认知系统基于空间信号处理的频谱共享方法

摘要

本发明公开了一种认知系统基于空间信号处理的频谱共享方法，可用于认知无线电系统。其具体过程为：首先，认知系统的收发端分别获取需要的信道信息，且各自对这些信道信息进行预处理后，构造出不同的矩阵以进行收发端的空间相关度计算；然后，由CBS根据收发端计算的空间相关度，结合传输增益，计算出空域资源质量因子；最后，CBS根据空域资源质量因子计算结果，完成授权频道和特征模式的联合选择，并将结果通报认知用户后，收发端再进行联合信号处理，从而实现认知和授权系统同时同频共存。本发明方法具有收发端均参与决策，且考虑授权频道和特征模式的联合选择的优点，设计更加合理，显著改善了认知通信性能。

说明书

技术领域

本发明属于无线通信技术领域，具体的说是一种基于空间信号处理的频谱共享方法，实现认知通信与授权通信的共存传输，可用于认知无线电系统，能够有效提高认知通信性能。

背景技术

当今固定的频谱分配政策导致了可以授权给新的应用的频谱资源极度匮乏，限制了无线通信技术的发展与应用。然而，研究表明，事实上被授权的频谱资源在不同的时间和地点上大部分是未被使用的，即频谱利用率很低。为此，人们提出了能够有效提高频谱利用率的认知无线电技术。它能够感知所处的电磁环境，检测出频谱空洞，在保证不对授权系统造成干扰的情况下，以动态频谱共享的方式实现认知通信。

传统的认知无线电技术中采用的是交叉(overlay)频谱共享方式实现的认知通信和频谱效率的提高。具体地说，交叉共享是指当授权用户(primary user，PU)未使用授权频谱，即存在频谱空洞时，认知用户(cognitive user，CU)择机占用该频谱。可是，基于交叉共享的认知无线电技术未考虑授权业务的干扰容限，忽略了认知与授权系统同时同频共存的可能。而认知无线电技术频谱共享的另一种方式——重叠(underlay)频谱共享，是指CU与PU同时共用授权频谱完成通信。该共享方式的缺点是为了保证授权通信的服务质量，认知系统只能在干扰温度范围之内共享该频谱，未考虑对潜在的频谱空洞检测并加以利用。因此，考虑同时使用交叉和重叠共享的混合方式来高效利用频谱资源，提高认知通信的性能，即：当CU检测存在空闲频谱资源时，采用overlay共享；当CU检测无空闲频谱资源时，采用underlay共享。

传统认知无线电只关注频域资源的管理与利用，而没有考虑空域资源，且认知通信的性能受限于授权业务的特性。多输入多输出(multiple-input multiple-output，MIMO)系统是指在通信链路的两端均使用多个天线的无线传输系统，能够利用空间信道信息，通过空域信号处理的方式，提高频谱效率。于是，有研究工作将MIMO技术引入认知无线电，利用MIMO提供的空域信号处理能力设计underlay频谱共享方法。引入MIMO的认知系统，在无空闲授权频道可用的情况下，能够通过空间信号处理实现授权通信与认知通信的同时同频共存，改善认知通信的性能。然而，在这样的共存通信场景中，由于存在授权系统与认知系统间的干扰以及现有这方面研究的不足，认知通信的质量有待于进一步优化。

关于认知MIMO系统基于underlay频谱共享方法，现有一部分工作是通过利用空域信息计算空间相关度，进而选择合适的共存频道，并在认知系统的收发端设计信号处理算法，以避免认知系统发射的信号对授权系统造成干扰，同时保证认知系统消除来自授权系统的干扰，从而实现认知系统和授权系统的同时同频共存传输，改善了认知通信性能。但是，该类方法在设计时存在以下不足：为选择合适的共存频道，仅由认知基站(cognitive base station，CBS)进行空间相关度计算，未考虑同时计算认知用户端的空间相关度；认知通信固定地采用主特征模式实现波束成形(beamforming，BF)，认知系统仅考虑共存频道的选择，未考虑同时进行认知特征模式的选择。

