Ratio,SINR)估计不准问题,首先提出一种改进的CRN模型以完善网络形态的CRN模型;然后对underlay工作模式下的下行功率优化问题进行了研究,提出一种低复杂度的基于上下行对偶的优化问题求解算法:(1)依据上下行对偶,引入虚拟功率,将优化问题变换成为上行功率分配和波束赋形问题;(2)通过解上行问题并由上下行的对应变换关系得到下行问题的解。所提迭代算法的计算复杂度O(max(KN_t~3,K ~2N_t~2)),远低于SDR算法的O(K ~3N_t~3)(K是SU的数目,N_t是发送天线的数目)。仿真结果表明,所提算法具有良好的收敛性;采用考虑了PN干扰的CRN模型后,当主网络基站(Primary Base Station,PBS)发送功率在30dBm时,信干噪比g=6.0dB的可解度下降了40%;当信干噪比g=0dB时,PBS的发送功率由30dBm增加到36dBm时,下行功率增大近4.4倍。表明PN干扰对可解度和下行功率均有显著影响。2.针对非理想信道的CRN模型,当存在PN干扰时所带来的SINR估计不准问题,首先提出一种改进的CRN模型;然后对underlay工作模式下信道状态信息(Channel State Information,CSI)最差条件下的下行功率优化问题进行了研究,提出一种低复杂度的基于Lagrange和上下行对偶的鲁棒性迭代求解算法:(1)通过Lagrange对偶对问题的约束条件进行变换,得到能够利用上下行对偶特性的问题形式;(2)引入虚拟功率,并构造CSI效应迭代关系式,将优化问题转换为上行功率分配和波束赋形问题;(3)由上行问题的解及上下行的对应变换关系得到下行问题的解。所提算法的复杂度为O(max(KN_t~3,K ~2N_t~2)),远优于SDR算法的O(K ~3N_t~3)。仿真结果表明:迭代算法与SDR算法在能量效率和可行解区域方面有几乎相同的性能;当CSI的误差增加1倍时,信干噪比g=-3.0dB的下行功率增加近19%,可解度下降20%。3.针对波束赋形功率优化未充分考虑多天线引入的空域自由度的问题,基于underlay模式下的CRN模型,提出了一种基于天线选择的下行波束赋形方案。通过等效变换,将原始的非凸优化问题转换为一个双凸优化问题进行求解,提出了一种基于交替优化方法的问题求解算法,并证明了算法的收敛性。仿真结果表明:与无天线选择(天线数为9,射频链路数为9)方案相比,基于天线选择(天线数为19,射频链路数为9)的方案在平均能量效率上提高1.94倍;当信干噪比g=2.0dB时,下行功率降低近60%;当信干噪比g=7.0dB时,可解度由40%提高到80%;当信干噪比g=0dB时,PBS的发送功率由30dBm增加到36dBm时,下行功率的增幅下降55%。4.针对功率控制方法没有充分利用CRN多天线与SU天线间信道质量差异的问题,提出一种认知基站CBS和认知用户SU联合协同优化的分布式上行功率控制算法。基于underlay模式下改进的CRN模型,以网络效用最优为目标,由CBS完成多天线波束赋形接收优化,由SU完成分布式上行功率发送优化。其中,CBS的优化问题是一个最大广义特征值问题;SU的优化问题是非线性优化问题。为获得问题的最优解,SU先将问题转换为GP(Geometric Programming)形式的凸优化问题,再使用梯度迭代算法完成优化问题的求解;而后,通过CBS和SU协同优化,来实现网络效用最大化的CRN上行功率控制。仿真结果表明:相比于CBS与SU无联合的情形,CBS与SU联合(天线数为12)时,在信干噪比g=0dB,主用户(Primary User,PU)的发送功率为0.5W时,网络效用增加1.3倍;在信干噪比g=0dB,PU的发送功率由0.1W增加到1.0W时,网络效用变化幅度的比是3%:37%。