一种智能反射面辅助认知无线电系统的符号级预编码方法

1.本发明属于无线通信技术领域，尤其涉及一种智能反射面辅助认知无线电系统的符号级预编码方法。


背景技术：

2.随着无线通信技术的迅速发展，大量的移动终端需要接入到无线通信网络中来，导致巨大的频谱需求与有限的频谱资源之间的矛盾日益尖锐，而认知无线电技术可以实现对空闲频谱资源的再次利用，从而解决频谱资源稀缺、利用率低下的问题，能够更好的契合未来无线通信技术的发展。
3.智能反射面(intelligent reflecting surface，irs)能够实时、动态的配置无线通信环境，已经在提升通信可靠性、减少功率损耗以及保证物理层安全等方面得到了广泛应用。irs通过调节入射信号的相位或振幅来实现特定的通信功能，能够更加方便灵活的实现基站与用户之间的通信。此外，irs所反射的信号可以与其他路径的信号叠加，以增加接收端信号功率或减小同信道的干扰。如文献[j.yuan,y.liang,j.joung,g.feng and e.g.larsson,"intelligent reflecting surface(irs)-enhanced cognitive radio system,"icc 2020-2020ieee international conference on communications(icc),2020,pp.1-6.]在线性预编码方案下，考虑有智能反射面辅助认知无线电的场景，比较了不同条件下认知用户的可达速率；但传统的预编码方案虽然实现起来比较简单，但需要较高的功耗来保证基站到用户间的信号传输。
[0004]
符号级预编码(symbol level precoding，slp)方案则是在正交调幅(qam)或m进制相移键控(mpsk)调制下将传输符号从星座图中提取出来，同时将干扰信号转化为一个有利因素，在符号级处理传输数据帧时利用这些干扰信号，将其转化为有用的信号功率，从而使基站能以更小的发射功率完成通信工作。与传统的预编码方案相比，slp方案在降低用户侧符号错误概率以及改善系统通信时的功耗方面具备明显优势。如文献[m.shao,q.li and w.-k.ma,"minimum symbol-error probability symbol-level precoding with intelligent reflecting surface,"in ieee wireless communications letters,vol.9,no.10,pp.1601-1605,oct.2020.]在智能反射面的辅助下，针对传统的无线通信环境考虑了slp方案，强调了slp方案比传统的迫零(zero forcing，zf)预编码方案在降低用户误码率方面更具优势，但其只考虑了传统的无线通信场景，没有将slp方案应用到认知无线电场景，并且只侧重于用户侧误码率的研究，没有对系统发射功率的相关问题进行研究。


技术实现要素：

[0005]
为解决系统发射功率损耗过高的问题，本发明在slp方案的基础上，首先使用认知无线电技术解决频谱利用率低下的问题，其次使用智能反射面来拓宽信号传输和用户接收的路径，弥补信号传输过程中由于各种因素造成的功率损耗，最后在有智能反射面辅助的认知无线电通信系统下，提出并解决了以系统发射功率最小化为目标的设计问题。以此来
节省系统的发射功率，有利于未来绿色无线通信网络的建设。
[0006]
本发明所述的一种智能反射面辅助认知无线电系统的符号级预编码方法，包括如下步骤：
[0007]
s1、根据认知无线电通信系统的参数设定、信道状态信息以及智能反射面参数，建立认知用户和主用户的接收信号模型；
[0008]
s2、针对智能反射面辅助的认知无线电通信场景，建立相关的符号级预编码问题，在认知用户侧符号错误概率约束、干扰温度约束、智能反射面的恒模约束以及基站已知的用户信道状态信息的基础上，提出以系统发射功率最小化为目标的设计问题；
[0009]
s3、针对所建立的系统发射功率最小化设计问题，首先使用了基于双层迭代的块坐标下降算法，将建立的设计问题分解为两个子问题，分别进行迭代更新求解；其次在分层迭代过程中，又使用半正定松弛算法和高斯随机化方法来解决智能反射面的恒模约束；最后在符号级预编码方案下求解出最小的系统发射功率，为减少求解时的迭代次数，设计并使用了二分算法。