发明内容

本发明的目的是针对现有的认知系统频谱共享方法在资源选择上的不足，提出了一种认知系统基于空间信号处理的频谱共享方法。采用该方法，认知基站与认知用户根据经过预处理的信道信息分别进行空间相关度计算，并由认知基站结合特征模式的传输增益完成授权频道与特征模式的联合选择，进而进行收发端联合空间信号处理，从而更好的实现无空闲频谱资源时认知系统和授权系统的同时同频共存，获得了认知通信性能的显著改善。

本发明提供的认知系统基于空间信号处理的频谱共享方法，具体包括如下步骤：

(1)CBS感知、获取信道信息和H^c，CU感知、获取信道信息H^pc和H^c，

其中，i表示第i个授权频道，H^c、H^pc分别表示CBS与PU_i、CBS与CU、PBS与CU之间的信道信息。

(2)在CBS端对和H^c分别作奇异值分解，即

$>H_i^{\mathrm{cp}}=U_i^{\mathrm{cp}}{\Lambda }_i^{\mathrm{cp}}{\left(V_i^{\mathrm{cp}}\right)}^H,$>H^c＝U^cΛ^c(V^c)^H，

同样，在CU端对H^pc和H^c分别作奇异值分解，即

H^pc＝U^pcΛ^pc(V^pc)^H，H^c＝U^cΛ^c(V^c)^H，

其中，与U^c与V^c、U^pc与V^pc的列向量分别反映了相应的系统信道等效为去耦子信道的空间特征信息；Λ^c、Λ^pc均是主对角线元素为非负实数，其余元素全为零的矩阵，且它们的主对角线的元素分别表示相应的去耦子信道的传输增益；

(3)对全体1≤i≤N，1≤j≤rank(H^c)，在CBS和CU端分别构造如下矩阵：

$>T_{i,j}^c=[v_{i,1}^{\mathrm{cp}},L,v_{i,\mathrm{rank}\left(H_i^{\mathrm{cp}}\right)}^{\mathrm{cp}},v_1^c,L,v_{j-1}^c,v_{j+1}^c,L,v_{\mathrm{rank}\left(H^c\right)}^c],$>

$>{\bar{R}}_{i,j}^c=U^{\mathrm{pc}}=[u_1^{\mathrm{pc}},L,u_{\mathrm{rand}\left(H^{\mathrm{PC}}\right)}^{\mathrm{pc}}],$>

然后，在CBS端采用Gram-Schmidt方法对进行标准正交化，得

$>{\bar{T}}_{i,j}^c=[{\bar{t}}_{i,1}^{\mathrm{cp}},L,{\bar{t}}_{i,\mathrm{rank}\left(H_i^{\mathrm{cp}}\right)}^{\mathrm{cp}},{\bar{t}}_1^c,L,{\bar{t}}_{j-1}^c,{\bar{t}}_{j+1}^c,L,{\bar{t}}_{\mathrm{rank}\left(H^c\right)}^c],$>

其中，j表示第j个认知特征模式，rank(·)表示矩阵的秩；

(4)根据和分别在CBS端以及CU端进行认知通信与干扰的空间相关度计算；

(5)CU将计算出的所有空间相关度信息上报给CBS，然后由CBS结合特征模式传输增益计算出所有空域资源质量因子Q_i，j；

(6)根据已经计算出的所有空域资源质量因子Q_i，j，CBS选择最佳的共享授权频道和特征模式组合并将通报CU；

(7)根据选择的最佳频道和特征模式组合在CBS端设计发射预编码向量p^c，在CU端设计接收滤波向量f^c；

(8)利用计算出的p^c，CBS对要发送的信号x^c进行预编码后得到p^cx^c，然后将其发送出去；

(9)利用已经计算出的f^c，CU对接收到的信号进行接收滤波处理，得到估计信号其中由如下公式给出：

$>{\bar{y}}^c={\left(f^c\right)}^H{H}^c{p}^c{x}^c={\left(f^c\right)}^H{H}^{\mathrm{pc}}{v}_{i,1}^p{x}_i^p+{\left(f^c\right)}^{H}n,$>

