协作认知

协作认知（精选4篇）

协作认知 篇1

0 引言

绿色无线通信旨在提高无线通信网络能源使用效率, 显著降低网络能耗。中继协作作为LTE-A的关键技术, 能够提高传输可靠性, 提高网络覆盖[1]。通过合理选择中继节点以及合理分配传输功率, 将大大提高无线通信网络能源使用效率。传统的移动中继节点仅仅转发接收到的信号, 而次用户 (Secondary User, SU) 作为中继不但可以中继主用户 (Primary User, PU) 信号, 而且可以共享PU频谱传输自己的信号, 却不对PU的性能造成影响, 如此既提高了能源使用效率又提高了频谱效率。

一种基于信道信息和剩余能量信息选择中继的方法在文献[2]中被提出, 以达到最小化功耗和延长网络寿命的目标。在文献[3]中提出的单中继分配算法通过最小化总发送功率来选择最好的中继节点。以上文献没有将认知考虑进网络, 仅从减少功耗的角度考虑。文献[4]中仅仅从中继选择路径方面研究中继分配和信道分配问题, 没有从能源使用效率和频率使用效率角度进行研究。

针对以上工作的不足, 基于认知的中继分配算法成为了一个值得关注的问题。从提高能源使用效率和提高频谱使用效率2个方面出发, 以共享主用户频谱为代价, 提出了一种DF模式下的中继分配算法。

1 系统模型和问题描述

1.1 系统模型

考虑一个单小区上行多用户协作网络, 网络中包括一个主系统和次系统 (蜂窝网) , 如图1所示。

假设主系统包括m个PU对, 集合为PU={p1, p2, ..., pm}, 次系统包括n个SU, 集合为SU={s1, s2, ..., sn}, 其可以被激活作为中继节点来帮助PU对之间的通信, SU则可以共享授权用户的频谱作为转发PU数据的报酬。让Tpi表示第i个PU的候选中继集合, 则整个系统的中继集合可表示为:

为了方便系统性能分析, 做出以下几个假设: (1) 候选中继 (SU) 地理位置上比较接近; (2) 采用现有的信道估计方法, 所有信道状态信息都可以被估计得到; (3) 系统中任意2个用户之间的信道相互独立且在信号持续时间内是恒定的; (4) 网络中存在可靠的反馈信道, 所有用户相互可以交换信息。

假设传输时间为1, 将单位时间平均分成3个时隙, PU通过SU协作传输的时隙分配如图2所示。前2个时隙SU协作PU传输, 第3个时隙SU共享PU频谱与基站进行数据传输。

PU对直传模式的信道容量:

PU对DF协作模式下的信道容量:

式中, W为子信道带宽, 1/3取决于三时隙通信模式各占的时间。Ppu和Psu分别为主用户和次用户的发送功率。n02和n12分别为次用户和主用户接收端的加性高斯白噪声, 均服从正态分布。分别表示源PU与目的PU、SU与目的PU以及源PU与SU之间的信道增益, 根据现有的信道估计方法, 可以得到各节点之间的信道增益。hij=xij· (d0/dij) α/2表示节点i与j之间的信道增益 (快衰落、路径损耗、渗透和阴影) 。其中, α是路径损耗因子;d0和dij分别表示参考距离和节点i与j之间的距离。xi j是一个单位方差复高斯随机变量, 则h2ij遵循均值为λij= (d0/dij) α的指数分布。

通信过程中保证用户服务质量 (Quality-of-Service, Qo S) 是成功通信的关键。点到点中断概率是Qo S性能分析的重要指标。文献[5]给出了基于信道状态信息的中断概率分析。

式中, Cth是信道容量门限, 如果信道容量低于此值则可能发生中断。对于两跳协作模式, 分析点到点中断概率如下:

假设中断概率门限为ρ0, 则Pout≤ρ0可推导出:

式中, 。显而易见, 通过以上分析, 可以将中断概率转换为如式 (5) 所示的不等式。

1.2 问题描述

综合考虑能源使用效率与频谱利用率, 设计出一种基于认知的协作通信系统能效最大化中继分配算法。通过分析瞬时信道衰落状况, 可知协作传输模式并不总是优于直接传输模式。当选择协作传输模式时, 在用户的最大传输功率和中断概率限制下, 从PU的候选SU集合中选择最优的节点来帮助PU对的通信, 同时保证SU与基站之间的信噪比请求, 最终实现主系统能效最大化。

能效指标定义为单位发送功率的系统容量[6], 如η=C/P, 式中, C表示容量;P表示发送功率。假设主系统x个用户协作传输y个用户直接传输。目标是最优化主系统能效, 因此首先定义系统能效为:

式中, Cpi表示第i个直传链路的容量;Cpj表示第j个协作链路容量;Ppi、Ppj和Psj分别表示第i个直传链路源PU发送功率以及第j个协作链路源PU和SU发送功率。

γrequest表示SU的信噪比请求, 则可获得此时SU的发送功率:

所有节点的最大发送功率Pmax受节点本身电池电量的限制。因此PU的发送功率, SU协作PU传输的发送功率分别满足:

定义一个二元变量ρsupu。ρsupu=1表示协作传输中, SU被分配给源PU, 否则, ρsupu=0。当源PU选择协作模式传输时, 每一个SU可以被分配到至多一个源PU, 每一个源PU至多请求一个SU为其转发数据, 因此ρsupu必须满足以下限制:

主系统能效最大化问题可以描述为如下约束条件的最大化问题P1:

目标函数:

约束条件:式 (5) 、式 (8) 和式 (9) ;

分析目标函数可以得知, 如果源PU通过直传方式与目的PU通信, 则直传链路能效值η (pi) 如下:

式中, βrequest表示PU直传模式信噪比请求。

如果SU协作PU传输数据, 则需要求解协作链路能效最优值, 源PU和SU对应的发送功率。协作链路能效η (pi->sj) 是一个二元变量的函数, 在中断概率和发送功率约束条件下可以求解最优值, 描述为如下最大化问题P2:

目标函数:

