认知无线电NC―OFDM中基于案例推理无线资源分配.docVIP

认知无线电NC―OFDM中基于案例推理无线资源分配 　　【摘 要】为解决认知无线电NC-OFDM的无线资源分配算法计算复杂度偏高，不便于实际应用的这个问题，提出了一种能够降低计算复杂度的无线资源分配算法。该算法利用案例推理方法，求解认知无线电NC-OFDM系统的子载波分配和功率分配问题，利用粒子群优化方法，降低案例修订过程中的计算复杂度。仿真结果表明，随着案例库的丰富，提出的算法在保证频谱利用率的前提下明显缩短了收敛时间，有效降低了计算复杂度。 　　【关键词】认知无线电 NC-OFDM 无线资源分配 案例推理 粒子群优化 　　1 引言 　　近年?恚?无线通信技术发展迅速，有限的频谱资源愈发显得稀缺，这就迫切需要提高频谱的利用效率。认知无线电技术允许非授权用户在不对授权用户的通信产生影响的前提下，临时使用授权用户的频段，因此可以有效提高频谱利用效率[1]。NC-OFDM（Non-Contiguous OFDM）技术是OFDM技术的扩展[2]，它允许同时使用不连续的频谱块，更加灵活地使用频谱资源。因此，NC-OFDM成为认知场景下有效控制频谱资源使用的技术手段。在认知网络中，当次级用户SU（Second User，SU）检测到主用户PU（Primary User，PU）使用授权频段时，立即关闭处于该频段上的OFDM子载波，也就是将这个频段上的子载波发射功率置零，而其他子载波保持原有发射功率不变，从而确保不对授权用户的正常通信产生干扰，与授权网络在同一频段上工作。可以看到，NC-OFDM技术能够以更高的效率利用频谱资源。 　　子载波分配和功率分配是采用NC-OFDM的认知无线通信系统关键技术。不合理的分配方案可能会对授权用户造成严重干扰。传统的频谱分配算法在具体的传输方式与信道特征方面考虑不足，因此实用性受到限制。当前，已有很多学者致力于认知NC-OFDM的研究。文献[3]将粒子群优化算法引入到NC-OFDM功率分配过程中，同时定义了一个公平指数门限，在系统容量和次级用户的公平性之间取得折衷。文献[4]利用同时降低NC-OFDM的峰均功率比与抑制旁瓣泄露的方法，提高了基于NC-OFDM技术的认知无线电系统的能量效率。文献[5]提出一种分布式资源分配算法用于解决认知OFDM系统中的信道分配及功率分配问题，在保证公平性的前提下能够获得较好的系统吞吐量，但该算法没有充分考虑到对授权用户的干扰。文献[6]根据认知无线电用户的带宽及QoS需求，利用用户感知的资源环境状态信息，在比例公平原则下分配子载波及功率，使得信道容量达到最大。 　　针对目前NC-OFDM频谱资源管理算法存在计算复杂度偏高的问题，本文充分考虑NC-OFDM技术和认知无线网络的特点，将基于案例推理（Case-Based Reasoning，CBR）的方法应用到子载波和子载波功率的分配过程中，设计了认知无线电NC-OFDM系统中基于案例推理的无线资源分配方法。该方法在案例库中搜索历史案例，寻找与当前问题具有高相似度的候选案例。应用粒子群优化（Particle Swarm Optimization，PSO）方法修订候选案例的解决方案，进而筛选出对当前问题的最优解决方案。本算法的计算复杂度明显低于传统频谱分配算法，在不干扰授权用户的前提下获得了更高的频谱利用率。 　　2 系统模型和问题描述 　　本文研究基于CBR的认知NC-OFDM中下行链路的无线资源分配算法，图1给出了系统模型。图1中的基站覆盖范围形成一个宏小区，该基站为若干主用户服务；同时在宏小区内有1个AP以及N个次级用户。各个次级用户在认知信道上发送其感知到的频谱使用信息，AP收集到这些信息后进行分析综合，再将有效信息发送给次级用户。设系统的总带宽是B，次级用户采用NC-OFDM技术，将B分成M个等带宽子载波，希望利用空闲频谱的次级用户数是N，授权用户的干扰温度界限是Ith。需要解决的问题成为：对于授权用户使用的频段和预先要求的Ith以及次级用户的QoS需求（本文研究只考虑误码率），在确保对授权用户的干扰低于Ith的前提下，如何为各个次级用户分配子载波与发射功率，才能获得最大的系统吞吐量。 　　3 基于案例的推理 　　基于案例的推理CBR是根据待解决问题中有关信息提示而得到历史记忆中的源案例，通过适应性修改而获得结论并形成结论案例的一种推理策略。一个典型的CBR求解过程主要包括以下四步：案例表示、案例检索、案例修订和案例维护（案例库）[7，8]，具体如图2所示： 　　（1）案例表示：对当前问题进行分析，定义新问题的属性或特征，然后用系统要求的案例存储格式表示出来。 　　（2）案例检索：在案例库中寻找对解决当前问题有最大潜在启发价值的旧案例，称之为候选案例。此过程利用相似度原理完成。 　　（3）案