其中，x^c是CBS的发射符号，表示的主右奇异向量，是PBS的发射符号，n为加性高斯白噪声向量，各个分量的方差均为

上述所述过程的步骤(4)，在CBS端的空间相关度按照下式计算：

$>{\mathrm{CO}}_{i,j}^{\mathrm{CBS}}=\underset{m=1}{\overset{\mathrm{rank}\left(H_i^{\mathrm{cp}}\right)}{\Sigma }}|⟨v_j^c,{\bar{t}}_{i,m}^{\mathrm{cp}}⟩|+\underset{n\ne j}{\overset{\mathrm{rank}\left(H^c\right)}{\Sigma }}|⟨v_j^c,{\bar{t}}_n^c⟩|,$>

在CU端的空间相关度按照下式计算：

$>{\mathrm{CO}}_{i,j}^{\mathrm{CU}}=\underset{m-1}{\overset{\mathrm{rank}\left(H^{\mathrm{PC}}\right)}{\Sigma }}|⟨u_j^c,u_m^{\mathrm{pc}}⟩|.$>

上述所述过程的步骤(5)中的空域资源质量因子Q_i，j按照如下式子计算：

$>Q_{i,j}={\lambda }_j^c/({\mathrm{CO}}_{i,j}^{\mathrm{CBS}}·{\mathrm{CO}}_{i,j}^{\mathrm{CU}}),$>

其中，表示第j个认知特征模式的传输增益。

上述所述过程的步骤(6)，CBS按照如下式子选择最佳的共享授权频道和特征模式组合

$>(\hat{i},\hat{j})=\arg \underset{1\le i\le N,1\le j\le \mathrm{rank}\left(H^c\right)}{\max }\left(Q_{i,j}\right).$>

上述所述过程的步骤(7)，在CBS端设计发射预编码向量p^c按如下方式进行：

首先，将投影到的正交子空间，即，

再对归一化，得到发射预编码向量||·||表示Euclidean范数。

上述所述过程的步骤(7)，在CU端设计接收滤波向量f^c按如下方式进行：

首先，将投影到的正交子空间，即，

再对归一化，得到接收滤波向量其中||·||表示Euclidean范数。

本发明与现有技术相比，具有如下优点：在设计频谱共享方法时，分别在认知基站和认知用户处进行不同的空间相关度计算，同时结合特征模式传输增益，来完成授权频道和特征模式的联合选择，进而进行收发端联合空间信号处理，实现认知和授权同时同频共存。该方法弥补了现有认知系统频谱共享方法在资源选择上的不足，显著改善了认知系统通信性能。

附图说明

图1是本发明的授权系统和认知系统共同覆盖的单小区下行通信的系统模型图；

图2是本发明的认知系统基于空间信号处理的频谱共享方法具体流程图；

图3是本发明的授权频道数N＝2，无空闲频谱资源时，不同频谱共享方法获得的系统吞吐率随信噪比变化的仿真曲线图；

图4是本发明的信噪比SNR＝10dB，无空闲频谱资源时，不同方法得到的认知系统吞吐率随授权频道数变化的仿真曲线图。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

参照图1，本发明研究授权系统与认知系统共同覆盖的单小区下行通信，认知和授权通信均采用BF方式，且认知和授权系统均采用MIMO。其中，授权系统包含一个基站和多个用户，认知系统由一个基站和一个用户构成。为简便，在认知和授权系统收发端均未画出多天线，且只给出了两个PU。设授权基站(primary base station，PBS)天线数为M_t，授权用户的天线数为M_r，认知基站(cognitive base station，CBS)天线数为L_t，认知用户的天线数为L_r。设i表示第i个授权频道，1≤i≤N(N是授权频道总数)，且各频道的带宽相同，多个PU以动态的方式共享频率资源。另外，在图中，用虚线表示相应的系统间的干扰，实线表示无干扰的授权通信和认知通信，且每条线上标注的符号表示相应的信道矩阵。