约束条件:式 (5) 和式 (8) 。

2 中继分配算法

提出一种中继分配算法来解决主系统能效最大化问题。算法首先根据现有信道估计方法得到各用户之间的信道增益, 如果信道质量满足要求, 则可以得到各PU的候选SU集合。具体的信道估计方法并不是重点, 所以不再赘述, 可参考文献[7]。根据文献[8]中的能效优化功率注水思想求解最大化问题P2, 得到源PU与候选SU的协作链路最大能效值ηmax (pi->sj) 及对应的发射功率。受源PU与SU之间的一对一关系的启发, 可以将P2转换成最大权重匹配问题, 并通过匈牙利算法来求解。

基于以上分析, 构建最大权重匹配问题的图G= (U, V, w) , 顶点集U表示所有主用户;V表示可以作为中继的次用户集合。如果pi∈PU, sj∈R, 则权值w (pi, sj) =ηmax (pi->sj) 。该分配算法基于图论中的最大权重匹配 (Maximum Weighted Matching, MWM) [9]思想建立问题模型。通过式 (10) 计算得到各个源PU直传模式能效值, 如果直传模式传输优于协作链路能效, 或者没有满足限制条件的SU为PU转发数据, 则PU采用直传模式通信。

算法1给出了详细的中继分配算法步骤。步骤1~5计算各个源PU与其候选中继集合的协作链路最大能效;步骤6是以这个最大能效作为二部图的权值;步骤11构建二部图;步骤12经过匈牙利算法得到最大权重匹配结果及系统最大能效值;步骤13~15依据最大权重匹配结果返回中继分配结果。

3 仿真及结果分析

构建单小区无干扰场景就第2节提出的中继分配算法进行系统仿真, 并将提出的算法与文献[10]算法和无协作传输系统性能进行了比较。研究的小区半径为1 km, 无线设备都采用全方向性天线, 假设天线增益均为常数1, 采用平坦瑞利慢衰落信道模型。考虑在一个扇区内, 随机创建10个PU对, 100个SU用户随机分布在小区内。仿真参数设置如下:

子信道带宽:W=180 k Hz;信号载波:f=2 GHz;热噪声:n02=n12=-98.95 d B;最大发送功率:Pmax=5 W;中断概率门限:ρ0=0.01;信噪比请求:γrequest=βrequest=5 d B。

系统能效随着中继数变化而变化的曲线图如图3所示。此时固定中断概率门限ρ0=0.01, 用户最大发送功率值Pmax=5 W。从图中可以看出, 提出的算法在提高系统能效方面优于文献[10]中提出的算法, 且中继数的多少对无协作系统能效无任何影响。系统能效随着中继数的增加而增加, 且中继数从10~50变化时, 能效增长速率缓慢;从50~80变化时, 增长速率增大, 最后保持平稳。这是因为源PU周围可以协助其转发数据的中继越多, 则有更多的机会选择到最优的中继协助其转发数据, 然而中继数增加到过多则对提高系统能效没有太大的帮助。

用户最大发送功率变化对系统能效的影响曲线如图4所示。系统能效随着Pmax的增大保持平稳增长的趋势。图中出现的拐点是因为随着Pmax的变化, 最大化问题P2在限制条件式 (8) 下的最优解也会变化, 如果Pmax的值太小, 则不能满足用户之间成功发送数据对功率的请求, 在此限制下无法找到SU为PU转发数据。例如, Pmax从2 W增加到2.5 W, 能够满足源PU与短距离内的SU的功率请求, 则此SU作为中继协作PU的传输, 系统能效增加;Pmax从2.5 W增加到3 W时, 系统中没有SU能够协作PU传输以获得更高的能效, 因此能效值没有变化。当系统SU固定为100时, 系统能效随着中断概率变化的趋势如图5所示。提出的算法比文献[10]中的算法能够获得更高的系统能效。同时, 能效快速增长到ρ0=0.001时, 保持平稳趋势。

当系统SU分别为20、60和100时, 系统能效趋势随着中断概率上升而下降, 系统中SU越多, 能效则越大, 如图6所示。

4 结束语

针对上行多用户协作网络, 在保证PU性能需求的前提下, 以空闲SU作为中继节点, 对主系统能效优化的中继分配算法进行了研究, 借助最大权重匹配方法为各源PU分配最优中继。仿真结果表明, 提出的算法有效地提高了主系统能效, 且提高了系统频谱利用率。

参考文献

[1]HANG T Z, HAO S Z, CUTHBERT L, et al.Energy Efficient Cooperative Relay Selection Scheme in MIMO Relay Cellular Networks[C]∥IEEE International Conference on Communication Systems (ICCS) .Singapore:IEEE, 2010:269-273.

[2]WEI Yi-fei, TENG Ying-lei, WANG Li, et al.Energy Saving Cooperative Communication over Fading Channels with Relay Selection and Power Control[J].In China Communications, 2012, 9 (6) :124-134.

[3]MIN Zhou, CUI Qi-mei, RIKU J.Energy Efficient Relay Selection and Power Allocation for Two-Way Relay Channel with Analog Network Coding[J].IEEE Communications Letters, 2012, 16 (6) :816-819.

[4]LI Peng, GUO Song, ZHUANG Wei-hua.Capacity Maximization in Cooperative CRNs:Joint Relay Assignment and Channel Allocation[C]∥IEEE International Conference on Communications (ICC) .Ottawa, Canada:IEEE, 2012:5097-5101.

[5]WANG Ying, FENG Zhi-yong, CHEN Xin, et al.Outage Constrained Power Allocation and Relay Selection for Multi-Hop Cognitive Network[C]∥Vehicular Technology Conference (VTC) of IEEE, 2012:1-5.

[6]PHUYAL U, JHA S C, BHARGAVA V K.Green Resource Allocation with QoS Provisioning for Cooperative Cellular Network[C]∥Information Theory (CWIT) Canadian Workshop, 2011:206-210.

[7]BERTRAND P.Channel Gain Estimation from Sounding Reference Signal in LTE[C]∥2011 IEEE Vehicular Technology Conference (VTC Spring) .Budapest:IEEE, 2011:1-5.

