文章目录
II. SYSTEM MODEL
我们考虑一个双功能MIMO DFRC系统，该系统由DFRC基站、合法用户和潜在窃听目标组成，如图1所示。DFRC系统采用 N N N 根天线的均匀线性阵列(ULA)，为 K K K 个单天线用户服务，同时检测点状目标，即单天线窃听器。为方便起见，将多天线发射机、合法用户和目标分别称为Alice、Bobs和Eve。
A. Signal Model
在图1所示的场景中，DFRC基站Alice打算在潜在窃听者Eve存在的情况下，将机密信息发送给单天线合法用户Bobs。在bobs和Eve处接收到的符号向量可以分别建模为
y
=
H
x
+
z
r
=
α
a
H
(
θ
)
x
+
e
,
\begin{align*} \mathbf {y}=&{\mathbf {H}}\mathbf {x} + \mathbf {z} \\ {r}=&{\alpha \bf {a}}^{H}\left ({\theta }\right){\mathbf{x}} + {e},\tag{1}\end{align*}
y=r=Hx+zαaH(θ)x+e,(1)
式中 H = [ h 1 , h 2 , ⋯ , h K ] T ∈ C K × N {\mathbf {H}} = {\left [{ {{{\mathbf {h}}_{1}},{{\mathbf {h}}_{2}}, \cdots,{{\mathbf {h}}_{K}}} }\right]^{T}}\in {\mathbb {C}^{K\times N}} H=[h1,h2,⋯,hK]T∈CK×N 为信道矩阵， x ∈ C N {\mathbf {x}}\in {\mathbb {C}^{N}} x∈CN 为发射信号矢量，α表示复路径损耗系数， θ θ θ 为目标角度， a ( θ ) = [ 1 e j 2 π Δ sin ( θ ) ⋯ e j 2 π ( N − 1 ) Δ sin ( θ ) ] D ′ T ∈ C N × 1 \begin{aligned} \mathbf {a}\left ({\theta }\right)={{\left [{ \begin{matrix} 1 & {e^{j2\pi \Delta \sin \left ({\theta }\right)}} & \cdots & {e^{j2\pi \left ({N-1 }\right)\Delta \sin \left ({\theta }\right)}} \\ \end{matrix} }\right]}^{\vphantom {D^{'}}T}}\in {{\mathbb {C}}^{N\times 1}} \end{aligned} a(θ)=[1ej2πΔsin(θ)⋯ej2π(N−1)Δsin(θ)]D′T∈CN×1 为发射天线阵列的导向向量， Δ \Delta Δ 为相邻天线之间的归一化间隔。 z {\mathbf {z}} z 和 e e e 分别为噪声向量和标量，分别为 z i ∼ C N ( 0 , σ z i 2 ) {z_{i}}\sim {\mathcal{ C}}{\mathcal{ N}}\left ({{0,\sigma _{z_{i}}^{2}} }\right) zi∼CN(0,σzi2)， e ∼ C N ( 0 , σ e 2 ) e\sim \mathcal {C}\mathcal {N}\left ({{0,\sigma _{e}^{2}} }\right) e∼CN(0,σe2)。
考虑an -辅助发射波束形成，发射向量
x
\mathbf {x}
x 可以写成
x
=
W
s
+
n
\begin{equation*} {\mathbf {x} = \mathbf {W} \mathbf {s} + \mathbf {n}}\tag{2}\end{equation*}
x=Ws+n(2)
其中 s ∈ C K {\mathbf {s}}\in {\mathbb {C}^{K}} s∈CK 为Bobs的期望符号向量，其中我们假设 E [ s s H ] = I \mathbb {E}\left [{ {{\mathbf {s}}}\mathbf {s}^{H} }\right]={\mathbf {I}} E[ssH]=I， W = [ w 1 , w 2 , ⋯ , w K ] ∈ C N × K {\mathbf {W}} = \left [{ {{{\mathbf {w}}_{1}},{{\mathbf {w}}_{2}}, \cdots,{{\mathbf {w}}_{K}}} }\right] \in {\mathbb {C}^{N\times K}} W=[w1,w2,⋯,wK]∈CN×K 为波束形成矩阵，波束形成矩阵 W \mathbf {W} W 的每一列表示每个用户的波束形成向量， n \mathbf {n} n 为Alice为避免信息泄露给Eves而生成的人工噪声向量。假设 n ∼ C N ( 0 , R N ) {{\mathbf {n}}}\sim \mathcal {C}\mathcal {N}\left ({{0,{{\mathbf {R}}_{N}}} }\right) n∼CN(0,RN)。此外，我们假设所需的符号向量s和人工噪声向量n彼此独立。
