[發明專利]一種基于聯合極化適配和波束賦形處理的極化?空域頻譜共享方法

有效

• 申請號: 201410208995.0
• 申請日: 2014-05-16
• 公開（公告）號: CN104023340B
• 公開（公告）日: 2017-07-11
• 發明（設計）人: 郭彩麗;厲東明;曾志民;馮春燕;林曉琳
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04W16/14
• 分類號: H04W16/14;H04B7/10
• 代理公司: 北京永創新實專利事務所11121
• 代理人: 趙文穎

1.一種基于聯合極化適配和波束賦形處理的極化-空域頻譜共享方法，包括如下步驟：

步驟一：對SU和PU進行極化域和空域信號表征；

假設授權系統和認知系統內部的用戶之間均無相互干擾，而同頻干擾只存在于PU與SU之間以及屬于不同系統的SU之間，其中，SU表示多對認知用戶，PU表示一對授權用戶；

授權發射機和授權接收機組成一個授權通信鏈路，認知發射機STa與認知接收機SRa組成認知通信鏈路Sa，認知發射機STb和認知接收機SRb組成認知通信鏈路Sb，在同一授權頻段上，兩個認知鏈路和一個授權鏈路共存，并且SU利用極化和空間資源消除用戶之間的干擾，假定認知發射機裝有N_t＝2N根雙極化天線，N是取值為1,2,3,...的自然數，認知接收機裝有N_r＝2根雙極化天線，認知發射機上ODPA的個數為N，認知接收機上ODPA的個數為1，假定PU采用單極化天線；

將PU的目標信號信道表示為H_P，SU的目標信號信道分別表示為H_Sa和H_Sb；干擾信號信道標記及其含義具體為：G_PSa表示SU-Sa用于監聽PU的信道，G_PSb表示SU-Sb用于監聽PU的信道，H_PSa表示PU對SU-Sa的干擾信道，H_PSb表示PU對SU-Sb的干擾信道，H_SaP表示SU-Sa對PU的干擾信道，H_SbP表示SU-Sb對PU的干擾信道，H_SaSb表示SU-Sa對SU-Sb的干擾信道，H_SbSa表示SU-Sb對SU-Sa的干擾信道；其中SU-Sa和SU-Sb分別指認知用戶Sa和Sb；

省略上述信道中用于表征用戶的下標，將所有信道矩陣統一表示成H，將極化和空間信息相分離的方法來表征信道矩陣

其中

$H^s=\[\begin{array}{cccc}{h}_1^s& h_2^s& ...& h_N^s\end{array}\]---\left(2\right)$

而是雙極化信道，i的取值為1,2,...,N；⊙為哈達瑪乘積，H^s表示信道的空間衰落作用，從認知發射端到任意接收端的信道在空間上是N×1的MISO信道，表示空間第i條路徑上的衰落系數；描述了認知發送端上第i個ODPA與認知接收端上ODPA之間信道的去極化特性；

假定u＝Sa或Sb，認知發送端STa和STb上第i個ODPA的發送極化狀態用Jones矢量分別表示為

$P_{u,i}^t=\left[\begin{array}{c}cos{\mathrm{\θ}}_{u,i}^t\\ {\mathrm{sin\θ}}_{u,i}^t{e}^{{\mathrm{j\φ}}_{u,i}^t}\end{array}\right]---\left(3\right)$

其中：和分別是認知發送端第i個ODPA上極化狀態的幅度描述子和相位描述子；

將認知鏈路Sa和Sb的發送極化狀態進一步寫成

$P_u^t={\left[\begin{array}{cccc}{P}_{u,1}^t& P_{u,2}^t& ...& P_{u,N}^t\end{array}\right]}^T---\left(4\right)$

認知鏈路Sa和Sb的接收極化狀態表示為

$P_u^r=\left[\begin{array}{c}cos{\mathrm{\θ}}_u^r\\ {\mathrm{sin\θ}}_u^r{e}^{{\mathrm{jf}}_u^r}\end{array}\right]---\left(5\right)$