[8]许杰.基于能量效率的自适应多天线传输技术研究[D].安徽:中国科学技术大学, 2012:6-9.

[9]YANG De-jun, XI Fang, XUE Guo-liang.Optimal Relay Assignment for Capacity Maximization in Cooperative Networks[C]∥IEEE International Conference on Communications (ICC) .Kyoto:IEEE, 2011:1-6.

[10]YANG Ze-pan, XIE Xian-zhong, WAN Huo.Energy Efficient Relay Selection Based on the Outage Probabilities and Power Allocation Algorithm in Spectrum Sharing Networks[C]∥IEEE International Conference on Information Science and Technology, China:IEEE, 2012:851-856.

协作认知 篇2

关键词：认知无线电网络,协作频谱感知,协作路由,中继节点

一、引言

协作通信可以减小无线信道衰落, 通过允许节点相互协作, 提高了无线网络的可靠性, 已经成为认知无线电网络的重要方法[1]。利用无线通信的广播特性, 协作通信中的节点帮助对方进行信息传播。在协作传输策略中, 邻近节点用作中继节点, 通过独立衰落信道, 和发射机、接收器协作, 将数据包复制多份传送给接收节点。

协作频谱感知指多个认知用户 (SU) 协作感知主用户 (PU) 信道, 一般可减小个体感知所带来问题的影响, 如多径衰落, 阴影等[2]。以前的工作已经表明, 与个体感知相比, 协作感知提高了感知增益, 但同时它也带来了开销。

协作路由作为一种新的路由技术[3], 可以节省网络中节点的能耗, 延长网络的生存期, 并对增强网络服务质量, 提高网络的吞吐量和可靠性方面都大有作为。

协作无线通信的研究具有重要意义。本文将以协作通信为主线, 从认知无线电网络协作频谱感知, 协作路由和协作路由中继节点的选择入手, 回顾近年来国内外的发展现状。

二、协作频谱感知

(一) 协作频谱感知的基本方法。协作频谱感知的基本方法, 即个体感知方法, 描述了如何感知, 采样和处理PU信号来估计PU信道是否繁忙或空闲。主要有三个技术:能量检测, 重点检测发射机信号能量;循环平稳特征检测, 通过周期性地检查接收到的PU信号, 确定PU的存在。压缩感知, 适用于对复杂硬件要求不高的宽带频谱感知。

每个SU的行为和结果, 可归纳分为六种情况, 分别是:

1.SU空闲。由于没有数据包发送, 吞吐量为0。

2.SU正确传输。PU信道空闲, SU在信道上正确传输。

3.SU所有数据包丢失。这种情况是前一例的特殊情况, PU信道空闲, SU所有数据包在传输过程中丢失。

4.SU空闲。SU检测到PU, SU保持空闲, 吞吐量为0。

5.虚警。PU信道空闲, 但由于错误地感知到一个PU, SU决定留在空闲状态, 吞吐量为0。

6.误检。PU出现, SU不能感知到PU, 导致和PU碰撞, 所有数据包下降, 吞吐量为0。

表1为频谱感知和接入结果。PU实际信道状态, 1为PU信道空闲, 0为PU出现;SU感知, 1为PU信道空闲, 0为PU出现。

(二) 协作频谱感知。协作感知可分为三种:集中式、分布式和中继辅助式[4]。

1.集中式。集中式协作感知中, 融合中心是一个在控制和组织协作中起着核心作用的实体。集中式协作感知过程包括三个步骤。一是融合中心选择被感知的授权频段, 并发送一个要求邻居SU协作的请求。二是回应该请求的协作SU独立地感知PU信道, 之后报告感知结果。三是当所有的感知结果到达融合中心, 融合中心使用一些决策融合准则融合协作数据, 如AND, OR和K/N, 最终感知结果分别返送给每个协作SU。

2.分制式。分布式协作感知和集中式协作感知的主要区别是, 前者不依赖于集中式融合中心决定最终感知结果。分布式协作感知的步骤为, 每个SU将其感知结果传播到邻居SU, 基于每个SU自己的决策融合准则, 并综合考虑个体感知的结果和接收到的数据, 得出一个PU状态的最终结果。每个SU重复以上步骤, 通过几次迭代, 直到收敛到一个PU信道状态一致的决策。

3.中继辅助式。当感知信道或报告信道不理想情况下, 适用中继辅助协作感知。中继辅助方式减小了不理想信道的负面影响, 从而提高了全局感知性能。

三、协作路由

路由协议分为主动式路由、按需式路由和混合式路由[3]。按需式路由可分为动态源路由 (DSR) 、按需距离矢量路由 (AODV) 和多信道路由 (MCRP) 。各种协作路由, 可依据选择准则的不同对它们进行分类。

(一) 基于节能的协作路由。高效节能的协作路由算法分为两类。在第一类中, 目标是最大限度地减少端到端传输的总能量消耗。在大多数的协作路由算法中, 节能是通过最大限度地减少发射机和中继节点的发射功率。第二类中, 算法的目标是延长网络的生命周期, 网络寿命的定义是到第一个节点死亡的时间。第一类别或二类提出的所有节能算法, 显示了在不同网络条件和约束下的高效节能。第一类中的算法只集中在最小化从源节点到目标节点的总能量消耗。然而, 始终使用最小消耗路径的路由可能会导致节点间不平衡的能量分布。

(二) 基于服务质量 (QoS) 的协作路由。基于QoS的协作路由算法由下列参数描述:吞吐量, 丢包率和中断概率。除了高效能量, Qo S也是衡量网络性能的一个重要标准。在一些关键应用, 如安全、火灾探测和健康监测, QoS是需关注的一个重要指标。协作路由中QoS的目标是找到一个满足给定约束的网络路径, 同时优化资源的利用。基于QoS的协作路由算法分为三类:基于吞吐量的协作路由算法, 最大化网络吞吐量。丢包率, 丢包率定义为成功传递到目的地的发送数据包的百分比, 是QoS的一个参数。中断协作路由算法, 考虑协作路由的中断概率。中断时发生时, 目标节点无法检测到来自源节点的信号。