根据[9]，我们假定上述信号同时用于雷达和通信操作，其中每个通信符号都被视为雷达脉冲的快照。那么，发射的双功能波形2的协方差矩阵可以表示为
R
X
=
E
[
x
x
H
]
=
∑
i
=
1
K
W
i
+
R
N
,
\begin{equation*} {{\mathbf {R}}_{X}} = \mathbb {E}\left [{{\mathbf {x}}{{\mathbf {x}}^{H}}}\right] = \sum \limits _{i = 1}^{K} {{{\mathbf {W}}_{i}} + {{\mathbf {R}}_{N}}},\tag{3}\end{equation*}
RX=E[xxH]=i=1∑KWi+RN,(3)
其中
W
i
≜
w
i
w
i
H
{{\mathbf {W}}_{i}}\triangleq {{\mathbf {w}}_{i}}\mathbf {w}_{i}^{H}
Wi≜wiwiH。那么，波束图可以表示为
P
b
p
=
a
H
(
θ
)
R
X
a
(
θ
)
.
\begin{equation*} {P_{bp}}={{\mathbf {a}}^{H}}\left ({\theta }\right){{\mathbf {R}}_{X}}\mathbf {a}\left ({\theta }\right).\tag{4}\end{equation*}
Pbp=aH(θ)RXa(θ).(4)
B. Metrics
为了评估系统的性能，我们在本小节中定义了一些性能指标。首先，基于前述的系统模型，给出了系统的第
i
i
i 个用户SINR可以写成
SINR
i
=
E
[
∣
h
i
T
w
i
s
i
∣
2
]
∑
k
≠
i
,
k
=
1
K
E
[
∣
h
i
T
w
k
s
k
∣
2
]
+
E
[
∣
h
i
T
n
∣
2
]
+
σ
z
i
2
=
h
i
T
W
i
h
i
∗
∑
k
≠
i
,
k
=
1
K
(
h
i
T
W
k
h
i
∗
)
+
(
h
i
T
R
N
h
i
∗
)
+
σ
z
i
2
\begin{aligned} \operatorname{SINR}_{i} & =\frac{\mathbb{E}\left[\left|\mathbf{h}_{i}^{T} \mathbf{w}_{i} s_{i}\right|^{2}\right]}{\sum_{k \neq i, k=1}^{K} \mathbb{E}\left[\left|\mathbf{h}_{i}^{T} \mathbf{w}_{k} s_{k}\right|^{2}\right]+\mathbb{E}\left[\left|\mathbf{h}_{i}^{T} \mathbf{n}\right|^{2}\right]+\sigma_{z_{i}}^{2}} \\ & =\frac{\mathbf{h}_{i}^{T} \mathbf{W}_{i} \mathbf{h}_{i}^{*}}{\sum_{k \neq i, k=1}^{K}\left(\mathbf{h}_{i}^{T} \mathbf{W}_{k} \mathbf{h}_{i}^{*}\right)+\left(\mathbf{h}_{i}^{T} \mathbf{R}_{N} \mathbf{h}_{i}^{*}\right)+\sigma_{z_{i}}^{2}} \end{aligned}
SINRi=∑k=i,k=1KE[
hiTwksk
2]+E[
hiTn
2]+σzi2E[
hiTwisi
2]=∑k=i,k=1K(hiTWkhi∗)+(hiTRNhi∗)+σzi2hiTWihi∗
1注意，生成的AN是有色高斯噪声，具有良好的自相关特性，因此对在雷达接收机重建目标的影响可以忽略不计。
2在一般雷达系统中，为了估计目标，需要在接收端知道发射波形。在DFRC系统中，由于波形一个符号一个符号地变化，与接收机共享发送波形所产生的开销很大。因此，在我们的系统模型中假设采用单基地雷达而不是双基地雷达，即发射机和接收机是配置在一起的。
式(5)可以化简
SINR
i
=
tr
(
h
i
∗
h
i
T
W
i
)
∑
k
≠
i
,
k
=
1
K
tr
(
h
i
∗
h
i
T
W
k
)
+
tr
(
h
i
∗
h
i
T
R
N
)
+
σ
z
i
2
.