参照图2，本发明设计的频谱共享方法，取名为联合自适应波束成形(joint adaptivebeamforming，JABF)，具体包括如下步骤：

(1)CBS感知、获取信道信息和H^c，CU感知、获取信道信息H^pc和H^c，其中，i表示第i个授权频道，H^c、H^pc分别表示CBS与PU_i、CBS与CU、PBS与CU之间的信道信息。

(2)在CBS端对和H^c分别作奇异值分解(singular value decomposition，SVD)，得到：

$>H_i^{\mathrm{cp}}=U_i^{\mathrm{cp}}{\Lambda }_i^{\mathrm{cp}}{\left(V_i^{\mathrm{cp}}\right)}^h,$>H^c＝U^cΛ^c(V^c)^H。

同理，在CU端对H^pc和H^c分别作奇异值分解，得到：

H^pc＝U^pcΛ^pc(V^pc)^H，H^c＝U^cΛ^c(V^c)^H。

其中，与U^c与V^c、U^pc与V^pc的列向量分别反映了相应的系统信道等效为去耦子信道的空间特征信息；Λ^c、Λ^pc均是主对角线元素为非负实数，其余元素全为零的矩阵，且它们的主对角线的元素分别表示相应的去耦子信道的传输增益。

(3)对全体1≤i≤N，1≤j≤rank(H^c)，在CBS和CU端分别构造如下矩阵：

$>T_{i,j}^c=[v_{i,1}^{\mathrm{cp}},L,v_{i,\mathrm{rank}\left(H_i^{\mathrm{cp}}\right)}^{\mathrm{cp}},v_1^c,L,v_{j-1}^c,v_{j+1}^c,L,v_{\mathrm{rank}\left(H^c\right)}^c],$>

$>{\bar{R}}_{i,j}^c=U^{\mathrm{pc}}=[u_1^{\mathrm{pc}},L,u_{\mathrm{rank}\left(H^{\mathrm{pc}}\right)}^{\mathrm{pc}}],$>

然后，在CBS端采用Gram-Schmidt方法对进行标准正交化，得

$>{\bar{T}}_{i,j}^c=[{\bar{t}}_{i,1}^{\mathrm{cp}}L,{\bar{t}}_{i,\mathrm{rank}\left(H_i^{\mathrm{cp}}\right)}^{\mathrm{cp}},{\bar{t}}_1^c,L,{\bar{t}}_{j-1}^c{\bar{t}}_{j+1}^c,L,{\bar{t}}_{\mathrm{rank}\left(H^c\right)}^c],$>

其中，j表示第j个认知特征模式，rank(·)表示矩阵的秩；这两个矩阵包含了认知通信与系统间干扰的空间特征信息，更确切地说就是来自于步骤(2)奇异值分解得到的空间子信道特征信息。

(4)根据和分别在CBS端以及CU端按照如下式子进行认知通信与干扰的空间相关度计算：

$>{\mathrm{CO}}_{i,j}^{\mathrm{CBS}}=\underset{m=1}{\overset{\tan k\left(H_i^{\mathrm{cp}}\right)}{\Sigma }}|⟨v_j^c,{\bar{t}}_m^{\mathrm{cp}}⟩|+\underset{n\ne j}{\overset{\mathrm{rank}\left(H^c\right)}{\Sigma }}|⟨v_j^c,{\bar{t}}_n^c⟩|,$>

$>{\mathrm{CO}}_{i,j}^{\mathrm{CU}}=\underset{m=1}{\overset{\mathrm{rank}\left(H^{\mathrm{pc}}\right)}{\Sigma }}|⟨u_j^c,u_m^{\mathrm{pc}}⟩|.$>