(三) 基于最小碰撞的协作路由。多源节点和多目的节点 (即多个流) 的协作路由的主要挑战是数据包碰撞, 利用协作路由可减少碰撞概率。该算法计算每个协作链路的成本函数, 然后应用最短路径发现最小碰撞概率的路径。通过结合协作传输, 功率分配, 路由选择, 实现最小碰撞协作路由。

(四) 集中式和分布式协作路由。在集中式协作路由协议中, 中心节点收集信息, 以检查潜在的协作链路和中继节点。该信息包括拓扑结构和衰落信息, 有助于协作路由的决策。例如, 中心节点收集协作链路的成本函数和信道特性, 在收集的信息基础上, 中心控制器选择路由。

在协作应用于非协作路径的路由算法中, 中心控制器收集有关节点位置的信息和每个链路的成本函数, 并选择最好的非协作路径。

在某些无线网络的实际应用中 (如自组织网络) , 不可能有一个中央节点, 路由需要以分布式的方式构造。在分布式协作路由协议中, 每个节点从相邻节点处得知网络状态 (如本地的拓扑状态和单跳连接的链路成本函数) 。每个节点在它自己的本地数据库中存储信息, 每个节点都可作为待选的中继节点和下一个节点。

对于路由, 中继节点的选择和资源分配, 实现分布式协作路由算法的主要挑战是有需要的信息, 节点通过发送和更新到邻居节点的信息来处理这个挑战。

(五) 协作路由中继节点的选择。选择合适的中继节点是协作路由的关键问题[5,6]。在具有多个中继节点可供选择的情况下, 还需要解决如何选择一个最佳的中继节点的问题。由于无线信道的传输衰耗与传输距离为指数关系, 在源和目的之间加入中继后, 使收发设备间的传输距离缩短, 可在发送功率不变的情况下, 提高接收信号功率, 改善传输质量。

在蜂窝系统的传输中, 也可以利用终端作为中继来扩大基站覆盖范围。当中继节点位于基站和用户的中间时, 效果最好;而当中继随机分布时, 选择离基站和用户的中间点最近的用户作为中继时, 虽然性能有所降低, 但仍然能在同样的服务质量要求下明显扩大基站的覆盖区域, 并且覆盖区域内的用户越多, 性能改善越大。

四、结语

认知无线电网络协作通信会同时带来增益和开销。与个体感知比较, 协作感知对提高感知精度是有益的。协作在一定程度上减小了多径衰落和阴影的影响, 提高了系统的抗路径损耗。此外, 协作增加了感知时间和数据吞吐量。因此, 感知性能和网络吞吐量之间需要一个折衷。节能是无线网络的一个关键因素, 由于发射机和协作伙伴之间的通信, 给协作带来额外的能量消耗。通过减少审查的报告信息, 能量消耗和感知性能达到平衡, 从而减少感知能源损耗。

协作路由比没有协作的路由, 可更好地利用节点的能量储备, 能够在更短路径上分发大量的数据包到达目的地。当节点能够调整其发射功率时, 这些结果可得到进一步的改善。此外, 网络连接度会影响协作路由的性能。在一个松散连接的网络中, 协作会致使更多的数据包到达目的地, 但却增加了节点的平均能耗。当网络拓扑是紧密相连的, 协作得到更多的路径选择, 能够更好地利用可用的能源。

将人工智能、机器学习等引入到认知无线电网络协作频谱感知与路由算法中, 实现智能化的资源调度、配置和管理, 对认知无线电网络的发展具有积极作用。

参考文献

[1]Laneman J, Tse D, Wornell G W.Cooperative diversity in wireless networks:Efficient protocols and outage behavior[J].IEEE Trans.Inf.Theory, 2004, 50 (12) :3062~3080

[2]S.Haykin.Cognitive radio:brain-empowered wireless communications[J].IEEE Journal on Selected Areas in Communications, 2005, 23 (2) :201~220

[3]Fatemeh Mansourkiaie, Mohamed H Ahmed.Cooperative Routing in Wireless Networks:A Comprehensive Survey[J].IEEE Communications Surveys and Tutorials, 2015, 17 (2) :604~626

[4]I.F.Akyildiz, B.F.Lo, R.Balakrishnan.Cooperative spectrum sensing in cognitive radio networks:A survey[J].Journal Physical Communication archive, 2011, 4 (1) :40~62

[5]J.L.Rebelatto, B.F.Uchoa-Filho, Y.Li, et al.Multiuser cooperative diversity through network coding based on classical coding theory[J].IEEE Transactions on Signal Processing, 2012, 60 (2) :916~926

协作认知 篇3

认知无线电是一种智能无线通信系统,可以提高无线电通信频谱的利用率[1]。具有认知功能的无线通信设备能与外界环境交互信息,有目的地实时改变操作参数,在有限信号空间中以最优的方式有效地传送信息,可达到在任何时间地点实现高度可靠通信及有效利用频谱资源的目的[2,3,4]。认知无线电的一个基本认知周期要经历4个基本过程[5]:频谱感知、信道估计与预测、发射功率控制和频谱管理。

近年来,研究人员已经提出了较多的频谱感知的方法,主要可以分为4种类型: 能量检测( Energy Detection)[5,6]、相关检测( Coherent Detection)[7]、循环平稳特征检测( Cyclostationary Feature Detection)[8]和协作检测[9]。当信道衰落较大并伴随阴影效应时,前3种算法性能都较低,而协作检测算法通过多个认知用户相互协作,提高了整体检测的性能。现在很多检测模型都采用具有中心决策的传统协作检测算法[10,11,12],该算法虽然简单,但是个别用户的低性能检测会影响整体的决策效果,并且由于决策中心采用的报告数很多,因此信道利用率较低,结构也较为复杂。本文将协作用户分成多簇,每个簇内分别进行加权检测,并通过信道特性最好的簇头将检测结果报告给中心,决策中心通过准确性较好的少数报告进行最终决策; 本文算法解决了传统算法的不足之处,并在检测性能上有了显著的提高。近年又出现了采用其他理论的检测方法[13,14,15]。