\begin{align*} {{\text {SINR}}_{i}}=\frac {\text {tr}\left ({\mathbf {h}_{i}^{*} \mathbf {h}_{i}^{T}{{\mathbf {W}}_{i}} }\right)}{\sum \nolimits _{k\ne i, k=1}^{K}{\text {tr}\left ({\mathbf {h}_{i}^{*}\mathbf {h}_{i}^{T}{{\mathbf {W}}_{k}} }\right)}+\text {tr}\left ({\mathbf {h}_{i}^{*}\mathbf {h}_{i}^{T}{{\mathbf {R}}_{N}} }\right)+\sigma _{z_{i}}^{2}}. \\\tag{6}\end{align*}
SINRi=∑k=i,k=1Ktr(hi∗hiTWk)+tr(hi∗hiTRN)+σzi2tr(hi∗hiTWi).
合法用户可达到的传输速率为
R
C
i
=
log
2
(
1
+
SIN
R
i
)
.
\begin{equation*} {R_{C_{i}}} = {\log _{2}}\left ({{1 + {\text {SIN}}{{\text {R}}_{i}}} }\right).\tag{7}\end{equation*}
RCi=log2(1+SINRi).(7)
同样，基于(2)和(3)中给定的信号模型，Eve处的SNR为[36]
SN
R
E
=
∣
α
∣
2
a
H
(
θ
)
∑
i
=
1
K
W
i
a
(
θ
)
∣
α
∣
2
a
H
(
θ
)
R
N
a
(
θ
)
+
σ
e
2
.
\begin{equation*} \text {SN}{{\text {R}}_{E}}=\frac {{\left |{ \alpha }\right |^{2}}{{\mathbf {a}}^{H}}\left ({\theta }\right)\sum \nolimits _{i=1}^{K}{{{\mathbf {W}}_{i}}}\mathbf {a}\left ({\theta }\right)}{{\left |{ \alpha }\right |^{2}}{{\mathbf {a}}^{H}}\left ({\theta }\right){{\mathbf {R}}_{N}}\mathbf {a}\left ({\theta }\right)+\sigma _{e}^{2}}.\tag{8}\end{equation*}
SNRE=∣α∣2aH(θ)RNa(θ)+σe2∣α∣2aH(θ)∑i=1KWia(θ).(8)
在实践中，目标的精确位置不太可能提前知道。在此，我们定义了一个目标位置角度不确定性区域，给出为
[
θ
0
−
Δ
θ
,
θ
0
+
Δ
θ
]
\left [{ {\theta _{0} - \Delta \theta,{\theta _{0}} + \Delta \theta } }\right]
[θ0−Δθ,θ0+Δθ]，其中
Δ
θ
\Delta \theta
Δθ 为先验给定的不确定性区域。这个场景将在第四节进行阐述，那么，Eve可达到的传输速率可以表示为
R
E
=
log
2
(
1
+
SN
R
E
)
.