[0010]
进一步的，s1的具体步骤为：
[0011]
对于一个有智能反射面辅助并配备了n
t
根天线的认知基站(cbs)，服务k个单天线认知用户(cu)和l个单天线主用户(pu)的认知无线电通信系统模型；智能反射面(irs)配备了nr个反射单元，相关反射系数可以表示为hr表示认知无线通信系统中cbs到irs间的传输信道；g
r,l
、h
r,k
分别是irs到第l个pu间的干扰信道以及irs到第k个cu间的传输信道；g
l
、hk分别代表cbs对第l个pu产生的直接干扰信道和cbs到第k个cu间的直接传输信道；则第k个cu接收到的信号为：
[0012][0013]
第l个pu接收到的干扰信号为：
[0014][0015]
其中，yk(t)是第k个cu在符号时间t内接收的信号；i
l
(t)是第l个pu在符号时间t内接收到的干扰信号；t是信道相干时间；φ＝diag(θ)是irs的反射矩阵；是cbs的发射信号；射信号；和是圆形复高斯噪声；认知基站已知的信道状态信息包括干扰信道g
r,l
、g
l
和传输信道hr、h
r,k
、hk。
[0016]
进一步的，s2的具体步骤为：
[0017]
在智能反射面辅助的认知无线电通信场景下，同时满足认知用户侧符号错误概率约束、干扰温度约束以及智能反射面的恒模约束，提出了以系统发射功率最小化为目标的设计问题；目标函数及约束条件表示为：
[0018][0019]
其中，“min”表示最小化运算；“s.t.”表示约束条件；为实部，为虚部，是认知用户侧符号错误概率约束；是干扰温度约束，i
th
是系统可以承受的最大干扰温度阈值；|θi|＝1是智能反射面的恒模约束；在qpsk调制下，为方便求解问题，将用替代，可以将(11)式写成：
[0020][0021]
进一步的，所述s3的具体步骤为：
[0022]
s3-1、由于约束条件中存在变量耦合，不适合直接求解，因此将(12)式中的约束条件u(t)＝(hkθ hk)hx(t)、v(t)＝(g
l
θ g
l
)hx(t)与目标函数交换位置，得到需要处理的问题：
[0023][0024]
其中，p
t
是需要求解的最小发射功率值。
[0025]
s3-2、对于系统发射功率最小化设计问题的求解，本发明设计并使用了基于双层迭代的块坐标下降算法。由于(13)式中存在变量耦合以及非凸约束，使得直接求解设计问题变得十分困难；通过分析和验证，将目标函数的t个时隙进行合并处理，并使用块坐标下
降算法将设计问题拆分为(p0)和(p1)两个子问题，进行交替迭代更新，以此求出最优的u、v、x、θ值，进而求解出最小的发射功率p
t
值；
[0026]
①
更新u、v、x
[0027]
先固定θ值，然后对u、v、x进行处理，可以得到子问题(p0)：
[0028][0029]
②
更新θ
[0030]
在已知u、v、x的值的情况下，将其带入下式，进行θ的更新，得到子问题(p1)：
[0031][0032]
由于约束|θi|＝1,i＝1,...,nr的限制，无法直接求解，需要使用半正定松弛算法将上式处理为如下形式：
[0033][0034]
通过(16)式，可以直接求出x，再利用高斯随机化方法求解出最优的θ值。
[0035]
上述块坐标下降算法具体步骤如下：
[0036]
1)首先给定i
th
、p
t
的初始值；
[0037]
2)其次给定θ的初始值，求解子问题(p0)，并得出u、v、x的值；
[0038]
3)将得到的u、v、x值作为初始值，求解子问题(p1)，并得出θ的值。而由于无法直接求解使用了半正定松弛方法处理设计问题，并借助高斯随机化方法求解出最优的θ；
[0039]
4)满足最大迭代次数n或时，退出迭代；
[0040]
5)得到u、v、x、θ的值，可用来计算(13)式中目标函数是否为0；
[0041]
6)流程结束。
[0042]
s3-3、由于最终的目标是求解出最小的p
t
值；本发明所采用的方法为：首先给定一个初始的p
t
值，在此基础上，求解出目标函数中的u、v、x、θ值；此时，将所求解出的u、v、x、θ值代入到(13)式的目标函数中，如果目标函数为0，说明问题最优的解在区间[0,p
t
]内，需要缩短区间的长度；反之，说明问题最优的解不在区间[0,p
t
