[发明专利]MIMO认知无线电干扰网络中基于信道学习的频谱共享方法

摘要

本发明涉及MIMO认知无线电干扰网络中基于信道学习的频谱共享方法，通过分析接收的数据的二阶统计量获取需要的主用户干扰信道的空间特征，融合MIMO多子流传输和认知多信道切换技术，设计发送策略，避免对主用户的干扰，提高频谱共享效率；针对干扰信道状态信息缺失下次用户干扰网络与主用户系统共存问题，兼顾MIMO认知无线电网络的空间传输能力，融合主用户的信道切换能力，联合利用空间和频率资源的高效频谱共享方法，比以往单一资源利用方法的效率更高；分析了次用户通过设置信道学习时间对网络性能的影响，说明通过控制时间可以有效控制对主用户的干扰功率；从自由度检测性能、主用户误码率、算法收敛性和网络容量等多方面分析。

主权项

1.一种MIMO认知无线电干扰网络中基于信道学习的频谱共享方法，其特征在于：包含如下步骤：步骤1.根据次用户通信需求和天线配置，确定各个用户的发送自由度dk，设置次用户内部干扰门限Гk，选择检测时间长度，MIMO认知无线电网络由多个认知用户和一对主用户组成，其中一对相互通信的主用户PU1和PU2分别配备M0和N0个天线；次用户系统由K用户MIMO干扰网络构成，主用户系统上下行传输采用TDD的通信方式，且信道符合互易定理；步骤2.主用户系统中以PU1作为发送，PU2作为接收，次用户选择通信频段和信道学习时间，实时监听信道状态，利用接收到的信号y_1k(n)，计算采样协方差矩阵对采样协方差矩阵进行特征值分解得到特征值和干扰信道的正交矩阵以PU2作为发送，PU1作为接收，得到干扰信道正交矩阵并根据计算结果对所选频段做调整，使得总子流数能够满足其中，M₀为主用户的接收天线个数，N_L为次用户信道学习的采样点数，其与信道学习时长和采样率有关；为特征值的降序排列的对角矩阵；K表示次用户系统中次用户总数，k表示次用户接收机序号，l为次用户发射机序号；M、N分别表示次用户发送、接收天线数；d₁表示次用户发射机l的总子流数；步骤3.通过步骤2得到的干扰信道的正交矩阵计算等效信道初始化等效预编码矩阵A_k(k＝1,2,…,K)，设置其中e_i(i＝1,2,…,d_k)为基本向量，H_lk为次用户干扰信道，计算等效发送天线数和等效接收天线数步骤4.通过等效信道及等效预编码矩阵A_k，计算对进行特征值分解，取N^eq‑d_l个最大特征值对应的特征向量构造等效干扰子空间矩阵C_l，包含：根据交替最小化干扰对齐IA算法，通过实际干扰信号空间与接收端预设干扰空间之间矩阵距离的Frobenius范数来描述干扰功率泄漏，将频谱问题转化为:其中，|| ||_F表示求矩阵Frobenius范数；表示B_l正交补空间，即得到等效干扰子空间矩阵C_l；步骤5.利用等效干扰子空间矩阵C_l的矩阵对称性，计算对进行特征值分解，取d_k个最小特征值对应的特征向量构造等效预编码矩阵A_k；步骤6.通过步骤5得到的等效预编码矩阵A_k，计算用户的干扰协方差矩阵若trace(Q_l)<Г_k对成立，则计算预编码矩阵和接收干扰抑制矩阵结束；否则，优化等效预编码矩阵A_k和等效干扰子空间矩阵C_l重新迭代计算，直至trace(Q_l)<Г_k对成立，得到预编码矩阵和接收干扰抑制矩阵其中，优化等效预编码矩阵A_k和等效干扰子空间矩阵C_l包含如下内容：固定各次用户的等效预编码矩阵A_k，将问题转化为其中，trace(A)表示矩阵A的迹，a为一固定常数，最优C_l是由的N^eq‑d_l个最大特征值对应的特征向量构成的，其中固定各次用户的等效干扰子空间矩阵C_l，利用矩阵对称性，得到次用户l的发送机等效预编码A_k由的d_k个最小特征值对应的特征向量构成。