\begin{equation*} {R_{E}} = {\log _{2}}\left ({{1 + {\text {SN}}{{\text {R}}_{E}}} }\right).\tag{9}\end{equation*}
RE=log2(1+SNRE).(9)
另外，发射功率表示为
P
t
=
tr
(
R
X
)
.
\begin{equation*} {P_{t}}=\text {tr}({{\mathbf {R}}_{X}}).\tag{10}\end{equation*}
Pt=tr(RX).(10)
给定Bobs和Eve可实现的传输速率，系统的最坏保密率定义为[37]
SR
=
min
i
[
R
C
i
−
R
E
]
+
.
\begin{equation*} {\text {SR}} = \min \limits _{i} {\left [{ {{R_{C_{i}}} - {R_{E}}} }\right]^ {+} }.\tag{11}\end{equation*}
SR=imin[RCi−RE]+.(11)
请注意，由于我们专注于优化DFRC信号和AN的协方差矩阵，因此本文不考虑距离旁瓣（ range sidelobe），因为它依赖于符号级波形设计，这将被指定为我们未来的工作。
C. Channel Model With Imperfect CSI and Statistical CSI
-
不完全CSI：根据[38]，第 i i i 个下链路用户的加性信道误差模型可表示为 h i = h ~ i + e i {{\mathbf {h}}_{i}} = {{\mathbf {\tilde h}}_{i}} + {{\mathbf {e}}_{i}} hi=h~i+ei，其中 h ~ i {{\mathbf {\tilde h}}_{i}} h~i 为Alice处已知的信道估计向量， e i {{\mathbf {e}}_{i}} ei 为球面区域内的信道不确定性 ℑ i = { e i ∣ ∥ e i ∥ 2 ≤ μ i 2 } {\Im _{i}} = \{ {{\mathbf {e}}_{i}}|{\left \|{ {{{\mathbf {e}}_{i}}} }\right \|^{2}} \le {\boldsymbol{\mu }}_{i}^{2}\} ℑi={ei∣∥ei∥2≤μi2}。
-
Statistical CSI CSI：由于BS知道的是统计CSI，而不是瞬时CSI，所以我们将第i个用户的SINR重写为
SIN R i = tr ( R ~ h i W i ) ∑ k ≠ i , k = 1 K tr ( R ~ h i W k ) + tr ( R ~ h i R N ) + σ z 2 , \begin{equation*} {\text {SIN}}{{\text {R}}_{i}} = \frac {{{\text {tr}}\left ({{{{{\mathbf {\tilde R}}}_{h_{i}}}{{\mathbf {W}}_{i}}} }\right)}}{{\sum \nolimits _{k \ne i,k = 1}^{K} {{\text {tr}}\left ({{{{{\mathbf {\tilde R}}}_{h_{i}}}{{\mathbf {W}}_{k}}} }\right)} + {\text {tr}}\left ({{{{{\mathbf {\tilde R}}}_{h_{i}}}{{\mathbf {R}}_{N}}} }\right) + {\sigma _{z}^{2}}}},\tag{12}\end{equation*} SINRi=∑k=i,k=1Ktr(R~hiWk)+tr(R~hiRN)+σz2tr(R~hiWi),(12)
其中 R ~ h i = E { h i ∗ h i T } {{\mathbf {\tilde R}}_{h_{i}}} = {\mathbf {E}}\left \{{ {{\mathbf {h}}_{i}^{*}{\mathbf {h}}_{i}^{T}} }\right \} R~hi=E{hi∗hiT} 表示第 i i i 个用户的
