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。
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上传输的主用户对其干扰的估计值 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，根据训练序列估计其到次级用户发送端ST的信道增益 次级用户接收端SR并将这些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在其没有数据发送时，解调主用户的公共发送信号，如确认应答ACK，否定应答NAK等，据此估计其到主用户接收端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：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Γk＝0.1258，PC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Pk,k∈{1,2,
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：其中，Pmax表示认知基站CBS的最大发送功率，ITj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：其中，权重矩阵Mj＝I3×3，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Lmax＝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≤Lmax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′；
第五步，如果不等式UR(P′)-qUTP(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；
步骤十，认知基站CBS采用给定的功率向量 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。
2.如权利要求1所述的认知网络中鲁棒性能效传输的方法，其特征在于，在步骤三中，确定相关参数的不确定集合如下：令ε0＝εj＝τk＝δk,j∈{1,2},k∈{1,2,3}表示统一的不确定集合的边界，此外广义范数采用l2范数||·||2，对于向量X∈R1×n，l2范数||·||2可表示为 第一步，针对参数GSj，对于主用户P1的接收端来说，建立如下不确定集合其中， 即当主用户P1未在信道2上进行传输时，此时 令权重矩阵取值为单位矩阵 是GS1的当前估计值；
对于主用户P2的接收端来说，可获得类似的不确定集合其中， 即当主用户P1未在信道1和3上进行传输时，此时 令权重矩阵取值为单位矩阵 是GS2的当前估计值；
第二步，关于参数针对次级用户S1建立如下不确定集合关于次级用户S2建立如下不确定集合
其中，F1是次级用户S1在信道1上的信道增益 的不确定集合，F2和F3分别是次级用户S2在信道2和3上的信道增益 和 不确定集合，此时权重系数赋值为是次级用户在次级用户在信道k上的信道增益 的估计值；
其中，Lk是主用户在信道k上到次级用户的合成干扰 的不确定集合，Zk是权重系数赋值为 是主用户在信道k上到次级用户的合成干扰的估计值。
3.如权利要求1所述的认知网络中鲁棒性能效传输的方法，其特征在于，在步骤五中，最差值的表达式为：
4.如权利要求1所述的认知网络中鲁棒性能效传输的方法，其特征在于，在步骤六中，最差值的表达式为：
一种认知网络中鲁棒性能效传输的方法
技术领域
[0001] 本发明属于无线通信技术领域，尤其涉及一种认知网络中鲁棒性能效传输的方法。
背景技术
[0002] 认知无线电网络允许次级用户在不降低主用户的服务质量QoS的前提下利用主用户的授权频谱进行频谱共享，提高整个频谱的利用率。另一方面，最大化能效的无线传输技术成为目前绿色通信的热点问题。特别地，在认知无线电网络中，次级用户如何在提高频谱利用率的同时最大化自身能效是当前研究的热点问题。
[0003] 已有的大部分文献在最大化次级用户能效时，大都假设信道的状态信息CSI是准确的。然而，由于无线传输信道的时变特性，训练序列的有限性以及反馈信道的时延等因素的影响，发送端获取的信道状态信息CSI往往是不准确的。而且，不准确的信道状态信息会影响次级用户的能效特性以及主用户的服务质量。
[0004] 由于已有针对认知无线电网络的最大化能效方法是在假设准确信道信息情况下进行设计的。这些传输方法应用到实际无线系统中，往往会导致次级用户能效的恶化，也会降低主用户的服务质量。
发明内容
[0005] 本发明实施例的目的在于提供一种认知网络中鲁棒性能效传输的方法，旨在解决现有的认知无线电网络最大化能效方法因未考虑信道信息不确定性而导致次级用户能效的恶化，降低主用户服务质量的问题。
[0006] 本发明实施例是这样实现的，一种认知网络中鲁棒性能效传输的方法，该认知网络中鲁棒性能效传输的方法包括以下步骤：
[0007] 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；
[0008] 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
[0009] 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；
[0010] 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
[0011]
[0012] 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Γk=0.1258，PC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Pk,k∈{1,2,3}表示在信道k上的发送功率；
[0013] 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[0014]
[0015]
[0016]
[0017]
[0018]
[0019]
[0020] 其中，Pmax表示认知基站CBS的最大发送功率，ITj是第j个主用户接收端PR能够容忍的干扰门限值；
[0021] 步骤五，根据 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；
[0022] 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；；