]内，需要扩展区间的长度；本发明设计并使用了二分求解算法对区间进行缩短与扩展，以降低迭代次数。
[0043]
所述二分法求解算法具体步骤如下：
[0044]
1)将已完成更新迭代的u、v、x、θ值代入到(13)式的目标函数中；
[0045]
2)验证目标函数是否为0；
[0046]
(2.1)如果为0，则将给定的p
t
初始值变为p
t
/2，循环到目标函数不为0为止；
[0047]
然后执行：
[0048]
(a)将下界设为lb＝p
t
/2，上界设为ub＝p
t
；
[0049]
(b)p
t
＝lb (u
b-lb)/2；
[0050]
(c)将p
t
代入目标函数，验证是否为0；如果为0，则ub＝p
t
，否则
[0051]
lb＝p
t
；
[0052]
(d)循环更新，直至u
b-lb＜10-6
，得到lb＝ub＝p
t
；
[0053]
(2.2)如果不为0，则将给定的p
t
初始值变为2p
t
，循环到目标函数为0为止；
[0054]
然后执行：
[0055]
(a)将下界设为lb＝p
t
，上界设为ub＝2p
t
；
[0056]
(b)p
t
＝lb (u
b-lb)/2；
[0057]
(c)将p
t
代入目标函数，验证是否为0；如果为0，则ub＝p
t
，否则
[0058]
lb＝p
t
；
[0059]
(d)循环更新，直至u
b-lb＜10-6
，得到lb＝ub＝p
t
；
[0060]
3)得到最小的p
t
值，流程结束。
[0061]
本发明所述的有益效果为：本发明基于符号级预编码方案，使用智能反射面辅助认知无线电系统，提高了频谱资源的利用率，拓宽了信号传输和用户接收的路径；并在认知用户侧符号错误概率、干扰温度等约束条件下，提出并解决了以系统发射功率最小化为目标的设计问题，以此来节省系统的发射功率，有利于未来绿色无线通信网络的建设。
附图说明
[0062]
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
[0063]
图1是本发明系统模型图。
[0064]
图2是本发明不同方案发射功率对比图。
[0065]
图3是本发明不同cu数下发射功率对比图。
[0066]
图4是本发明干扰温度与发射功率变化图；
[0067]
图5是本发明发射单元数与发射功率变化图。
具体实施方式
[0068]
如图1所示，本实施案例考虑一个irs辅助的多输入单输出(miso)的下行链路cr通信系统，其中包含一个配备n
t
根天线的认知基站，服务k个单天线的cu和l个单天线的pu，智能反射面配备了nr个反射单元，它的相关反射系数可以表示为hr表示cr通信系统中cbs到irs间的传输信道；g
r,l
、h
r,k
分别是irs到第l个pu间的干扰信道以及irs到第k个cu间的传输信道；g
l
、hk分别代表cbs对第l个pu产生的直接干扰信道和cbs到第k个cu间的直接传输信道；则第k个cu接收到的信号为：
[0069][0070]
第l个pu接收到的干扰信号为：
[0071][0072]
其中，yk(t)是第k个cu在符号时间t内接收的信号；i
l
(t)是第l个pu在符号时间t内接收到的干扰信号；t是信道相干时间；φ＝diag(θ)是irs的反射矩阵；是cbs的发射信号；射信号；和是圆形复高斯噪声；认知基站已知的信道状态信息包括干扰信道g
r,l
、g
l
和传输信道hr、h
r,k
、hk。
[0073]
在智能反射面辅助的认知无线电通信场景下，同时满足认知用户侧符号错误概率、干扰温度以及智能反射面的恒模约束条件下，设计了系统发射功率最小化的实现方法。目标函数及约束条件可以表示为：
[0074][0075]
在qpsk调制下，可以将设计问题写成：
[0076][0077]
通过观察并分析(4)式可以得出，约束条件中存在变量耦合，不适合直接求解。将约束条件中的u(t)＝(hkθ hk)hx(t)和v(t)＝(g
l
θ g
l
)hx(t)与目标函数交换位置，经过处理后得到需要处理的问题：
[0078][0079]
由于存在非凸约束，使得直接求解优化问题变得十分困难。可以先将目标函数的t个时隙进行合并处理，并使用块坐标下降算法将优化问题拆分为(p0)和(p1)两个子问题，进行交替更新迭代。
[0080]
(1)更新u、v、x
[0081]
先固定θ，然后对u、v、x进行处理，可以得到子问题(p0)：