具有不确定性的下行链路信道协方差矩阵。因此，真实的信道协方差矩阵可以建模为 R h i = R ~ h i + Δ i , ∀ i {{\mathbf {R}}_{h_{i}}} = {{\mathbf {\tilde R}}_{h_{i}}} + {{\boldsymbol{\Delta }}_{i}},\forall i Rhi=R~hi+Δi,∀i，其中 Δ i , ∀ i {{\boldsymbol{\Delta }}_{i}}, \forall i Δi,∀i 是估计的误差矩阵。假设第 i i i 个用户的误差矩阵的Frobenius范数有一个已知的常数，可以表示为 ∥ Δ i ∥ ≤ δ i \left \|{ {{{\boldsymbol{\Delta }}_{i}}} }\right \| \le {\delta _{i}} ∥Δi∥≤δi。
V. ROBUST BEAMFORMING WITH IMPERFECT CSI AND TARGET DIRECTION UNCERTAINTY
在本节中，基于前几节中提出的模型，我们考虑了在基站无法获得完美信道信息的情况。通过依赖鲁棒优化的方法，我们制定了一个优化问题，旨在设计对信道不确定性具有鲁棒性的双功能波束形成器，该波束形成器在球形区域内有界。同时，为了保证算法的通用性，在潜在窃听者可能位置的角区间内，对目标接收到的最坏情况SNR进行最小化。然后，针对所考虑的分数优化问题设计了一个高效的求解器，并进行了详细的复杂度分析。
A. Problem Formulation
回顾第二节中演示的信道模型，我们将发射机不完全知道CSI时的优化问题表述如下。根据著名的 S-procedure[49]，
∀
e
i
H
e
i
≤
μ
i
2
\forall {\mathbf {e}}_{i}^{H}{{\mathbf {e}}_{i}} \le \mu _{i}^{2}
∀eiHei≤μi2，保证合法用户的最坏情况SINR的约束可以重新表述为[38]
(
h
~
i
+
e
i
)
H
(
W
i
−
γ
b
∑
k
=
1
,
k
≠
i
K
W
k
−
γ
b
R
N
)
(
h
~
i
+
e
i
)
−
γ
b
σ
2
≥
0
,
∀
i
.
\begin{align*}&\hspace {-0.5pc}{\left ({{{{{\mathbf {\tilde h}}}_{i}} + {{\mathbf {e}}_{i}}} }\right)^{H}}\left ({{{{\mathbf {W}}_{i}} - {\gamma _{b}}\sum \limits _{k = 1,k \ne i}^{K} {{{\mathbf {W}}_{k}}} - {\gamma _{b}}{{\mathbf {R}}_{N}}} }\right)\left ({{{{{\mathbf {\tilde h}}}_{i}} + {{\mathbf {e}}_{i}}} }\right) \\&\qquad\qquad\qquad\qquad\qquad\qquad\qquad {- {\gamma _{b}}{\sigma ^{2}} \ge 0,\quad \forall i.} \tag{22}\end{align*}
(h~i+ei)H
Wi−γbk=1,k=i∑KWk−γbRN
(h~i+ei)−γbσ2≥0,∀i.(22)
然后，我们最小化可能的最大 Eve’s SNR 在感兴趣的主波束区域，这产生了以下鲁棒优化问题
min
W
i
,
R
N
,
t
i
max
θ
m
∈
Φ
∣
α
∣
2
a
H
(
θ
m
)
∑
i
=
1
K
W
i
a
(
θ
m
)
∣
α
∣
2
a
H
(
θ
m
)
R
N
a
(
θ
m
)
+
σ
e
2
s
.
t
.
(
h
~
i
T
Y
i
h
~
i
∗
−
γ
b
σ
2
−
t
i
μ
i
2
h
~
i
T
Y
i
Y
i
h
~
i
∗
Y
i
+
t
i
I
N
)
⪰
0
,
∀
i
,
s
.
t
.
Y
i
:
=
W
i
−
γ
b
(
∑
k
≠
i
W
k
)
−
γ
b
R
N
s
.
t
.
a
H
(
θ
0
)
R
X
a
(
θ
0
)
−
a
H
(
θ
m
)
R
X
a
(
θ
m
)
⩾
γ
s
,
s
.
t
.
∀
θ
m
∈
Ω
s
.
t
.
a
H
(
θ
k
)
R
X
a
(
θ
k
)
⩽
(
1
+
α
)
a
H
(
θ
0
)
R
X
a
(
θ
0
)
,
s
.
t
.