1 分簇加权协作检测算法模型

传统的检测算法,各检测用户对决策中心的贡献都是相同的,算法比较简单。但实际中,各用户到认知用户的信道特性并不是一样的,对于信噪比较好的用户,其检测结果的准确性必然要好于其他用户,而对于信噪比低的用户,其检测性能也较差; 因此传统的检测算法将各用户一概而论常常导致系统整体检测性能较低,从而认知用户不能够准确利用空闲频谱。针对这种情况,可以对簇内各用户检测结果进行加权,在保证一定虚警概率的同时,提高检测概率。分簇检测模型如图1所示。

2 算法性能分析

假设N个用户被分为M个簇,第i个簇内有Ni个认知用户,每个用户采用能量检测法。则第k个采样时隙,频谱感知可表示为:

式中,H0和H1分别为授权用户空闲和繁忙2种状态; xi,j( k) 表示时隙k第i簇的第j个用户所接收到的信号能量; s( k) 为授权用户的传输信号; hi,j和vi,j( k) 表示该用户到授权用户的信道增益和信道噪声,并且vi,j( k) ~ N( 0,σi2,j) 。各认知用户计算L个能量采样值并得到累积和[16]:

式中,L为授权信号的时宽乘积。根据中心极限定理,如果采样数L足够大,观测量ui,j渐进服从高斯分布,均值和方差为:

各认知用户将观测序列 { ui,j| j = 1,2,. . . ,Ni}发送给该簇的簇头,假设i簇内的认知用户j到簇头的信道噪声为ni,j,并且ni,j~ N( 0,δi2,j) 。可以得到簇头收到的第j个认知用户的检测信息yi,j,

第i簇的簇头 对收到的 观测向量yi={ yi,j| j = 1,2,. . . ,Ni}T进行加权,最后得到总的决策信息为:

式中,wi= [wi,1,wi,2,. . . ,wi,Ni]T为该簇的权向量且 ‖ wi‖ = 1 。权向量可以从全局角度来表现个别用户对最终决策的贡献。如果一个用户的信噪比较高,它应被分配较大的权向量,而对于经历深衰落或阴影效应的用户则应减小它们的权向量,以减少它对最终决策的负面效应。加权检测模型如图2所示。

因此,yi,c的均值和方差可以表示为:

式中,

如果该簇簇头的决策门限为 γi,可以得到该簇簇内检测的虚警概率和检测概率为:

式中,Q( . ) 是Q函数。可以看出检测概率极大程度上依靠权向量和检测门限,而对与给定的虚警概率,门限又可以由权向量来求得。因此,需要在给定的虚警概率下,选择合适的权向量,使检测概率达到最大。权向量的优化表达式为:

对于上述优化方程,可以采用拉格朗日极值定理求解。拉格朗日算子函数为:

式中,λ0和 λ1为待定系数,通过 Lag / wi= 0可以求得最优权向量,能够得到:

将式( 14) 带入式( 12) 可以求得 λ0和 λ1的值。对w'opt,i归一化即可得到式( 12) 的最优化解:

将式( 15) 带入式( 11) 可以得到该簇的检测概率Pd,i。因此模型总的虚警概率和检测概率为:

3 仿真结果分析

本文通过计算机仿真进一步对提出的协作检测算法进行性能评估,仿真中采用Monte Carlo方法,通过独立的仿真500次获得最终的统计结果。仿真参数和参数值如表1所示。

这里假设信道服从瑞利分布,信道噪声服从均值为0的高斯分布,并且均为单位方差。

仿真中将本文算法和传统算法,以及采用多簇检测但簇内采用传统方法( 非加权) 的3种算法进行了比较。7个不同信噪比用户的加权系数如图3所示,其中实线代表用户的SNR由左边的纵坐标表示,虚线代表用户所分配的加权系数,由右边的纵坐标表示。能够看出本文的簇内加权算法可以为信噪比高的用户分配较大的权重,增加其决策中的分量; 而对于信噪比低的用户则分配较小的权重,以减小它对决策所带来的负面效应,提高了簇内的整体检测性能。

3种算法检测概率随虚警概率的变化曲线如图4所示。可以看出在同一虚警概率下,采用多簇算法能够有效地提高系统的检测概率,这是因为每个簇内的簇头是该簇中到决策中心信噪比最好的用户,因此决策中心收到的报告误码率很小,所以提高了检测的准确度。对于采用簇内加权的算法,根据各认知用户信噪比分配其在决策中所占的权重,减小了检测性能差的用户给最终决策带来的负面效应,因此进一步提高了检测概率。

在原仿真参数的基础上增加了认知用户的个数和簇数,反映虚警概率随认知用户数N的变化如图5所示。可以看出当检测概率Pd= 0. 5以及簇数M = 4时,本文算法的虚警概率要小于另外2种。认知用户数的增加会提高虚警概率,降低认知无线电的信道利用率。本文算法通过对用户进行分簇,避免了个别用户检测性能差而带来的信道利用率低的问题。并且采用了加权措施,使得每簇内在固定检测概率下能够获得较低的虚警概率,因此本文算法的信道利用率及检测精度要好于传统算法。

4 结束语

协作认知 篇4

认知无线电技术通过允许一组次要用户动态接入已经分配给主要用户的频谱, 可以有效解决频谱使用效率低下的问题, 通过引入协作中继技术, 认知无线电系统的性能和频谱利用率可以得到更进一步提升, 且可以带来系统的空间分集增益。因具有很好的对抗无线传输环境中的频率选择性衰落以及高频谱利用率的特点, OFDM技术非常适用于无线宽带信道下的高速传输。作为实现个人未来通信系统目标的有效方法 (OFDM技术与协作中继技术已经被多个多个无线宽带系统标准如802.16e标准[1]和3GPP LTE-Advanced方案[2]作为关键技术采用) , 这几种技术的有效融合, 将大力提升无线频谱资源的利用率, 提高无线通信链路的可靠性和网络连通性。