[0023] 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：
[0024]
[0025] 其中，权重矩阵Mj=I3×3，逆矩阵 此外，l2范数||·||2的对偶范数仍为l2范数||·||2，即
[0026] 步骤八，将步骤五至七中的结果代入问题P1中，可转化为
[0027]
[0028] 步骤九，采用如下的功率分配算法，求解问题P2：
[0029] 第一步，给定最大迭代次数Lmax=50和误差容忍门限值κ=0.0001；
[0030] 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；
[0031] 第三步，当收敛标志符F==0且当前迭代索引n≤Lmax时，顺序执行下面语句；否则，跳转到第七步；
[0032] 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′；
[0033]
[0034] 第五步，如果不等式UR(P′)-qUTP(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；
[0035] 第六步，返回到第三步，继续顺序执行相关语句；
[0036] 第七步，返回最优能效值q*和最优功率分配向量P*=[P1*,P2*,P3*]；
[0037] 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。
[0038] 进一步，在步骤三中，确定相关参数的不确定集合如下：
[0039] 令ε0=εj=τk=δk,j∈{1,2},k∈{1,2,3}表示统一的不确定集合的边界，此外广义范数采用l2范数||·||2，对于向量X∈R1×n，l2范数||·||2可表示为
[0040] 第一步，针对参数GSj，对于主用户P1的接收端来说，建立如下不确定集合[0041]
[0042] 其中， 即当主用户P1未在信道2上进行传输时，此时 令3×3
权重矩阵取值为单位矩阵M1=I3×3∈R ， 是GS1的当前估计值；
[0043] 对于主用户P2的接收端来说，可获得类似的不确定集合
[0044]
[0045] 其中， 即当主用户P1未在信道1和3上进行传输时，此时令权重矩阵取值为单位矩阵M2=I3×3∈R3×3， 是GS2的当前估计值；
[0046] 第二步，关于参数 针对次级用户S1建立如下不确定集合
[0047]
[0048] 关于次级用户S2建立如下不确定集合
[0049]
[0050]
[0051] 其中，F1是次级用户S1在信道1上的信道增益 的不确定集合，F2和F3分别是次级用户S2在信道2和3上的信道增益 和 不确定集合，此时权重系数赋值为是次级用户在次级用户在信道k上的信道增益 的估计值；
[0052] 第三步，针对参数 可以获得如下不确定集合
[0053]
[0054] 其中，Lk是主用户在信道k上对次级用户产生的合成干扰 的不确定集合，Zk是权重系数赋值为 是主用户在信道k上对次级用户产生的合成干扰 的估计值。
[0055] 进一步，在步骤五中，最差值 的表达式为：
[0056]
[0057] 进一步，在步骤六中，最差值 的表达式为：
[0058]
[0059] 本发明提供的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，严格保证了主用户的服务质量同时最大化了次级用户的能效，可用于认知网络通信；
[0060] 本发明具有如下优点：
[0061] 1.本发明中次级用户通过测量确定其信道信息以及主用户到次级用户干扰信息的不确定集合，据此来优化自身的功率，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；
[0062] 2.本发明中次级用户利用主用户的信道信息的不确定集合来确定发送功率，严格地控制了到主用户接收端干扰功率，进而在信道信息不确定的情况下严格地保证了主用户的服务质量（QoS）；
[0063] 3.本发明通过考虑信道信息以及干扰功率的不确定性，采用鲁棒性的功率传输方法，有效地消除了信道信息不确定性对认知网络性能的恶化。
附图说明
[0064] 图1是本发明实施例提供的认知网络中鲁棒性能效传输的方法流程图；
[0065] 图2是本发明实施例提供的使用认知网络下行传输场景图；
[0066] 图3是本发明实施例提供的认知网络中鲁棒性能效传输的方法实现流程图；
[0067] 图4是本发明实施例提供的功率分配算法的子流程图。
具体实施方式
[0068] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0069] 下面结合附图及具体实施例对本发明的应用原理作进一步描述。
[0070] 如图1所示，本发明实施例的认知网络中鲁棒性能效传输的方法包括以下步骤：
[0071] S101：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；
[0072] S102：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；
[0073] S103：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；
[0074] S104：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；
[0075] S105：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。
[0076] 结合具体实施例对本发明做进一步的说明：
[0077] 如图2所示，本发明的仿真场景中包含两对主用户传输节点对PT和PR即P=2，对主用户编号为P1和P2，一个认知基站CBS和两个次级用户SR，分别编号为S1和S2，假设总共有三个信道即取K=3，其中次级用户接收端S1占用信道1，次级用户接收端S1占用信道2和3，主用户P1占用信道1和信道3，主用户P2占用信道2（次级用户和主用户如何占用信道不影响本发明的使用，这里仅给出一个具体信道占用的例子）；
[0078] 如图3所示，本发明中最大化能效的鲁棒性传输的方法，具体包括步骤如下：
[0079] 步骤一，次级用户接收端S1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1上传输的主用户对其干扰的估计值 次级用户接收端S2估计在信道2和3传输的主用户对其干扰的估计值 和 当主用户静默时，次级用户接收端S1和S2测量三个信道上的白噪声功率σ2(不失一般性，这里假定三个信道上白噪声功率相同)，次级用户接收端S1根据训练序列在信道1上认知基站CBS到其的信道增益 次级用户接收端S2在信道2和3上估计 和 次级用户接收端并将测量的数值通过反馈信道发送给认知基站CBS；