∀
θ
k
∈
Φ
s
.
t
.
(
1
−
α
)
a
H
(
θ
0
)
R
X
a
(
θ
0
)
⩽
a
H
(
θ
k
)
R
X
a
(
θ
k
)
,
s
.
t
.
∀
θ
k
∈
Φ
s
.
t
.
tr
(
R
X
)
=
P
0
,
s
.
t
.
t
i
⩾
0
,
∀
i
,
s
.
t
.
W
i
∈
P
,
∀
i
,
s
.
t
.
rank
(
W
i
)
=
1
,
∀
i
,
s
.
t
.
R
N
∈
P
,
\begin{align*}&\min \limits _{{{\mathbf {W}}_{i}},{{\mathbf {R}}_{N}},{t_{i}}} \max \limits _{\theta _{m} \in \Phi } \frac {{\left |{ \alpha }\right |^{2}{{\mathbf {a}}^{H}}\left ({{\theta _{m}} }\right)\sum \nolimits _{i = 1}^{K} {{{\mathbf {W}}_{i}}} {\mathbf {a}}\left ({{\theta _{m}} }\right)}}{{\left |{ \alpha }\right |^{2}{{\mathbf {a}}^{H}}\left ({{\theta _{m}} }\right){{\mathbf {R}}_{N}}{\mathbf {a}}\left ({{\theta _{m}} }\right) + {\sigma _{e}^{2}}}} \tag{23a}\\&~~s.t.~\left ({{\begin{array}{cccccccccccccccccccc} {{\mathbf {\tilde h}}_{i}^{T}{{\mathbf {Y}}_{i}}{\mathbf {\tilde h}}_{i}^{*} - {\gamma _{b}}{\sigma ^{2}} - {t_{i}}\mu _{i}^{2}}&{{\mathbf {\tilde h}}_{i}^{T}{{\mathbf {Y}}_{i}}} \\ {{{\mathbf {Y}}_{i}}{\mathbf {\tilde h}}_{i}^{*}}&{{{\mathbf {Y}}_{i}} + {t_{i}}{{\mathbf {I}}_{N}}} \end{array}} }\right) \succeq 0,\forall i, \\ \tag{23b}\\&\hphantom {~~s.t.~}{{\mathbf {Y}}_{i}}: = {{\mathbf {W}}_{i}} - {\gamma _{b}}\left ({{\sum \limits _{k \ne i} {{{\mathbf {W}}_{k}}} } }\right) - {\gamma _{b}}{{\mathbf {R}}_{N}} \\&\hphantom {~~s.t.~}{{\mathbf {a}}^{H}}\left ({{\theta _{0}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{0}} }\right) - {{\mathbf {a}}^{H}}\left ({{\theta _{m}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{m}} }\right) \geqslant {\gamma _{s}}, \\&\hphantom {~~s.t.~}\forall {\theta _{m}} \in \Omega \tag{23c}\\&\hphantom {~~s.t.~}{{\mathbf {a}}^{H}}\left ({{\theta _{k}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{k}} }\right) \leqslant \left ({{1 + \alpha } }\right){{\mathbf {a}}^{H}}\left ({{\theta _{0}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{0}} }\right), \\&\hphantom {~~s.t.~}\forall {\theta _{k}} \in \Phi \tag{23d}\\&\hphantom {~~s.t.~}\left ({{1 - \alpha } }\right){{\mathbf {a}}^{H}}\left ({{\theta _{0}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{0}} }\right) \leqslant {{\mathbf {a}}^{H}}\left ({{\theta _{k}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{k}} }\right), \\&\hphantom {~~s.t.