其中：和分別是認知接收端上接收極化狀態的幅度描述子和相位描述子；

認知發送波束賦形矢量W_u表示為

$W_u=\left[\begin{array}{c}{w}_1^u\\ w_2^u\\ .\\ .\\ .\\ w_N^u\end{array}\right]=\left[\begin{array}{c}{\mathrm{\β}}_1^u{e}^{{\mathrm{j\ψ}}_1^u}\\ {\mathrm{\β}}_2^u{e}^{{\mathrm{j\ψ}}_2^u}\\ .\\ .\\ .\\ {\mathrm{\β}}_N^u{e}^{{\mathrm{j\ψ}}_N^u}\end{array}\right]---\left(6\right)$

其中：和分別是認知發射端波束賦形因子的幅度和相位；

步驟二：將SU的到達和離去過程建模為泊松過程，進一步利用馬爾科夫鏈描述授權頻譜的動態轉移特性，并根據歸一化方程計算授權頻譜處于每種可能狀態的概率；

假設認知通信的到達過程為泊松過程，SU的狀態變化用馬爾科夫鏈來描述，假設授權頻譜的狀態為其中X₁表示PU是否存在，X₂表示認知鏈路Sa是否存在，X₃表示認知鏈路Sb是否存在；如果以“0”表示沒有通信存在，而以“1”表示有通信存在，則授權頻譜在不存在PU的狀態集合為存在PU狀態的集合為將兩個認知鏈路的通信到達率和離去率分別表示為λ_Sa，λ_Sb以及ν_Sa，ν_Sb；

描述上述狀態轉移的穩態方程及歸一化方程為

$\left\{\begin{array}{c}{\mathrm{\υ}}_{Sa}{p}_{110}+{\mathrm{\υ}}_{Sb}{p}_{101}=({\mathrm{\λ}}_{Sa}+{\mathrm{\λ}}_{Sb})p_{100}\\ {\mathrm{\λ}}_{Sa}{p}_{100}+{\mathrm{\λ}}_{Sb}{p}_{111}=({\mathrm{\υ}}_{Sa}+{\mathrm{\λ}}_{Sb})p_{110}\\ {\mathrm{\υ}}_{Sa}{p}_{111}+{\mathrm{\λ}}_{Sb}{p}_{100}=({\mathrm{\λ}}_{Sa}+{\mathrm{\υ}}_{Sb})p_{101}\\ {\mathrm{\λ}}_{Sa}{p}_{101}+{\mathrm{\λ}}_{Sb}{p}_{110}=({\mathrm{\υ}}_{Sa}+{\mathrm{\υ}}_{Sb})p_{111}\\ p_{100}+p_{110}+p_{101}+p_{111}=1\end{array}\right.---\left(7\right)$

對上述方程組進行求解，得到授權頻譜處于每個狀態的概率為

$\left\{\begin{array}{c}{p}_{100}=\frac{{\mathrm{\υ}}_{Sa}{\mathrm{\υ}}_{Sb}}{({\mathrm{\λ}}_{Sa}+{\mathrm{\υ}}_{Sa})({\mathrm{\λ}}_{Sb}+{\mathrm{\υ}}_{Sb})}\\ p_{110}=\frac{{\mathrm{\λ}}_{Sa}{\mathrm{\υ}}_{Sb}}{({\mathrm{\λ}}_{Sa}+{\mathrm{\υ}}_{Sa})({\mathrm{\λ}}_{Sb}+{\mathrm{\υ}}_{Sb})}\\ p_{101}=\frac{{\mathrm{\λ}}_{Sb}{\mathrm{\υ}}_{Sa}}{({\mathrm{\λ}}_{Sa}+{\mathrm{\υ}}_{Sa})({\mathrm{\λ}}_{Sb}+{\mathrm{\υ}}_{Sb})}\\ p_{111}=\frac{{\mathrm{\λ}}_{Sa}{\mathrm{\λ}}_{Sb}}{({\mathrm{\λ}}_{Sa}+{\mathrm{\υ}}_{Sa})({\mathrm{\λ}}_{Sb}+{\mathrm{\υ}}_{Sb})}\end{array}\right.---\left(8\right)$