[0080] 步骤二，认知基站CBS根据主用户公共信息在三个信道上估计其到主用户接收端PR之间的信道增益 和
[0081] 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如下（这里为了方便表述，令ε0=εj=τk=δk,j∈{1,2},k∈{1,2,3}表示统一的不确定集合的边界，此外广义范数采用l2范数||·||2，对于向量X∈R1×n，l2范数||·||2可表示为[0082] 第一步，针对参数GSj，对于主用户P1的接收端来说，建立如下不确定集合[0083]
[0084] 其中， 即当主用户P1未在信道2上进行传输时，此时 令权重矩阵取值为单位矩阵M1=I3×3∈R3×3， 是GS1的当前估计值；
[0085] 对于主用户P2的接收端来说，可获得类似的不确定集合
[0086]
[0087] 其中， 即当主用户P1未在信道1和3上进行传输时，此时令权重矩阵取值为单位矩阵M2=I3×3∈R3×3， 是GS2的当前估计值；
[0088] 第二步，关于参数 针对次级用户S1建立如下不确定集合
[0089]
[0090] 关于次级用户S2建立如下不确定集合
[0091]
[0092]
[0093] 其中，F1是次级用户S1在信道1上的信道增益 的不确定集合，F2和F3分别是次级用户S2在信道2和3上的信道增益 和 不确定集合，此时权重系数赋值为是次级用户在次级用户在信道k上的信道增益 的估计值；
[0094] 第三步，针对参数 可以获得如下不确定集合
[0095]
[0096] 其中，Lk是主用户在信道k上对次级用户产生的合成干扰 的不确定集合，Zk是权重系数赋值为 是主用户在信道k上对次级用户产生的合成干扰 的估计值；
[0097] 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
[0098]
[0099] 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Γk=0.1258，PC是认知基站CBS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Pk,k∈{1,2,3}表示其在信道k上的发送功率；
[0100] 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[0101]
[0102]
[0103]
[0104]
[0105]
[0106] 其中，Pmax表示认知基站CBS的最大发送功率，ITj是第j个主用户接收端PR能够容忍的干扰门限值；
[0107] 步骤五，根据下式，求解次级用户在信道k上的信道增益 的最差值[0108]
[0109] 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
[0110] 步骤六，在此之后，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
[0111]
[0112] 其中，最差值指的是在给定一个可行的发送功率向量时，使得问题P1中目标函数最小的 的取值；
[0113] 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：
[0114]
[0115] 其中，权重矩阵Mj=I3×3，其逆矩阵 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，可将其转化为
[0116]
[0117] 步骤九，如图4所示，采用如下的功率分配算法，求解问题P2：
[0118] 第一步，给定最大迭代次数Lmax=50和误差容忍门限值κ=0.0001；
[0119] 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；
[0120] 第三步，当收敛标志符F==0且当前迭代索引n≤Lmax时，顺序执行下面语句；否则，跳转到第七步；
[0121] 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′；
[0122]
[0123] 第五步，如果不等式UR(P′)-qUTP(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；
[0124] 第六步，返回到第三步，继续顺序执行相关语句；
[0125] 第七步，返回最优能效值q*和最优功率分配向量P*=[P1*,P2*,P3*]；
[0126] 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。
[0127] 本发明中的次级用户通过测量确定其信道信息以及主用户到次级用户干扰信息的不确定集合，优化了自身的功率，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；次级用户利用主用户的信道信息的不确定集合来确定发送功率，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QoS；通过考虑信道信息以及干扰功率的不确定性，采用鲁棒性的功率传输方法，有效地消除了信息不确定性对认知网络性能的恶化。
[0128] 本发明的鲁棒性最大化能效传输方法可以广泛地应用到各种认知无线网络中，例如，集中式认知无线网络中认知基站的下行传输（应用实例所述）和单个次级用户的上行传输，分布式认知网络次级用户间点到点的传输或次级用户间点到多点的传输。
[0129] 本发明考虑了信道信息不确定性对认知网络性能的负面影响，与已有假设信道信息准确的传统方法相比具有以下优势：本发明能够严格地保证主用户的服务质量（如应用实例中认知基站CBS对主用户接收端PR的干扰功率将会严格小于给定干扰门限，以此保证主用户的传输质量），而传统方法当信道信息有不确定性时，其对主用户的干扰很有可能超过给定的干扰门限，从而严重地恶化主用户的传输质量；本发明能够提升次级用户发送端的能效（如应用实例中，认知基站CBS的下行能效能够得到最大化），而传统方法当信道信息有不确定性时，次级用户的能效会有明显的下降。
[0130] 综上所述，与传统方法相比，本发明在严格保证主用户服务质量的情况下，可最大化次级用户发送端的能效，是认知无线网络实现绿色通信的有效手段。
[0131] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