~}\forall {\theta _{k}} \in \Phi \tag{23e}\\&\hphantom {~~s.t.~}\text {tr}({{\mathbf {R}}_{X}}) = {P_{0}}, \tag{23f}\\&\hphantom {~~s.t.~}{t_{i}} \geqslant 0,\quad \forall i, \tag{23g}\\&\hphantom {~~s.t.~}{{\mathbf {W}}_{i}} \in \mathfrak {P},\quad \forall i, \tag{23h}\\&\hphantom {~~s.t.~}{\text {rank}}\left ({{{{\mathbf {W}}_{i}}} }\right) = 1,\quad \forall i, \tag{23i}\\&\hphantom {~~s.t.~}{{\mathbf {R}}_{N}} \in \mathfrak {P},\tag{23j}\end{align*}
Wi,RN,timinθm∈Φmax∣α∣2aH(θm)RNa(θm)+σe2∣α∣2aH(θm)∑i=1KWia(θm) s.t. (h~iTYih~i∗−γbσ2−tiμi2Yih~i∗h~iTYiYi+tiIN)⪰0,∀i, s.t. Yi:=Wi−γb
k=i∑Wk
−γbRN s.t. aH(θ0)RXa(θ0)−aH(θm)RXa(θm)⩾γs, s.t. ∀θm∈Ω s.t. aH(θk)RXa(θk)⩽(1+α)aH(θ0)RXa(θ0), s.t. ∀θk∈Φ s.t. (1−α)aH(θ0)RXa(θ0)⩽aH(θk)RXa(θk), s.t. ∀θk∈Φ s.t. tr(RX)=P0, s.t. ti⩾0,∀i, s.t. Wi∈P,∀i, s.t. rank(Wi)=1,∀i, s.t. RN∈P,(23a)(23b)(23c)(23d)(23e)(23f)(23g)(23h)(23i)(23j)
其中 Φ = [ θ 0 − Δ θ , θ 0 + Δ θ ] \Phi =\left [{ {\theta _{0} - \Delta \theta,{\theta _{0}} + \Delta \theta } }\right] Φ=[θ0−Δθ,θ0+Δθ] 是主波束感兴趣区域， m = 1 , ⋯ , M m = 1, \cdots,M m=1,⋯,M， M M M 表示区间 Φ Φ Φ 内的探测角度数，最后 t = [ t 1 , ⋯ , t K ] {\mathbf {t}} = \left [{ {t_{1}, \cdots,{t_{K}}} }\right] t=[t1,⋯,tK] 是依赖于S-procedure 的辅助向量。
B. Efficient Solver
max W i , R N , y , t i , z z , s . t . 2 y m C ( θ m ) − y m 2 D ( θ m ) ≥ z , θ m ∈ Φ , ∀ m , s . t . ( h ~ i T Y i h ~ i ∗ − γ b σ 2 − t i μ i 2 h ~ i T Y i Y i h ~ i ∗ Y i + t i I N ) ⪰ 0 , ∀ i , s . t . Y i : = W i − γ b ( ∑ k ≠ i W k ) − γ b R N s . t . a H ( θ 0 ) R X a ( θ 0 ) − a H ( θ m ) R X a ( θ m ) ≥ γ s , s . t . ∀ θ m ∈ Ω s . t . a H ( θ k ) R X a ( θ k ) ≤ ( 1 + α ) a H ( θ 0 ) R X a ( θ 0 ) , s . t . ∀ θ k ∈ Φ s . t . ( 1 − α ) a H ( θ 0 ) R X a ( θ 0 ) ≤ a H ( θ k ) R X a ( θ k ) , s . t . ∀ θ k ∈ Φ s . t . tr ( R X ) = P 0 , s . t . t i ≥ 0 , ∀ i , s . t . W i ∈ P , ∀ i , s . t . R N ∈ P , \begin{align*}&\max \limits _{{{\mathbf {W}}_{i}},{{\mathbf {R}}_{N}},{\mathbf {y}},{t_{i}},z} z, \tag{25a}\\&\qquad s.t.~2{y_{m}}\sqrt {C\left ({{\theta _{m}} }\right)} - y_{m}^{2}{D\left ({{\theta _{m}} }\right)} \ge z,{\theta _{m}} \in \Phi,\forall m, \\ \tag{25b}\\&\hphantom {\qquad s.t.