步驟三：利用步驟三得到的結果計算每種授權頻譜狀態下SU的吞吐量，進而計算涉及所有授權頻譜狀態的SU加權吞吐量；

計算每種授權頻譜的狀態下SU的吞吐量，每種授權頻譜的狀態的計算方法相同，以授權頻譜狀態為例說明極化信號和空域信號的表征和處理；

假設認知發送端STa的原始信號為s_Sa，將此信號承載到極化狀態上并經過波束賦形矢量W_Sa作用后的發送信號記為此發送信號通過信道H_Sa到達認知接收端SRa接收天線之前的來波信號記為經SRa的接收天線以極化狀態接收以后的接收信號記為類似地，認知接收端SRa接收到的來自STb的干擾信號可記為而SRa接收到的來自PU的干擾信號可記為那么認知接收端SRa的接收信號就可以表示為目標信號、來自PU的干擾信號、來自SU-Sb的干擾信號和噪聲的疊加：

其中：n_Sa為SRa上零均值、方差為的加性噪聲矢量；s_Sb和s_p分別是SU-Sb和PU的發送信號；類似地，認知接收端SRb的接收信號可表示為

其中：n_Sb為SRb上零均值、方差為的加性噪聲矢量；

基于式(9)和式(10),認知鏈路Sa接收到的目標信號功率可表示為干擾信號功率可表示為那么在授權頻譜狀態下，認知鏈路Sa的吞吐量為

而認知鏈路Sb在授權頻譜狀態下的吞吐量可以類似地計算為

類似地，PU的接收信號可表示為

其中n_p為授權接收端的加性噪聲矢量；那么SU對PU的干擾功率為

與狀態類似，當授權頻譜處于狀態時，SU吞吐量以及SU對PU的干擾功率可以類似地求得：

認知鏈路Sa和Sb的統計吞吐量分別為

${\mathrm{\γ}}_{Sa}=p_{110}{\mathrm{\γ}}_{Sa}^{110}+p_{111}{\mathrm{\γ}}_{Sa}^{111}---\left(19\right)$

${\mathrm{\γ}}_{Sb}=p_{110}{\mathrm{\γ}}_{Sb}^{110}+p_{111}{\mathrm{\γ}}_{Sb}^{111}---\left(20\right)$

從而SU加權吞吐量為

$\widetilde{\mathrm{\γ}}={\mathrm{\γ}}_{Sa}+{\mathrm{\γ}}_S---\left(21\right)$

步驟四：SU采樣PU信號，基于降噪后的PU信號，利用SU和PU之間上下行信道的互易性進行盲極化適配處理，得到對PU無干擾的SU發送極化狀態；

SU調整極化狀態以及波束賦形參數的目標是在對PU造成可接受干擾的條件下，最大化加權的認知系統吞吐量由于只要滿足對PU的干擾限制，就能保證和分別都能滿足PU的干擾限制；設ζ為不影響PU正常通信的干擾功率上限，極化-空域頻譜機會可通過建模下面的優化問題求得：

首先將SU的發送極化狀態設置為對PU無干擾的極化狀態，從而使得到簡化，而后利用群智能算法對簡化后的優化問題進行求解；

設認知發送端STa上每個ODPA的發送極化狀態在通過SU-Sa與PU之間的干擾信道后應該與授權接收極化狀態P_c相正交，即

${\left(P_c\right)}^H\left(h_{i,SaP}^s{H}_{i,SaP}^p\right)P_{{\mathrm{Sa}}_i}^t=0---\left(23\right)$

其中：和分別為認知發送端STa上第i個ODPA到授權接收端之間信道的空間衰落系數和去極化信道矩陣；同樣地，認知發送端STb上每個ODPA的發送極化狀態在通過SU-Sb與PU之間的干擾信道后也應該與授權接收極化狀態P_c相正交，即

${\left(P_c\right)}^H\left(h_{i,SbP}^s{H}_{i,SbP}^p\right)P_{{\mathrm{Sb}}_i}^t=0---\left(24\right)$

其中：和分別為認知發送端STb上第i個ODPA到授權接收端之間信道的空間衰落系數和去極化信道；在式(23)和式(24)兩端同時乘以s_P(n)可得

$P_c^H\left(h_{i,SaP}^s{H}_{i,SaP}^p\right)P_{{\mathrm{Sa}}_i}^t{s}_P\left(n\right)=0---\left(25\right)$