[0082][0083]
(2)更新θ
[0084]
在已知u、v、x的值的情况下，将其带入下式，进行θ的更新，得到子问题(p1)：
[0085][0086]
由于约束|θi|＝1,i＝1,...,nr的限制，无法直接求解，需要对其变换处理，并使用半正定松弛算法进行求解。具体处理过程如下：
[0087]
将目标函数展开，并对其进行共轭转置，可以得到：
[0088][0089]
令ak＝u
k-xhhk、bk＝-xhhk和a
k l
＝v
l-x
hgl
、b
k l
＝-x
hgl
，那么可以将目标函数表示为：
[0090][0091]
并将上式整合为令则||a bθ||2可以转换为||[b,a]x||2。再令r＝[b,a]h[b,a]，则||[b,a]x||2可以改写成xhrx；从而得到下式：
[0092][0093]
令x＝xxh，得到最终需要求解的优化问题：
[0094][0095]
通过(27)式，可以直接求出x，再利用高斯随机化算法求解出最优的θ值。
[0096]
下面结合实例对本发明所述的方法进行说明，如图2至5所示，本实施案例利用matlab r2020a来仿真上述场景。设定认知基站(cbs)数为1，基站的天线数n
t
＝12，智能反射面的反射单元数nr＝32，认知用户数k＝10，主用户数l＝2，并且认知用户和主用户都是单天线用户，时隙长度t＝10，迭代的信道次数num＝100。所有信道的路径损耗由公式l(d)＝c0(d/d0)-α
给出，并且cbs到irs、irs到cu、cbs到cu、irs到pu、cbs到pu的路径损耗系数分别为α
bi
＝2.2、α
ic
＝α
bc
＝α
ip
＝α
cp
＝2.8。cbs到irs间的信道hr由公式给出，并且β
bi
＝0.7、β
ic
＝β
bc
＝β
ip
＝β
cp
＝0。基站的坐标为(0,0)，智能反射面的坐标为(20,0)，认知用户的坐标为(18,2i),i∈[1,10]，主用户的坐标为(17,-1 2i),i∈[1,2]。系统施加的干扰温度约束中的最大阈值i
th
＝0db，发射功率的初始值为p
t
＝10db。
[0097]
图2表明了不同方案下发射功率对比图。首先设定通信系统需要满足用户侧sep的目标值为[0.05,0.01,0.005,0.001,0.0005,0.0001]，分别对应图中的六个标记点；其次通过对比qpsk调制下的线性预编码zf方案以及传统通信场景下的slp方案可以看出，在相同sep要求下，slp方案要优于zf方案，发射功率下降了2db左右。而本实施例中所使用的有irs辅助的cr通信场景下的slp方案与上述两种方案相比，发射功率下降了13～15db，有效的证明了有irs辅助的cr通信模型可以在用户侧sep要求的基础上，以更小的发射功率完成通信工作。
[0098]
图3表示了在不同cu数下所需发射功率对比图，分别展示了cu＝5，cu＝10以及cu＝15时所需发射功率的情况。从图中可以看出，在相同用户侧sep要求下，随着cu数量的增加，所需的发射功率也在逐渐上升。这是由于用户数增加时，基站需要使用更高的发射功率
来保证每个认知用户的通信需求和服务质量，符合预期设想。
[0099]
图4表示了干扰温度与发射功率变化图，分别展示了在固定sep目标值为0.0001、0.001和0.05时，随着干扰温度的增加，发射功率的变化情况。从图中纵向来看，随着sep越来越低，所需的发射功率在不断变大。横向来看，随着系统施加的干扰温度阈值在不断变大，发射功率呈缓慢下降趋势。这是因为随着干扰温度阈值的不断提高，pu所能容忍的干扰也在不断增加，认知基站可以以更小的发射功率实现用户侧的sep目标要求。
[0100]
图5表示了发射单元数与发射功率变化图。分别展示了在固定sep目标值为0.0001、0.001和0.05时，随着发射单元数的增加，发射功率的变化情况。从图中纵向来看，随着sep越来越低，所需的发射功率在不断变大。横向来看，随着发射单元数不断增加，发射功率大致维持在同一个值附近，几乎不发生改变。这是因为当给定sep目标值以后，系统所需的发射功率值就已经确定，不会再因反射单元数的改变而变化。
[0101]
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。