基于能量效率的认知无线网络联合优化算法

发布时间：2020-02-29 18:06

【摘要】：为提高认知无线网络能量有效性,提出一种基于能量效率的联合优化算法。在考虑主用户干扰容限的基础上构建了能量有效性模型,将优化目标分解为接入策略求解和功率优化问题,采用粒子群算法反复迭代,得到接入概率与功率分配的联合最优解。仿真结果表明,相对于不考虑功率优化或接入概率的传统优化方法,所提算法可使系统能量效率得到显著提升。
【图文】：

鈃奔渎矶鉲煞蛄茨Ｐ?［5，6］，其中每个状态持续时长分别服从参数为θe和θb指数分布。系统稳定后信道i处于空闲和忙碌状态的概率分别为P(H0，i)=θei/(θei+θbi)(1)P(H1，i)=θbi/(θei+θbi)(2)授权信道空闲时长的概率密度函数为fi(t)=θeie－θeitt≥00t{＜0(3)因此空闲时长大于τ的概率为pi(t≥τ)=∫∞τfi(t)dt=e－θeiτ(4)认知无线网络采用集中式overlay频谱共享架构，考虑下行链路中信道接入与功率分配问题，，如图1所示。M个次用户采用与主用户相同的帧通信协议，在N个信道中寻找机会接入频谱进行通信，记为次用户m(m=1，2，…，M)。认知基站最大传输功率为Ptotal。1.2次用户感知及吞吐量分析次用户采用先感知后传输的方式，如图2所示。在每帧的开始，次用户首先选择一个信道进行检测，然后根据检测结果决定是否接入信道及分配的功率值。T和τ分别为认知用户帧长度和感知时间。考虑在非理想感知的情况下次用户的感知性能，分别用Pf，i和Pd，i表示次用户对信道i感知的虚警概率和检测概率。若主用户采用功率为σ2s的复PSK调制方式;次用户处的噪声服从均值为0、方差为σ2u的循环对称复高斯分布［7］，则Pf，i和Pd，i的表达式为Pf，i(τ，λ)=P(D1，i|H0，i)=Qλσ2u－1τfi醩(5)Pd，i(τ，λ)=P(D1，i|H1，i)=Qλσ2u－γi－1τfs2γii

本文编号：2583816