对任何无线通信系统来说, 资源分配问题始终都是研究的热点问题。不考虑认知无线电和协作通信技术的多用户OFDMA系统中的资源分配问题已经得到了较多的研究 (如Cioffi等人的专著[3]) , 特别是基于不同优化目标对载波、比特和功率等的分配方案研究的热点, 如[4,5,6,7]以及对应的参考文献。参考文献[8,9,10,11]研究了蜂窝网络中基于OFDM的多用户协作场景下的中继选择与载波分配问题。我们在前期工作[12,13]中研究了协作无线通信网络中的联合单中继选择与频谱分配问题。针对多信源- 多信宿- 多中继场景下的最优中继选择与子载波分配问题, [14]以中断概率最小化为目标, 设计了基于随机二部图最大匹配 (random bipartite graph based maximum matching, RBG matching) 的算法。参考文献[15]考虑了基于OFDMA的认知无线电网络中的载波和功率分配问题, 在次用户系统中考虑了一个次用户中继节点帮助次用户信源向多个次用户信宿节点广播数据, 且主用户系统只考虑了一个信源- 信宿收发对。[16]在基于OFDMA的认知协作无线网络中, 基于对偶分解技术设计了子载波匹配、中继选择和功率分配的渐近最优算法, 但是该文章只考虑了一个主用户信宿、一对次用户收发对的情况, 而没有考虑多用户情况。[17]研究了认知协作Ad Hoc网络中路由、中继选择和频谱分配问题, 采用跨层设计的方法提出了分布式算法, 但是考虑的是overlay频谱接入方式, 即只有某一子载波的授权用户不占用该频段的时候, 次要用户才可以接入。

1 多用户认知协作网络模型

本文所研究的多用户认知协作无线网络的系统模型如图1 所示。 该系统有一个主要用户网络和一个次要用户网络组成。其中, 主要用户网络有M个主要用户信源端 (Primary Transmitter, PT) 以及对应的主要用户信宿端 (Primary Destination, PD) 组建的M个主用户对组成, 分别用PT1, ..., PTm, ..., PTM和PD1, ..., PDm, ..., PDM来表示, 这M个主用户对分别从W个子载波中占用一个完成通信。次要用户网络里面包含N个次要用户发送端 (Secondary Transmitter, 记作ST1, ..., STn, ..., STN) 以及对应的N个次要用户接收端 (Secondary Destination, 记作SD1, ..., SDn, ..., SDN) 。假定这些次用户收发对 (包含次要用户发送端以及对应的次要用户接收端) 采用两跳传输的方式以降低发送功率从而减少对主用户可能造成的干扰, 即需要借助K个次要用记作户中继节点 (记作SR1, ..., SRk, ..., SRK) 的帮助完成通信。同时为了降低信令交互的复杂度, 我们假定每个次用户收发对只能选择一个次要用户中继节点, 并将次用户收发对以及选中的次用户中继节点称作一个次要用户组合。次要用户组合也从W个子载波中选择通信使用的载波。在某一个次要用户组合里面, 次要用户对之间进行两跳通信的时候, 我们假定次要用户发送端在第一个时隙选用的载波与第二个时隙里次要用户中继节点选用的载波相同, 当然, 如果在每个时隙中都运行载波分配算法, 相关的工作即可以扩展到两个时隙中次用户发送端和次用户中继节点选用不同载波的情况。次要用户网络在主要用户网络的传输区域之内工作, 当采用underlay的频谱接入方式时, 每个主用户对在每个信道上的干扰温度限制必须得到保证。

假定多用户认知协作无线网络中的每个节点都只配备一根半双工全向天线。用表示从次用户发送端STn到次用户中继节点SRk和主用户接收端PDm在第w个信道上的信道增益;用和分别代表从次用户中继节点SRk到次用户接收端SDn和主用户接收端PDm在第w个信道上的信道增益;用分别表示从主用户发送端PTm到主用户接收端PDm、次用户中继节点SRk和次用户接收端SDn在第w个信道上的信道增益。分别用和分别表示第m个主用户发送端、第n个次用户发送端和第k个次用户中继节点在第w个子载波上的发送功率, 其中。

2 问题建模

在本文研究的工作中, 我们对系统进行如下假设:

● 在每次通信过程中, 每个主用户对最多只能占用一个载波, 且每个载波只能被一个主用户对唯一占用。

● 在每次通信过程中, 每个次用户对至多只能选中一个次用户中继节点, 且每个次用户中继节点每次只能被一个次用户对唯一选中。

● 在主用户完成载波分配的基础之上, 每个次用户组合只能占用一个载波进行通信。如果该载波已经被某一主用户对占用, 则在一个通信周期的两个时隙内, 在需要满足该主用户对的干扰温度限制条件下, 次用户组合中的次用户发送端和次用户中继节点占用同一载波进行传输。

2.1 本中问继题选中择, 模使型用一个N行K列的矩阵A=来表示N个次用户发送端选择K个中继节点的情况, 也就是说:当A (n, k) =1的时候, 次用户中继节点SRk被次用户对STn和SDn选中用于帮助完成通信。

考虑到在每次通信过程中, 每个次用户对至多只能选中一个次用户中继节点, 且每个次用户中继节点每次只能被一个次用户对唯一选中。我们可以得到关于中继选择矩阵A的如下约束:

其中, 约束条件 (2) 和 (3) 表示在该矩阵中, 任何一行或者任何一列里面最多只能有一个1。

2.2 载波分配模型

在我们的问题当中, 主用户网络和次用户网络之间共享载波资源, 当次要用户组合选用的载波已经被主用户对占用的时候, 需要满足占用该载波的主用户对的干扰温度限制;当主用户没有占用该载波的时候, 则不受干扰温度的限制。从实际的角度出发, 在一个主次用户同时存在的网络里面, 主用户享有对子载波分配的优先权。换言之, 主用户网络的用户对可以根据某种原则首先进行子载波的分配。我们假定这一主用户载波分配的结果可以通过某种方式被次用户网络的用户知道。次用户网络的用户可以根据某种规则进行子载波分配, 次用户可以独占空闲的子载波或者在满足主用户干扰门限的条件下与某一主用户对共享该子载波。

