认知异构网络物理层干扰管理技术研究

发布时间：2020-03-19 15:03

【摘要】：随着宽带无线通信的发展以及物联网等新兴业务的提出,对频谱资源的需求呈现出爆发式的增长。作为一种不可再生资源,频谱资源的分配情况趋于饱和,有限的频谱资源逐渐成为制约无线技术发展的瓶颈。下一代无线通信将频谱共享作为研究热点,引发了对于频谱认知接入技术的广泛探究。为了提高频谱效率,满足高速数据业务需求,基于认知无线电的分层异构网络被认为是下一代移动通信、工业4.0、物联网以及智能电网等领域的发展趋势和研究方向之一。然而,分层网络结构以及认知接入会对原有宏小区网络引入复杂的同层及跨层干扰,对干扰管理技术提出了新的要求与挑战。现有的传统认知无线电干扰管理技术多为基于频谱感知和频谱切换的干扰避免,或基于网络间的完全协作编码,认知用户服务质量受限于授权用户的通信状态。为了进一步提高网络容量性能并降低协作开销,本文基于认知MIMO技术对空域信道资源进行认知,利用多天线编码技术探索分析了认知异构网络中的干扰管理问题。分别针对网络下行链路集中式编码、上行链路分布式编码以及用户分组问题开展深入研究,并提出了具有理论创新的算法。首先,针对认知异构网络下行链路中的干扰问题,本文提出了基于矩阵降维和用户漏功率的集中式预编码算法,对广播信道干扰进行有效管理。具体的,根据认知无线电的特性,基于多信道比率(Multi-Channel Ratio,MCR)设计了一种无需授权用户反馈的跨层干扰信道估计方法。在此基础上,利用得到的干扰信道结合矩阵降维,以较低复杂度消除网络中的跨层认知干扰。对于微小区内存在的同层干扰,采用最小漏功率准则和广义Rayleigh商对耦合优化问题进行解耦合,并利用矩阵协同对角化对信道增益进行均衡以降低用户误码率。为了提高网络的用户接入能力,本文还结合非正交多址接入(NOMA)技术设计了混合波束赋形算法,发掘用户信道差异从而允许更多用户接入网络。与传统的预编码算法相比,本文提出的算法无需授权用户的协作编码,具有更好的自组织性。仿真结果表明,所提算法能够提供更高的网络容量和更优的误码性能,同时避免了对宏小区授权用户的通信造成影响。其次,深入研究了认知异构网络上行链路的分布式干扰抑制编码。本文基于信道互易性以及零空间迭代定理,提出了分布式迫零干扰对齐串行检测算法,管理网络中的多址干扰。具体地,算法利用干扰信道的LQ分解构造线性编码器以消除对授权用户的认知干扰;通过干扰信号在正向及对偶信道上进行迭代抑制同层和跨层干扰;针对接收端的多流数据干扰,基于矩阵零空间迭代定理提出了低复杂度的串行检测方法。为了进一步提升中等或者较低信噪比的场景下的网络容量,通过松弛优化问题中的干扰约束条件,提出了改进的部分机会干扰对齐算法。此外,本文还给出了算法的渐进收敛性证明及可行性条件分析。与现有编码算法相比,本文提出的分布式算法能够有效利用串行检测增益,并通过零空间迭代关系降低计算复杂度,简化网络结构和编码过程。在消除对宏小区授权用户认知干扰的前提下,进一步提高网络容量和频谱效率。最后,针对网络中用户数目增加带来的用户间干扰问题,现有互斥用户分组方法主要基于固定阈值参数并会造成频谱资源浪费。本文基于图论和聚类分析研究了用户分组算法,通过用户分组对用户间的共道干扰进行有效管理。具体来说,对于NOMA混合波束赋形,联合考虑波束内及波束间信道相关性对网络容量的影响,提出了基于图分割和谱聚类的NOMA用户分组算法。另外,通过发掘多天线网络中的多用户分集增益和MIMO信道的优良传输特性(Favorable Propagation),首次提出了重叠用户分组的思想。采用广义Fubini-Study函数作为改进的相似性测度函数,本文提出了基于启发式搜索和谱聚类的重叠用户分组算法,并在理论上对算法性能进行了推导和分析。所提算法可以搜索出具有渐进正交性信道的用户并同时分配到多个用户组中,通过用户组间的重叠增加各组同时服务的用户数量,同时将组内干扰控制在较低水平。与现有的几种互斥用户算法相比,本文提出的重叠用户分组算法能够获得更高的网络容量,并且基于谱聚类的用户分组算法能够取得算法性能和计算复杂度的有效平衡。
【图文】：

使用效率,自组织特性,频谱利用,无线应用

Fig.1-1 Utilization of spectrum frequency from 30MHz to 2.9GHz随着各类无线应用对数据传输速率、网络覆盖范围以及频谱利用效面都提出更高的需求，网络的分层化和异构化成为无线网络的发展趋小区作为一种由用户自行部署，具有一定自组织特性的异构部署方式不断推广。微小区能够有效扩大覆盖范围、降低端到端传输时延、提

框图,认知无线电,网络体系,框图

图 1-2 给出了认知无线电网络的体系框图。根据最初的构想，主要软件结构组成。其中射频天线、基带处理和用户接口等模块组成了，主要负责物理层硬件实现。而软件结构主要负责网络智能学习和的实现，是整个认知无线网络的核心部分。认知无线网络的智能软过 RKRL 语言（Radio Knowledge Representation Language）对网络道状态和射频环境进行感知和描述，利用特定的语法规则和语义信测，，进而动态调整网络参数。认知无线网络所具备的学习和预测能传统认知无线电技术仅对授权频段认知的局限，上升到对多域联合体网络环境的认知，并能够动态自适应的实施网络决策、调度和响
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TN92

【参考文献】