1 简介
功率分配技术能有效提高认知网络传输链路的信道容量,而注水算法利用凸优化的思想能实现功率分配最优化.针对认知网络中使用注水算法分配信道功率时未考虑邻近认知信道干扰的情况,对认知网络中邻近认知信道干扰对授权信道的影响进行研究,提出了基于注水算法的两种降低邻近认知信道干扰的功率分配的次优化方案.性能分析和仿真结果表明,认知网络中认知信道干扰对授权信道的影响不容忽略,合理调整注水算法的参数能够降低邻近认知信道干扰,达到传输容量的最大化.
面对日益复杂多变的电磁环境带来的挑战,频谱资源显得十分有限。认知网络能够在授权用
户(Primary User,PU) 和 认 知 用 户(SecondaryUser,SU)之间共享频谱资源,从而大大提高频谱利用率。认知网络是多个认知用户和多个授权用户共存的网络环境,PU 和 SU 共用信道共享频谱,图 1 即分布式认知网络示意图。由图 1 可以看出,在 PU 和 SU 之间存在互联互通的信道,称之为公共控制信道(Common ControlChannel,CCC)。利用 CCC 信道可共享当前信道状态信息(Channel State Information,CSI)。信息中重要参数包括信道增益、干扰增益和噪声等。多数通信环境中信号都有很大衰弱,可选取瑞利信道作为信道状态的建模描述。瑞利信道模型表示信道状态信息 CSI。
功率分配技术正是利用 CSI 进行发送端功率调整,提高传输性能的相关技术,属于物理层链路自适应技术的一种 [2]。移动网络中的信道基本属于平坦衰落信道,其信道容量可通过改变发送的速率和功率决定。认知网络由于自身的独特性,在功率分配方面与传统网络不同,体现在功率分配的原则和门限指标上,如表 1 所示。
在认知网络中,认知用户利用空闲的授权频段传输数据时,认知用户动态接入空闲频段内。在发射功率限定、信号带宽一定的条件下,注水算法提供了实现信道容量最大化目标下功率最优分配的方案。但是,注水算法是在使用各种纠错码且纠错码的码长无穷的理想情况下实现的,星座图比特数无穷多,运算时迭代次数无穷,是一种理想情况,实际中很难实现。
2 部分代码
% in this programe a highly scattered enviroment is considered. The
% Capacity of a MIMO channel with nt transmit antenna and nr recieve
% antenna is analyzed. The power in parallel channel (after
% decomposition) is distributed as water-filling algorithm
% the pdf of the matrix lanada elements is depicted too.
clear all
close all
clc
nt_V = [1 2 3 2 4];
nr_V = [1 2 2 3 4];
N0 = 1e-4;
B = 1;
Iteration = 1e4; % must be grater than 1e2
hold on
[y,x] = hist(reshape(landas,[1,min(nt,nr)*Iteration]),100);
plot(x,y/Iteration,'color',color(k,:));
clear landas
end
f1 = figure(1);
legend_str = [];
for( i = 1 : length(nt_V))
legend_str =[ legend_str ;...
{['nt = ',num2str(nt_V(i)),' , nr = ',num2str(nr_V(i))]}];
end
legend(legend_str)
grid on
set(f1,'color',[1 1 1])
xlabel('SNR in dB')
ylabel('Capacity bits/s/Hz')
f2 = figure(2);
legend(legend_str)
grid on
set(f2,'color',[1 1 1])
ylabel('pdf of elements in matrix landa in svd decomposition of marix H')
3 仿真结果
4 参考文献
[1]苗成林, 李彤, 吕军,等. 基于注水算法的认知网络功率分配技术研究[J]. 通信技术, 2017, 50(4):6.
博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。
部分理论引用网络文献,若有侵权联系博主删除。