我们用一个M行W列的载波分配矩阵BPU来表示M个主用户对占用W个子载波的情况。这里, 我们用BPU ( m, w) =1 , ∀m ∈{1, …, M}, w ∈{1, …, W} 表示主用户发送端PTm选择占用子载波w进行数据传输, 否则表示不占用该载波。

考虑在每次通信过程中, 每个主用户对最多只能占用一个载波, 且每个载波只能被一个主用户对唯一占用的限制, 可以得到如下主用户子载波分配矩阵BPU的相关约束:

其中约束条件 (5) 和 (6) 分别表示在该矩阵中任何一行或者任何一列里面最多只能有一个1。

同样, 我们用一个N行W列的矩阵BSU来表示N个次用户组合对W个子载波的占用情况。这里, 我们用BSU ( n, w) =1 , ∀n ∈{1, …, N}, w ∈{1, …, W} 表示次用户发送端STn及选定的次用户中继节点选择占用子载波w , 否则, 表示不占用该子载波。可以得到如下次用户子载波分配矩阵BSU的相关约束:

其中, 约束条件 (8) 和 (9) 表示在该矩阵中, 任何一行或者任何一列里面最多只能有一个1。

2.3 多用户系统容量

当次用户网络中的中继节点采用译码转发 (DF) 的中继策略时, 对次用户网络中的任意一个次用户收发对STn-SDn来说, 其链路容量表达式如下:

代表第一个时隙中中继节点SRk收到的信干噪比, 代表第二个时隙中次用户接收端SDn收到的信干噪比。下面, 我们首先给出以上信干噪比的通用表达式。用和代表被次用户发送节点STn和次用户中继节点SRk占用的子载波集合。那么我们可以得到和的通用表达式如下:

以上公式中的分子部分表示接收端在占用的所有子载波上接收的有用信号功率之和;分母中的1 为接收端收到的AWGN噪声的归一化功率, 后面的两个表达式分别代表占用相同子载波的主用户和其他次用户造成的干扰。这些干扰的通用表达式如下:

在我们的问题中, 当限定每个子载波只能分配给一个次用户组合使用时, 其他次用户将不会产生干扰, 即。

用一个M行W列的矩阵Qth来表示M个主用户接收端在W个子载波上的干扰温度限制。 用和分别表示第一个时隙中所有工作在子载波w上的次用户发送端和第二个时隙中所有工作在子载波w上的次用户中继节点对主用户接收端PDm造成的干扰, 其中:

2.4 问题数学模型

本问题的求解目标是在满足主用户干扰温度限制的条件下, 联合考虑中继选择和子载波分配策略以最大化次用户对的链路容量之和。公式表示如下:

公式 (1) - (9) 的限制条件

其中, 公式 (22) 和 (23) 中的Qth ( m, w) 表示主用户PDm在子载波w上的干扰温度限制值。和则分别表示工作在子载波w上的所有次用户发送端和次用户中继节点在两个时隙对主用户接收端PDm造成的干扰。

3 中心式全局最优算法

在2.4 节中描述的问题是一个0-1 非线性整数规划问题, 通常来说都是NP-hard问题。为了对问题进行求解, 我们首先将对该问题进行等价变换使其转变为带约束条件的0-1 线性整数规划问题, 然后设计全局最优的中继选择与子载波分配算法。

3.1 问题等价转换

为了进一步求解优化问题的最优解, 我们定义如下几个新的变量:

● N* K*W的三维变量, 其中代表STn占用第w个子载波与SRk通信时, SRk接收到的信干噪比。

● N* K*W的三维变量, 其中代表SRk占用第w个子载波与SDn通信时, SDn接收到的信干噪比。

● N* K*W的三维变量, 其中代表STn占用第w个子载波选择SRk作为中继节点与SDn通信时, STn与SDn之间的有效信干噪比。

● N* K*W的三维变量, 其中代表STn占用第w个子载波选择SRk作为中继节点与SDn通信时, 他们之间的信道容量。

经过分析, 公式 (10) 等价于如下公式所示:

其中,

公式 (25) 中的和可直接将变量带入公式 (13) 和 (14) 中求得。这里需要说明的是当 (22) 或 (23) 两者中的任何一个限制条件无法满足时, 即主用户接收端在某个子载波上的干扰温度限制无法满足的时候, 此时不允许STn选择SRk作为中继节点占用第w个子载波与SDn构建通链路, 意味着。

经过以上的转化之后, 我们的问题等价成为设计一个N*K*W的三维0-1 系数矩阵X , 其约束条件如下:

其中, 当X (n, k, w) =1时, 表示STn选择SRk作为中继节点占用第w个子载波与SDn建立通信链路。公式 (27) - (29) 表示的限制条件对应于在该三维系数矩阵中, 任何一个二维平面上最多只能有一个1, 其物理意义为任何一个次用户发送端最多只能选用一个次用户中继节点, 同时最多只能占用一个子载波进行通信。此时原来的优化问题可以等效表示为:

公式 (26) - (29) 的限制条件

3.2 算法设计

3.1 节中 (26) - (32) 描述的问题是一个0-1 线性整数规划问题, 是一个NP-hard问题, 采用穷举方法肯定可以得到此问题的最优解, 但是当节点规模较大时, 穷举法带来的复杂度将非常大。为了解决此问题, 我们在本节基于分支定界算法框架, 设计了可快速取到全局最优性能的算法。分支定界算法被认为是寻求非凸优化问题全局最优解的一种有效工具[18,19,20,21], 该算法框架的收敛性和全局最优性的理论证明可以参考[21]。针对本研究问题, 分支定界算法框架的关键步骤包括:对原问题的优化函数或者限制条件进行放松, 以得到一个便于求解的原问题上界;以放松后的解为出发点, 通过设计本地搜索算法, 得到一个原问题的可行下界;通过子问题选择和变量选择分割算法, 将选定的子问题分割为两个子问题进行迭代求解。具体来说, 就是首先将待求解变量从离散取值范围放松成为连续取值区间, 求得原问题的一个放松解。本地搜索算法则是将待求解变量重新收敛到离散值。