$P_c^H\left(h_{i,SbP}^s{H}_{i,SbP}^p\right)P_{{\mathrm{Sb}}_i}^t{s}_P\left(n\right)=0---\left(26\right)$

對上述兩式做進一步變換，可得

${\[h_{i,SaP}^s{\left(H_{i,SaP}^p\right)}^H{P}_c{s}_p\left(n\right)\]}^H{P}_{{\mathrm{Sa}}_i}^t=0---\left(27\right)$

${\[h_{i,SbP}^s{\left(H_{i,SbP}^p\right)}^H{P}_c{s}_p\left(n\right)\]}^H{P}_{{\mathrm{Sb}}_i}^t=0---\left(28\right)$

利用信道與信道之間的互易性以及信道與信道之間的互易性，將和分別代入式(27)和式(28)可得

${\[h_{i,SaP}^s{G}_{i,PSa}^p{P}_c{s}_p\left(n\right)\]}^H{P}_{{\mathrm{Sa}}_i}^t=0---\left(29\right)$

${\[h_{i,SbP}^s{G}_{i,PSb}^p{P}_c{s}_p\left(n\right)\]}^H{P}_{{\mathrm{Sb}}_i}^t=0---\left(30\right)$

在式(29)中，為從授權接收端發出、經過信道后到達認知發射端STa上第i個ODPA之前的抽樣授權信號，而在式(30)中，為從授權接收端發出、經過信道后到達認知發射端STb上第i個ODPA之前的抽樣授權信號；因此，認知發送極化狀態以及分別根據來自于PU的抽樣信號以及得出，實際中認知發送端STa與STb上第i個ODPA上監聽到授權信號中有加性噪聲成分，即

$Y_{Sa}^i\left(n\right)=h_{i,SaP}^s{G}_{i,PSa}^p{P}_c{s}_p\left(n\right)+{\mathrm{\σ}}_{i,Sa}\left(n\right)---\left(31\right)$

$Y_{Sb}^i\left(n\right)=h_{i,SbP}^s{G}_{i,PSb}^p{P}_c{s}_p\left(n\right)+{\mathrm{\σ}}_{i,Sb}\left(n\right)---\left(32\right)$

其中：σ_i,Sa(n)和σ_i,Sb(n)分別為認知發送端STa和STb上第i個ODPA處的加性噪聲；

對和做降噪處理，方法相同，將和統一表示為Y_n；

首先，對的共軛轉置矩陣Y^H及其相關矩陣Y^HY分別進行奇異值分解和特征值分解可得

Y^H＝UΣV^H(33)

$\begin{array}{c}{Y}^{H}Y={\mathrm{U\Σ}}_1{U}^H\\ =\[\begin{array}{cc}{U}_s& U_0\end{array}\]\left[\begin{array}{cc}{\mathrm{\Σ}}_s& 0\\ 0& {\mathrm{\Σ}}_0\end{array}\right]\left[\begin{array}{c}{U}_s^H\\ U_0^H\end{array}\right]\end{array}---\left(34\right)$

其中，U、Σ、V和Σ₁分別是N×N、N×2、2×2和N×N的矩陣，并且矩陣Σ₁和Σ中的對角線元素都是按由大到小的順序排列的，矩陣Y^HY的非零特征值是矩陣Y^H的非零奇異值的平方，即矩陣Σ₁中的非零元素分別是矩陣Σ中對應的非零元素的平方，另外，矩陣U_s中的矢量張成信號子空間，而矩陣U₀中的矢量張成噪聲子空間，而且Σ_s代表了信號和噪聲的功率信息，而Σ₀僅代表噪聲的功率信息，通過在混合信號功率Σ_s中減去噪聲功率Σ₀達到降噪的目的，將監聽到的授權信號自相關矩陣的功率矩陣重構為

${\mathrm{\Σ}}_2=\left[\begin{array}{cc}{\mathrm{\Σ}}_s-{\mathrm{\Σ}}_0& 0\\ 0& 0\end{array}\right]---\left(35\right)$

并進一步構造矩陣

${\mathrm{\Σ}}_3=\left[\begin{array}{cc}{({\mathrm{\Σ}}_s-{\mathrm{\Σ}}_0)}^{\frac{1}{2}}& 0\\ 0& 0\end{array}\right]---\left(36\right)$