~}\left ({{\begin{array}{cccccccccccccccccccc} {{\mathbf {\tilde h}}_{i}^{T}{{\mathbf {Y}}_{i}}{\mathbf {\tilde h}}_{i}^{*} - {\gamma _{b}}{\sigma ^{2}} - {t_{i}}\mu _{i}^{2}}&{{\mathbf {\tilde h}}_{i}^{T}{{\mathbf {Y}}_{i}}} \\ {{{\mathbf {Y}}_{i}}{\mathbf {\tilde h}}_{i}^{*}}&{{{\mathbf {Y}}_{i}} + {t_{i}}{{\mathbf {I}}_{N}}} \end{array}} }\right) \succeq 0,\forall i, \\ \tag{25c}\\&\hphantom {\qquad s.t.~}{{\mathbf {Y}}_{i}}: = {{\mathbf {W}}_{i}} - {\gamma _{b}}\left ({{\sum \limits _{k \ne i} {{{\mathbf {W}}_{k}}} } }\right) - {\gamma _{b}}{{\mathbf {R}}_{N}} \\&\hphantom {\qquad s.t.~}{{\mathbf {a}}^{H}}\left ({{\theta _{0}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{0}} }\right) - {{\mathbf {a}}^{H}}\left ({{\theta _{m}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{m}} }\right) \ge {\gamma _{s}}, \\&\hphantom {\qquad s.t.~}\forall {\theta _{m}} \in \Omega \tag{25d}\\&\hphantom {\qquad s.t.~}{{\mathbf {a}}^{H}}\left ({{\theta _{k}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{k}} }\right) \le \left ({{1 + \alpha } }\right){{\mathbf {a}}^{H}}\left ({{\theta _{0}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{0}} }\right), \\&\hphantom {\qquad s.t.~}\forall {\theta _{k}} \in \Phi \tag{25e}\\&\hphantom {\qquad s.t.~}\left ({{1 - \alpha } }\right){{\mathbf {a}}^{H}}\left ({{\theta _{0}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{0}} }\right) \le {{\mathbf {a}}^{H}}\left ({{\theta _{k}} }\right){{\mathbf {R}}_{X}}{\mathbf {a}}\left ({{\theta _{k}} }\right), \\&\hphantom {\qquad s.t.~}\forall {\theta _{k}} \in \Phi \tag{25f}\\&\hphantom {\qquad s.t.~}\text {tr}({{\mathbf {R}}_{X}}) = {P_{0}}, \tag{25g}\\&\hphantom {\qquad s.t.~}{t_{i}} \ge 0,\quad \forall i, \tag{25h}\\&\hphantom {\qquad s.t.~}{{\mathbf {W}}_{i}} \in \mathfrak {P},\quad \forall i, \tag{25i}\\&\hphantom {\qquad s.t.~}{{\mathbf {R}}_{N}} \in \mathfrak {P},\tag{25j}\end{align*} Wi,RN,y,ti,zmaxz,s.t. 2ymC(θm)−ym2D(θm)≥z,θm∈Φ,∀m,s.t. (h~iTYih~i∗−γbσ2−tiμi2Yih~i∗h~iTYiYi+tiIN)⪰0,∀i,s.t. Yi:=Wi−γb k=i∑Wk −γbRNs.t. aH(θ0)RXa(θ0)−aH(θm)RXa(θm)≥γs,s.t. ∀θm∈Ωs.t. aH(θk)RXa(θk)≤(1+α)aH(θ0)RXa(θ0),s.t. ∀θk∈Φs.t. (1−α)aH(θ0)RXa(θ0)≤aH(θk)RXa(θk),s.t. ∀θk∈Φs.t. tr(RX)=P0,s.t. ti≥0,∀i,s.t. Wi∈P,∀i,s.t. RN∈P,(25a)(25b)(25c)(25d)(25e)(25f)(25g)(25h)(25i)(25j)
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