下面, 我们将对这几个步骤详细说明。

3.2.1 放松问题及上界求解

本问题中的变量是三维系数矩阵中的每个0-1 离散变量X (n, k, w) , 为便于求解原问题的上界, 首先将待求解变量从离散变量放松为连续区间变量, 后面会再通过本地搜索算法再将变量收敛到0 或者1, 从而经过有限的迭代过程, 最终得到最优性能解。将所有的优化变量X (n, k, w) 从离散的{0, 1}放松到连续区间[0, 1]之后, 我们可以得到放松之后的优化问题如下:

3.2.2 本地搜索算法

上面经过放松之后的优化问题, 可以使用内点法[22]等传统凸优化方法进行求解, 得到一组最优解和对应的最优值。为了得到原优化问题的一组可行解以及对应的可行值, 我们在本小节介绍的本地搜索算法中主要是在的基础上, 将放松后的变量重新收敛到0 或者1。

此处, 采用对通过求解放松问题得到的解进行四舍五入取整运算, 即:

经过以上处理之后, 在极个别情况下, 会出现某一个二维平面上存在两个1 的情况, 这与本问题的限制条件不符。为了解决这个问题, 我们采取如下措施:取整运算完成之后, 当某一个平面上有两个1 存在时, 比较这两个1 所在位置对应值的大小, 保留值较大的为1, 将另一个置0。更新所有变量值之后, 代入目标函数可以求得原优化问题的一个函数值, 作为原优化问题的可行下界。

本地搜索算法的详细描述如下:

本地搜索算法

3.2.3 变量选择和分割策略

在基于分支定界算法的每个迭代过程中, 若当前最大可行下界与最大上界仍无法满足迭代停止条件时, 需要继续选定一个子问题, 并选定该子问题中的一个未确定变量进行分割, 从而生成两个新的子问题, 进一步迭代求解。在我们的问题当中, 我们选择具有最大上界的子问题进行分割。子问题选定之后, 对分割变量的选择方法采用“不确定最大的值首先被分割”的原则。在我们的问题当中, 由于需把待求解的变量X (n, k, w) 确定为1 或者0, 因此, 我们选定距离不确定性最大的0.5 最近的变量首先进行分割, 即

算法整体描述如下所示:

算法I:全局最优中继选择与载波分配算法

输入变量:

主用户干扰温度矩阵Qth;

求解精度ε;

初始化:

迭代次数变量t=0 ;

子问题集合, 初始子问题;

原优化问题全局初始上界;

原优化问题全局初始下界;

迭代:

输出:

LBt为满足原优化问题求解精度要求的最终函数值。

在全局最优中继选择与载波分配算法中, Φub{Q}表示按照3.2.1 节中所描述的方法对子问题Q进行问题放松和求解的过程;Φlb{Q}表示按照3.2.2 节中所描述的本地搜索算法求解子问题Q上可行解的过程。

4 仿真结果与复杂度分析

4.1 仿真结果

本节将通过仿真实验来验证3.2节中所设计算法的性能。仿真参数如下:

●所有的信道都是单位方差、独立同分部 (i.i.d.) 的瑞利衰落信道;

●所有主次用户的发送节点最多只能占用一个子载波且有相同的发送功率, 即;

●所有主用户接收端在每个载波上的干扰温度限制值都为 Qth=5dB;

● 求解精度 ε=0.99 ;

● 所有仿真结果均是10000 次Monte Carlo信道仿真后的平均值。

需要说明的是, 在仿真中, 主用户之间的载波分配算法不是我们研究的重点, 此处我们采用以所有主用户对链路容量和最大化为目标的载波分配方法。

图2 分别给出了主用户对数量M=5, 次用户对数量N=5, 次用户中继节点数量K=10 情况下本文所设计中继选择与载波分配算法 (图中用“proposed”表示) 与通过穷举法 (图中用“exhaustive”表示) 取得所有次用户对链路容量和随子载波数量w变化的性能比较和本文所设计算法的平均迭代次数。从图中可以看出, 本文所设计中继选择与载波分配算法可以取到全局最优性能且平均迭代次数在1 到1.9 之间。运行以上仿真过程所有的台式PC机配置如下:Windows XP操作系统, Intel Pentium DualE2200 @2.2 GHz CPU和2 GB的内存。运行以上仿真时, “exhaustive” (“proposed”) 算法所用平均时间依次为:35秒 (少于1 秒) , 3 分2 秒 (少于1 秒) , 12 分45 秒34 分44 秒 (少于1 秒) , 1 小时20 分25 秒 (1 秒) , 2 小时43 分50 秒 (少于3 秒) 。

为进一步验证所提算法性能, 我们考虑在次用户中继节点数量K=8 情况下, 主次用户对以及整体系统的容量和随主用户对数量M和次用户对数量N、载波数量W变化时的三维性能曲线。需要说明的是, 因为仿真过程中本文所设计算法始终可以取到全局性能, 故没有再用proposed和exhaustive区分。图3分别从不同角度给出了主用户对容量和 (图中用“PUs”表示) 、次用户对容量和 (图中用“SUs”表示) 以及整个认知协作无线网络中所有主次用户对容量和 (图中用“PUs+SUs”表示) 。图4 从不同角度展示了本文所设计算法的平均迭代次数, 从图中可以看出我们的算法经过简单的几步迭代即可取到最优值。

4.2 复杂度分析

为进一步比较本文所设计算法与穷举法的性能, 我们将对这两种算法的计算复杂度进行定量分析。

由3.2 节中对本文所设计算法的描述可以得出, 本算法的计算复杂度主要体现在对N* K*W的三维变量中的每个元素的计算上, 因此其算法复杂度为ο (N* K*W) 。而当采用穷举方法时, 其计算复杂度为

上式中, 表示在K个中任选N个的所有排列数。上式中U1, U2, ..., UN分别代表第一个次用户对, 第二个次用户对, 第N个用户对进行中继选择和载波分配时的选择组合数。

综合以上仿真结果以及算法复杂度分析可知, 在多用户认知协作无线网络场景中, 本文所设计的中继选择与载波分配联合算法可取得全局最优性能且其运算复杂度远远低于穷举法。

5 结论