式(36)中，由于Σ_s-Σ₀是對角陣，相當于對矩陣Σ_s-Σ₀的每個對角線元素取平方根，利用矩陣U、V、Σ₂和Σ₃分別構造如下兩個矩陣

Q＝UΣ₂U^H(37)

$Z={\left(\hat{Y}\right)}^H={\mathrm{U\Σ}}_3{V}^H---\left(38\right)$

Σ₂、Σ₃、Q和Z分別是矩陣Σ₁、Σ、Y^HY和Y^H去除噪聲功率Σ₀后得到的，對于原始抽樣授權信號Y，將去噪后的授權信號構造為

$\hat{Y}=Z^H---\left(39\right)$

對和按上述方法進行去噪處理后，得到

${\hat{Y}}_{Sa}^i\left(n\right)=Y_{Sa}^i\left(n\right)-{\mathrm{\σ}}_{i,Sa}\left(n\right)=h_{i,SaP}^s{G}_{i,PSa}^p{P}_c{s}_p\left(n\right)---\left(40\right)$

${\hat{Y}}_{Sb}^i\left(n\right)=Y_{Sb}^i\left(n\right)-{\mathrm{\σ}}_{i,Sb}\left(n\right)=h_{i,SbP}^s{G}_{i,PSb}^p{P}_c{s}_p\left(n\right)---\left(41\right)$

進而將式(40)和式(41)分別代入式(29)和式(30)中，可得

${\[{\hat{Y}}_{Sa}^i\left(n\right)\]}^H{P}_{{\mathrm{Sa}}_i}^t=0---\left(42\right)$

${\[{\hat{Y}}_{Sb}^i\left(n\right)\]}^H{P}_{{\mathrm{Sb}}_i}^t=0---\left(43\right)$

SU發送極化狀態和分別根據去噪后的采樣授權信號以及構建成正交投影矢量：

$P_{{\mathrm{Sa}}_i}^t=I_2-{\hat{Y}}_{Sa}^i\left(n\right){\left\{{\[{\hat{Y}}_{Sa}^i\left(n\right)\]}^H{\hat{Y}}_{Sa}^i\left(n\right)\right\}}^{-1}{\[{\hat{Y}}_{Sa}^i\left(n\right)\]}^H---\left(44\right)$

$P_{{\mathrm{Sb}}_i}^t=I_2-{\hat{Y}}_{Sb}^i\left(n\right){\left\{{\[{\hat{Y}}_{Sb}^i\left(n\right)\]}^H{\hat{Y}}_{Sb}^i\left(n\right)\right\}}^{-1}{\[{\hat{Y}}_{Sb}^i\left(n\right)\]}^H---\left(45\right)$

步驟五：以SU加權吞吐量為優化目標，以SU的接收極化狀態和波束賦形向量為待求解變量，采用群智能算法求解二次型分式優化問題；

將式(44)和式(45)代入式(22)中，將優化問題即簡化為以下關于W_Sa,W_Sb的無約束四元優化問題：

優化問題為無約束的加權分式二次型優化問題，采用群智能算法對優化問題進行求解，獲得SU的極化狀態和波束賦形向量。

2.根據權利要求1所述的一種基于聯合極化適配和波束賦形處理的極化-空域頻譜共享方法，所述的步驟五中，采用群智能算法按下面的算法求解具體為：

算法的輸入：H_Sa,H_Sb,H_PSa,H_PSb,H_SaSb,H_SbSa,P_c,p₁₁₀,p₁₁₀,p₁₁₀,

算法的輸出：最優的W_Sa,W_Sb；

具體步驟為：

步驟一，初始化

隨機初始化待求解矢量并且根據式(21)計算效用函數值

步驟二，智能學習

根據學習算法規定的學習準則，產生新的學習矢量u_e，計算其效用函數值

步驟三，比較和更新

將歷史迭代產生的最優極化-空域頻譜機會矢量記為u_max，最優效用函數值記為如果更新u_max＝u_e；

步驟四，根據算法終止條件，判斷繼續執行算法或者停止算法，得到輸出。