其中，<a，b>和|·|分别表示向量内积与求模运算。根据上述的第一个式子，CBS端空间相关度计算包括两方面，一是认知通信特征模式j与CBS对PU_i干扰的空间相关度，二是认知通信特征模式j与其它认知通信模式的空间相关度。根据第二个式子，CU端空间相关度计算仅由认知通信特征模式j与PBS对CU干扰的空间相关度决定，与授权频道i的选择无关，仅取决于认知系统天线配置。

(5)CU将计算出的所有空间相关度信息上报给CBS，然后由CBS结合特征模式传输增益按照如下式子计算出所有空域资源质量因子Q_i，j：

$>Q_{i,j}={\lambda }_j^c/({\mathrm{CO}}_{i,j}^{\mathrm{CBS}}·{\mathrm{CO}}_{i,j}^{\mathrm{CU}}),$>

其中，表示第j个认知特征模式的传输增益。

(6)根据已经计算出的所有空域资源质量因子Q_i，j，CBS按照如下式子选择最佳的共享授权频道和特征模式组合

$>(\hat{i},\hat{j})=\arg \underset{1\le i\le N,1\le j\le \mathrm{rank}\left(H^c\right)}{\max }\left(Q_{i,j}\right),$>并将选择的通报给CU，使之准备好进行认知通信。

(7)根据选择的最佳频道和特征模式组合进行认知系统的收发端信号处理。

CBS端信号处理：将投影到的正交子空间，即，

再对归一化，得到发射预编码向量||·||表示Euclidean范数。

CU端信号处理：将投影到的正交子空间，即，

再对归一化，得到接收滤波向量其中||·||表示Euclidean范数。

(8)利用计算出的p^c，CBS对要发送的信号x^c进行预编码后得到p^cx^c，然后将其发送出去。

(9)利用已经计算出的f^c，CU对接收到的信号进行接收滤波处理，得到估计信号其中由如下公式给出：

$>{\bar{y}}^c={\left(f^c\right)}^H{H}^c{p}^c{x}^c+{\left(f^c\right)}^H{H}^{\mathrm{pc}}{v}_{i,1}^p{x}_i^p+{\left(f^c\right)}^{H}n,$>

其中，x^c是CBS的发射符号，表示的主右奇异向量，是PBS的发射符号，n为加性高斯白噪声向量，各个分量的方差均为

仿真实验

本发明的效果，可通过以下仿真进一步说明：

仿真条件：认知系统天线配置采用M_t＝M_r＝2，L_t＝5，L_r＝3。研究的传输方法包括，传统认知的机会频谱接入(opportunistic spectrum access，OSA)，仅由CBS根据原始信道信息进行决策的固定波束成形(fixedbeamforming，FBF)，本发明提出的联合自适应波束成形(JABF)，以及对授权频道和认知通信特征模式进行遍历搜索(exhaustivesearching，ES)的最佳传输。

图3给出授权频道数N＝2，无空闲频谱资源时，不同频谱共享方法获得的系统吞吐率随信噪比变化的仿真曲线图。

从图中可以看出，当授权用户始终占用全部授权频道时，传统OSA无法工作；JABF、FBF与ES三种方法相对于OSA的吞吐率改善越显著；由于JABF采用联合自适应波束成形，较FBF的吞吐率改善明显。

图4给出信噪比SNR＝10dB，无空闲频谱资源时，不同方法得到的认知系统吞吐率随授权频道数变化的仿真曲线图。

从图中可以看出，无空闲频谱可用，采用OSA认知通信无法进行。由于N的增加导致授权频道选择分集增益的增加，JABF、FBF和ES获得的吞吐率随着N的增加而增大，但当N＞10时吞吐率趋于饱和，并且JABF相对于FBF的吞吐率改善超过0.5bit·s^-1·Hz^-1，与最佳结果之差约为0.2bit·s^-1·Hz^-1。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。